CN111079995A - 电力负荷非线性调和综合预测方法、装置及存储介质 - Google Patents
电力负荷非线性调和综合预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111079995A CN111079995A CN201911216709.4A CN201911216709A CN111079995A CN 111079995 A CN111079995 A CN 111079995A CN 201911216709 A CN201911216709 A CN 201911216709A CN 111079995 A CN111079995 A CN 111079995A
- Authority
- CN
- China
- Prior art keywords
- antibody
- prediction
- model
- comprehensive
- affinity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 239000000427 antigen Substances 0.000 claims abstract description 25
- 108091007433 antigens Proteins 0.000 claims abstract description 25
- 102000036639 antigens Human genes 0.000 claims abstract description 25
- 238000009499 grossing Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 210000000987 immune system Anatomy 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 36
- 239000000126 substance Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 230000036961 partial effect Effects 0.000 claims description 12
- 230000004083 survival effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010367 cloning Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了基于人工免疫算法的电力负荷非线性调和综合预测方法、装置及存储介质,所述方法:建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理;使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型;搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。本发明具有较强的、鲁棒的信息处理能力,并且在对问题进行求解时,不要求目标函数具有可导等高附加信息,在搜索过程中效率更高。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及基于人工免疫算法的电力负荷非线性调和综合预测方法、装置及存储介质。
背景技术
负荷预测是电力系统规划、运营、需求侧管理等工作开展的基础,电力负荷预测工作的水平已成为一个电力企业的管理是否走向现代化的显著标志之一。尤其在我国电力事业空前发展的今天,用电管理走向市场,电力负荷预测问题已经成为我们面临的重要而又艰巨的任务。
现有技术下的预测方法虽然研究的成果比较成熟,但是各种不同的预测方法是在一定假设条件下提出来的,往往含有系统独立的信息,这就意味着如果简单地将预测误差较大的一些方法舍弃掉,将会丢失一些有用的信息,使预测精度受到影响。
发明内容
本发明所要解决的技术问题在于,提供基于人工免疫算法的电力负荷非线性调和综合预测方法、装置及存储介质,具有较强的、鲁棒的信息处理能力,并且在对问题进行求解时,不要求目标函数具有可导等高附加信息,在搜索过程中效率更高。
为解决上述问题,本发明实施例提供一种电力负荷非线性调和综合预测方法,包括:
S1.建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理;
S2.使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型;
S3.搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。
优选地,步骤S1,包括:
S11.设某一预测问题的某个指标实际值序列为{yt}(t=1,2,…,n,n表示序列的长度),fjt(t=1,2,…,n;j=1,2,…,m;m表示对此预测问题存在的单项预测方法数)为第j种单项预测方法在第t时刻的预测值,根据加权调和平均数计算公式,令:
S12.为了计算加权调和平均综合预测的权系数,可将上式变化为:
然而,在预测实践中,综合预测的误差一般均存在;因此,定义预测误差et:
其中,et称为加权调和平均综合预测的在第t时刻的预测误差;
S14.建立最优化问题数学表达式;综合预测的预测误差平方和越小越好,因此,以预测误差平方和为准则的非负权系数的调和平均综合预测模型为下列最优化问题:
记Rm=(1,1,…1)T为m维全1向量,
e=(e1,e2,…en)T
则有:
矩阵形式记为:
优选地,步骤S2,包括:
S21.计量经济模型:
设置如下计量经济模型,采用最小二乘法确定参数模型而做出预测:
Q1=A1+A2*CGDP+u;
其中,A1,A2为常数,u为随机扰动项,CGDP为地区生产总值,u为随机扰动项;
S22.逐步回归模型:
对全部自变量,按它们对预测结果贡献的大小进行比较,并通过F检验法,选择偏回归平方和显著的变量进入回归方程,每一步只引入一个变量,同时建立一个偏回归方程;
当一个变量被引入后,对原已引入回归方程的变量,逐个检它们的偏回归平方和;
如果由于引入新的变量而使得已进入方程的变量变为不显著时,则及时从偏回归方程中剔除;
不断重复这一过程,直至无法剔除已引入的变量,也无法引入新的自变量时,逐步回归模型结束;
S23.灰色指数平滑模型:
当数据具有持续的曲线增长或下降趋势时,采用三次指数平滑预测模型,三次指数平滑的计算公式为:
参数at,bt,ct满足:
加权系数λ既代表了预测模型时间序列变化的反映速度,又决定了预测模型的修匀能力;
S24.模糊聚类模型:
从原始数据集X=[xij]n*s中找到一个隶属度矩阵U=[uij]c*n和聚类中心V=[v1,v2…vc],使得目标函数最小,表示为:
其中,uki表示的是第i类数据隶属于第k类聚类中心的程度;
在原FCM的目标函数中引入模糊熵约束,使得每一个数据对象隶属于某个聚类中心的程度不仅受距离影响而且还受制于模糊熵,最终可得到引入模糊熵约束的FCM算法的拉格朗日函数定义为:
优选地,步骤S3,包括:
S31.读取历史值,抗原识别,即,理解待优化的问题,对问题进行可行性分析,提取先验知识,构造出合适的亲和度函数,并制定各种约束条件;
S32.产生初始抗体群,通过编码把问题的可行解表示成解空间中的抗体,在解的空间内随机产生一个初始种群;
S33.ωj归一化,使得:
S34.计算残差:
S35.计算目标函数:
S36.对种群中的每一个可行解进行亲和度评价;即,记忆单元的更新:将与抗原亲和性高的抗体加入到记忆单元,并用新加入的抗体取代与其亲和性最高的原有抗体,进行抗体和抗体的亲和性计算;
抗体和抗体之间的亲和力反映抗体的相似程度,当亲和力比较大时,抗体就越相似,反之,则相似程度较差,采用下列公式计算抗体u与抗体v的亲和力:
其中,quv取值介于0和1之间,quv越小表明抗体u、抗体v相似度越小;huv表示两个抗体u与v的信息熵,可用抗体之间的距离表示,M表示抗体基因的长度;
S37.计算抗体浓度:
抗体u的浓度L(u)的计算公式,如下,
其中,
其中,N为抗体个数,h2为设定的抗体亲和力阈值;该计算公式将满足一定近似程度的抗体看作同一抗体,抗体浓度用来促进或抑制相似解的产生,从而调节维持抗体的多样性;
S38.计算个体的期望生存率;
抗体的选择通过盘轮旋转法按期望生存率来实现,期望生存率高的抗体被选择到的可能性越大,反之,可能性越小;
抗体u期望生存能率为:
其中,
其中,h2为抗体浓度阈值;在上式的设计中当抗体的适应度值较大、且浓度较低时,抗体被选择的概率较大,充分体现了保护较好抗体的同时,也促进浓度较低的抗体,保证了解抗体在进化中的多样性。
S39.计算个体的亲和度fitness(u);
抗原和抗体之间的适应度值反映可行解对目标函数的贴近能力,它由优化问题的目标函数变换得到;
抗体u与抗原的适应度值,如下表示,
Qu=fittness(u);
其中,u为一抗体,fitness(u)为优化问题(抗原)和抗体(解)间的适应值函数(目标函数),其值越大,表示抗原和抗体越贴近,该抗体对应的解方案越优秀;
S310.判断是否达到循环终止条件,t=T,若满足则得到最优解输出,若为满足,种群刷新,以随机生成的新抗体替代种群中激励度较低的抗体,形成新一代抗体,找到本代中最优个体,更新全局最优个体;
S311.进行免疫处理,包括免疫选择、克隆、变异和克隆抑制;
重复执行步骤S33至S311。
本发明实施例还提供一种电力负荷非线性调和综合预测装置,包括:
建模单元,用于建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理;
预测单元,用于使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型;
搜索单元,用于搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的电力负荷非线性调和综合预测方法。
实施本发明实施例具有如下有益效果:
本发明的方法采用人工免疫算法通过模拟免疫系统的学习、记忆等功能来进行模式识别和寻优搜索,并将生物免疫系统的多样性调节机制运用到算法设计中,使算法在搜索过程中避免陷入局部最优。本发明的模型从实验结果上对比计量经济模型,逐步回归模型,灰色指数平滑模型和模糊聚类模型,具有较高的预测精度。而且本发明在人工免疫算法基础模型上引入了种群的多样性控制,提出了调和平均综合预测模型,经实际系统负荷数值验证,表明了基于AIS的综合预测模型具有较高的预测精度。在计算搜索的效率上比传统的遗传算法有了很大提高,具有进一步深入研究的价值。
附图说明
图1是本发明一个实施例提供的基于人工免疫算法的电力负荷非线性调和综合预测方法的流程示意图;
图2是本发明一个实施例提供的免疫算法的基本流程图;
图3是本发明一个实施例提供的逐步回归模型的流程图;
图4是本发明一个实施例提供的预测模型的基本流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1-4。
一种电力负荷非线性调和综合预测方法,包括:
S1.建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理。
S2.使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型。
S3.搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。
步骤S1,包括:
S11.设某一预测问题的某个指标实际值序列为{yt}(t=1,2,…,n,n表示序列的长度),fjt(t=1,2,…,n;j=1,2,…,m;m表示对此预测问题存在的单项预测方法数)为第j种单项预测方法在第t时刻的预测值,根据加权调和平均数计算公式,令:
S12.为了计算加权调和平均综合预测的权系数,可将上式变化为:
然而,在预测实践中,综合预测的误差一般均存在;因此,定义预测误差et:
其中,et称为加权调和平均综合预测的在第t时刻的预测误差;
S14.建立最优化问题数学表达式;综合预测的预测误差平方和越小越好,因此,以预测误差平方和为准则的非负权系数的调和平均综合预测模型为下列最优化问题:
记Rm=(1,1,…1)T为m维全1向量,
e=(e1,e2,…en)T
则有:
矩阵形式记为:
如图3。步骤S2,包括:
S21.计量经济模型:
设置如下计量经济模型,采用最小二乘法确定参数模型而做出预测:
Q1=A1+A2*CGDP+u;
其中,A1,A2为常数,u为随机扰动项,CGDP为地区生产总值,u为随机扰动项;
S22.逐步回归模型:
对全部自变量,按它们对预测结果贡献的大小进行比较,并通过F检验法,选择偏回归平方和显著的变量进入回归方程,每一步只引入一个变量,同时建立一个偏回归方程;
当一个变量被引入后,对原已引入回归方程的变量,逐个检它们的偏回归平方和;
如果由于引入新的变量而使得已进入方程的变量变为不显著时,则及时从偏回归方程中剔除;
不断重复这一过程,直至无法剔除已引入的变量,也无法引入新的自变量时,逐步回归模型结束;
S23.灰色指数平滑模型:
当数据具有持续的曲线增长或下降趋势时,采用三次指数平滑预测模型,三次指数平滑的计算公式为:
参数at,bt,ct满足:
加权系数λ既代表了预测模型时间序列变化的反映速度,又决定了预测模型的修匀能力;
S24.模糊聚类模型:
从原始数据集X=[xij]n*s中找到一个隶属度矩阵U=[uij]c*n和聚类中心V=[v1,v2…vc],使得目标函数最小,表示为:
其中,uki表示的是第i类数据隶属于第k类聚类中心的程度;
在原FCM的目标函数中引入模糊熵约束,使得每一个数据对象隶属于某个聚类中心的程度不仅受距离影响而且还受制于模糊熵,最终可得到引入模糊熵约束的FCM算法的拉格朗日函数定义为:
优选地,步骤S3,包括:
S31.读取历史值,抗原识别,即,理解待优化的问题,对问题进行可行性分析,提取先验知识,构造出合适的亲和度函数,并制定各种约束条件;
S32.产生初始抗体群,通过编码把问题的可行解表示成解空间中的抗体,在解的空间内随机产生一个初始种群;
S33.ωj归一化,使得:
S34.计算残差:
S35.计算目标函数:
S36.对种群中的每一个可行解进行亲和度评价;即,记忆单元的更新:将与抗原亲和性高的抗体加入到记忆单元,并用新加入的抗体取代与其亲和性最高的原有抗体,进行抗体和抗体的亲和性计算;
抗体和抗体之间的亲和力反映抗体的相似程度,当亲和力比较大时,抗体就越相似,反之,则相似程度较差,采用下列公式计算抗体u与抗体v的亲和力:
其中,quv取值介于0和1之间,quv越小表明抗体u、抗体v相似度越小;huv表示两个抗体u与v的信息熵,可用抗体之间的距离表示,M表示抗体基因的长度;
S37.计算抗体浓度:
抗体u的浓度L(u)的计算公式,如下,
其中,
其中,N为抗体个数,h2为设定的抗体亲和力阈值;该计算公式将满足一定近似程度的抗体看作同一抗体,抗体浓度用来促进或抑制相似解的产生,从而调节维持抗体的多样性;
S38.计算个体的期望生存率;
抗体的选择通过盘轮旋转法按期望生存率来实现,期望生存率高的抗体被选择到的可能性越大,反之,可能性越小;
抗体u期望生存能率为:
其中,
其中,h2为抗体浓度阈值;在上式的设计中当抗体的适应度值较大、且浓度较低时,抗体被选择的概率较大,充分体现了保护较好抗体的同时,也促进浓度较低的抗体,保证了解抗体在进化中的多样性。
S39.计算个体的亲和度fitness(u);
抗原和抗体之间的适应度值反映可行解对目标函数的贴近能力,它由优化问题的目标函数变换得到;
抗体u与抗原的适应度值,如下表示,
Qu=fittness(u);
其中,u为一抗体,fitness(u)为优化问题(抗原)和抗体(解)间的适应值函数(目标函数),其值越大,表示抗原和抗体越贴近,该抗体对应的解方案越优秀;
S310.判断是否达到循环终止条件,t=T,若满足则得到最优解输出,若为满足,种群刷新,以随机生成的新抗体替代种群中激励度较低的抗体,形成新一代抗体,找到本代中最优个体,更新全局最优个体;
S311.进行免疫处理,包括免疫选择、克隆、变异和克隆抑制;
重复执行步骤S33至S311。
相对于现有技术,本发明:
遗传算法是一种基于多点随机搜索的启发式算法,与传统的算法相比具有很多优点,但是在具体实施遗传算法的应用时,往往会面临一些相互矛盾的问题,如:在迭代计算后期,种群中适应值大的个体数量上绝对占优,失去了个体的多样性,有时会出现早熟现象而陷入局部最优。尽管可以通过加大交叉率和变异率来避免种群的过早成熟现象,但是过大的交叉率和变异率将导致搜索效率降低,从而降低收敛速度。
考虑遗传算法的这些问题和免疫系统的特点,一种新的算法被发掘出来:人工免疫算法。人工免疫算法的研究始于20世纪80年代后期,目前其研究还处于初级阶段。其思想来源于生物的免疫系统,它通过模拟免疫系统的学习、记忆等功能来进行模式识别和寻优搜索。并将生物免疫系统的多样性调节机制运用到算法设计中,使算法在搜索过程中避免陷入局部最优。
使用的方法与4种模型对比,模型(1)为计量经济模型,(2)为逐步回归模型,(3)为灰色指数平滑模型,(4)为模糊聚类模型,利用某地区的2000~2009年的预测结果作为历史数据,采用本文提出的模型对2010~2013年该地区的负荷进行综合预测测试,所提出应用AIS进行电力负荷的综合预测的调和平均预测模型能够获得较高的预测精度,同时由于引入了种群的多样性控制在计算搜索的效率上比传统的遗传算法有了很大提高,具有进一步深入研究的价值。
建立的人工免疫算法预测模型对于地区负荷预测具有参考、研究价值,同样也可以推广到区域电网(省、市级电网)的负荷预测,具有较广的适用性。
本发明实施例还提供一种电力负荷非线性调和综合预测装置,包括:
建模单元,用于建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理;
预测单元,用于使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型;
搜索单元,用于搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的电力负荷非线性调和综合预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种电力负荷非线性调和综合预测方法,其特征在于,包括:
S1.建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理;
S2.使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型;
S3.搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。
2.根据权利要求1所述的电力负荷非线性调和综合预测方法,其特征在于,步骤S1,包括:
S11.设某一预测问题的某个指标实际值序列为{yt}(t=1,2,…,n,n表示序列的长度),fjt(t=1,2,…,n;j=1,2,…,m;m表示对此预测问题存在的单项预测方法数)为第j种单项预测方法在第t时刻的预测值,根据加权调和平均数计算公式,令:
S12.为了计算加权调和平均综合预测的权系数,可将上式变化为:
然而,在预测实践中,综合预测的误差一般均存在;因此,定义预测误差et:
其中,et称为加权调和平均综合预测的在第t时刻的预测误差;
S14.建立最优化问题数学表达式;综合预测的预测误差平方和越小越好,因此,以预测误差平方和为准则的非负权系数的调和平均综合预测模型为下列最优化问题:
记Rm=(1,1,…1)T为m维全1向量,
e=(e1,e2,…en)T
则有:
矩阵形式记为:
3.根据权利要求1所述的电力负荷非线性调和综合预测方法,其特征在于,步骤S2,包括:
S21.计量经济模型:
设置如下计量经济模型,采用最小二乘法确定参数模型而做出预测:
Q1=A1+A2*CGDP+u;
其中,A1,A2为常数,u为随机扰动项,CGDP为地区生产总值,u为随机扰动项;
S22.逐步回归模型:
对全部自变量,按它们对预测结果贡献的大小进行比较,并通过F检验法,选择偏回归平方和显著的变量进入回归方程,每一步只引入一个变量,同时建立一个偏回归方程;
当一个变量被引入后,对原已引入回归方程的变量,逐个检它们的偏回归平方和;
如果由于引入新的变量而使得已进入方程的变量变为不显著时,则及时从偏回归方程中剔除;
不断重复这一过程,直至无法剔除已引入的变量,也无法引入新的自变量时,逐步回归模型结束;
S23.灰色指数平滑模型:
当数据具有持续的曲线增长或下降趋势时,采用三次指数平滑预测模型,三次指数平滑的计算公式为:
参数at,bt,ct满足:
加权系数λ既代表了预测模型时间序列变化的反映速度,又决定了预测模型的修匀能力;
S24.模糊聚类模型:
从原始数据集X=[xij]n*s中找到一个隶属度矩阵U=[uij]c*n和聚类中心V=[v1,v2…vc],使得目标函数最小,表示为:
(uki∈[0,1],k=1,…c,i=1,…n);
其中,uki表示的是第i类数据隶属于第k类聚类中心的程度;
在原FCM的目标函数中引入模糊熵约束,使得每一个数据对象隶属于某个聚类中心的程度不仅受距离影响而且还受制于模糊熵,最终可得到引入模糊熵约束的FCM算法的拉格朗日函数定义为:
4.根据权利要求1所述的电力负荷非线性调和综合预测方法,其特征在于,步骤S3,包括:
S31.读取历史值,抗原识别,即,理解待优化的问题,对问题进行可行性分析,提取先验知识,构造出合适的亲和度函数,并制定各种约束条件;
S32.产生初始抗体群,通过编码把问题的可行解表示成解空间中的抗体,在解的空间内随机产生一个初始种群;
S33.ωj归一化,使得:
S34.计算残差:
S35.计算目标函数:
S36.对种群中的每一个可行解进行亲和度评价;即,记忆单元的更新:将与抗原亲和性高的抗体加入到记忆单元,并用新加入的抗体取代与其亲和性最高的原有抗体,进行抗体和抗体的亲和性计算;
抗体和抗体之间的亲和力反映抗体的相似程度,当亲和力比较大时,抗体就越相似,反之,则相似程度较差,采用下列公式计算抗体u与抗体v的亲和力:
其中,quv取值介于0和1之间,quv越小表明抗体u、抗体v相似度越小;huv表示两个抗体u与v的信息熵,可用抗体之间的距离表示,M表示抗体基因的长度;
S37.计算抗体浓度:
抗体u的浓度L(u)的计算公式,如下,
其中,
其中,N为抗体个数,h2为设定的抗体亲和力阈值;该计算公式将满足一定近似程度的抗体看作同一抗体,抗体浓度用来促进或抑制相似解的产生,从而调节维持抗体的多样性;
S38.计算个体的期望生存率;
抗体的选择通过盘轮旋转法按期望生存率来实现,期望生存率高的抗体被选择到的可能性越大,反之,可能性越小;
抗体u期望生存能率为:
其中,
其中,h2为抗体浓度阈值;在上式的设计中当抗体的适应度值较大、且浓度较低时,抗体被选择的概率较大,充分体现了保护较好抗体的同时,也促进浓度较低的抗体,保证了解抗体在进化中的多样性。
S39.计算个体的亲和度fitness(u);
抗原和抗体之间的适应度值反映可行解对目标函数的贴近能力,它由优化问题的目标函数变换得到;
抗体u与抗原的适应度值,如下表示,
Qu=fittness(u);
其中,u为一抗体,fitness(u)为优化问题(抗原)和抗体(解)间的适应值函数(目标函数),其值越大,表示抗原和抗体越贴近,该抗体对应的解方案越优秀;
S310.判断是否达到循环终止条件,t=T,若满足则得到最优解输出,若为满足,种群刷新,以随机生成的新抗体替代种群中激励度较低的抗体,形成新一代抗体,找到本代中最优个体,更新全局最优个体;
S311.进行免疫处理,包括免疫选择、克隆、变异和克隆抑制;
重复执行步骤S33至S311。
5.一种电力负荷非线性调和综合预测装置,其特征在于,包括:
建模单元,用于建立基于AIS的调和平均综合预测模型,将电力负荷预测综合模型中各个单一电力负荷预测模型的最优权重作为抗原,将权重的解作为抗体,模拟生物免疫系统的工作原理;
预测单元,用于使用以下4种模型得到预测结果:计量经济模型、逐步回归模型、灰色指数平滑模型、模糊聚类模型;
搜索单元,用于搜索最优权重;即,通过抗体的初始化、目标函数的计算、免疫遗传评价和免疫遗传操作选择、交叉和变异等过程来搜索得到全局最优解。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-4任一项所述的电力负荷非线性调和综合预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216709.4A CN111079995A (zh) | 2019-11-29 | 2019-11-29 | 电力负荷非线性调和综合预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216709.4A CN111079995A (zh) | 2019-11-29 | 2019-11-29 | 电力负荷非线性调和综合预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079995A true CN111079995A (zh) | 2020-04-28 |
Family
ID=70312459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911216709.4A Pending CN111079995A (zh) | 2019-11-29 | 2019-11-29 | 电力负荷非线性调和综合预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079995A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128890A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力用户分类方法、装置及终端设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392269A (zh) * | 2014-11-19 | 2015-03-04 | 天津大学 | 一种基于人工免疫的微电网分布式电源竞价方法 |
-
2019
- 2019-11-29 CN CN201911216709.4A patent/CN111079995A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392269A (zh) * | 2014-11-19 | 2015-03-04 | 天津大学 | 一种基于人工免疫的微电网分布式电源竞价方法 |
Non-Patent Citations (5)
Title |
---|
卢志刚 等: "基于人工免疫加权支持向量机的电力负荷预测", 《继电器》 * |
孙磊: "电力市场环境下最优潮流的模型及算法研究", 《万方数据知识服务平台》 * |
施伟 等: "基于人工免疫算法的电网负荷预测模型的研究", 《鞍山科技大学学报》 * |
王大成 等: "基于人工免疫算法的电力负荷预测综合模型", 《华东电力》 * |
王大成: "配电网中长期负荷预测方法与应用研究", 《万方数据知识服务平台》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128890A (zh) * | 2021-04-26 | 2021-07-16 | 国网河北省电力有限公司营销服务中心 | 电力用户分类方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229754A (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
Wei | A GA-weighted ANFIS model based on multiple stock market volatility causality for TAIEX forecasting | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
Li et al. | Evolutionary competitive multitasking optimization | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN110837929A (zh) | 基于自适应遗传算法的最小二乘支持向量机用电预测方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN111311001A (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN111914900B (zh) | 一种用户用电模式分类方法 | |
CN111079995A (zh) | 电力负荷非线性调和综合预测方法、装置及存储介质 | |
Yang | Combination forecast of economic chaos based on improved genetic algorithm | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Gao et al. | Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |