CN111105104A - 一种基于相似日和rbf神经网络的短期电力负荷预测方法 - Google Patents

一种基于相似日和rbf神经网络的短期电力负荷预测方法 Download PDF

Info

Publication number
CN111105104A
CN111105104A CN202010104278.9A CN202010104278A CN111105104A CN 111105104 A CN111105104 A CN 111105104A CN 202010104278 A CN202010104278 A CN 202010104278A CN 111105104 A CN111105104 A CN 111105104A
Authority
CN
China
Prior art keywords
day
clustering
days
rbf neural
similar
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
Application number
CN202010104278.9A
Other languages
English (en)
Inventor
王瑞
逯静
孙忆枫
王福忠
韩素敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN202010104278.9A priority Critical patent/CN111105104A/zh
Publication of CN111105104A publication Critical patent/CN111105104A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于相似日和RBF神经网络的短期电力负荷预测方法，涉及电力负荷预测领域，短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度，为了减小夏季积温效应对相似日选取的影响，本发明通过将温度和其他负荷影响因素分别计算相似度，从而根据计算得到的综合相似度来选取相似日，此外，为了提高RBF神经网络的预测效果，将训练样本先用减聚类进行聚类，根据聚类结果设置模糊c‑means聚类的初值，运用模糊c‑means聚类来优化RBF神经网络的隐含层参数，最后结合相似日和改进RBF神经网络进行短期电力负荷预测，本发明可以明显提高短期电力负荷预测的准度。

Description

一种基于相似日和RBF神经网络的短期电力负荷预测方法
技术领域
本发明涉及电力负荷预测技术领域，特别是一种基于相似日和RBF神经网络的短期电力负荷预测方法。
背景技术
短期电力负荷预测主要目的是根据历史负荷和影响因素对未来的负荷情况进行预测，预测结果可以作为电力部门调度和分配的参考；短期电力负荷预测中根据相似日数据进行预测可以利用较少的训练数据达到较高的预测精度，所以选择合适的相似日就尤为重要；李啸骢、李春涛、从兰美等发表的基于动态权值相似日选取算法的短期负荷预测中根据各类影响因素的动态加权和选取相似日；王剑锋、向铁元、徐富祥等发表的基于分段多目标相似日选取法的短期负荷预测中运用虚拟相似日的概念，将一天多个负荷时段分别选取相似日；刘翊枫、周国鹏、刘昕等发表的基于智能相似日识别及偏差校正的短期负荷预测方法中通过构建相关因素特征矩阵智能识别相似日，并建立实时气象偏差校正策略对负荷曲线进行二次校正；以上方法都对相似日的选取有一定的意义，但都仅通过预测当天的负荷影响因素与历史日负荷影响因素做相关性分析来选取相似日，由于温度因素与其他影响因素不同，在持续高温的情况下，连续几日的温度变化对相似日选取也会有影响。
RBF神经网络具有强大的非线性映射能力，是短期电力负荷预测中一种常用的方法，优化其隐含层参数设置可以提升模型整体性能；郭伟伟、刘家学、马云龙等发表的基于改进RBF网络算法的电力系统短期负荷预测中运用交替梯度法交替训练RBF隐含层参数和输出层权值；回立川、于淼、梁芷睿等发表的应用近邻传播算法改进RBF的短期负荷预测中采用近邻传播算法来选取RBF的隐含层中心；管硕、高军伟、张彬等发表的基于K-均值聚类算法RBF神经网络交通流预测中运用k-means聚类算法选择RBF隐含层参数；以上各种改进方法均提高了RBF模型的预测精度，但均是针对大量样本数据的RBF模型进行改进，并没有针对基于相似日数据的小样本RBF模型进行改进。
发明内容
为了克服上述不足，本发明的目的是要提供一种基于相似日和RBF神经网络的短期电力负荷预测方法。
为达到上述目的，本发明是按照以下技术方案实施的：
一种基于相似日和RBF神经网络的短期电力负荷预测方法，包括以下步骤：
S1，将电力负荷的影响因素量化和归一化，所述影响因素包括气象因素与日期类型；
S2，根据连续多日的温度变化计算历史日与待测日的温度动态相似度；
S3，用灰色关联法计算出其他影响因素的相似度，所述其他影响因素包括湿度、风速、天气状况和日期类型；
S4，结合S2和S3的计算结果，计算历史日综合相似度并据此选取相似日，并根据选取的相似日确定RBF神经网络的训练样本；
S5，在RBF神经网络隐含层参数的选取方面，运用模糊c-means聚类算法对相似日样本进行聚类，先将样本利用减聚类算法聚类，根据输出结果设置模糊c-means聚类的初始值；再运行模糊c-means聚类，根据聚类结果设置RBF神经网络隐含层参数；
S6，训练RBF神经网络，并用训练好的RBF神经网络进行负荷预测；
具体的，步骤S1中，对非数值型影响因素量化处理，同时利用下式对数值型影响因素进行归一化处理：
Figure BDA0002387968230000031
其中，x'为归一化后的值，max(x)和min(x)分别为影响因素归一化前的最大值和最小值；
具体的，步骤S2中，用P0表示待测日及前k天的温度变化情况，P0＝{X0,X1,…,Xi}i＝0,1,…,k，P1表示历史日及前k天的温度变化情况，P1＝{Y0,Y1,…,Yi}i＝0,1,…,k，X0和Xi分别表示待测日当天和待测日前i天的温度信息组成的序列，Xi＝(xi(1),xi(2),…,xi(n))T，Y0和Yi分别表示选取的历史某日和该日前i天的温度信息序列，Yi＝(yi(1),yi(2),…,yi(n))T，xi(j)和yi(j)分别表示待测日和历史日第j个温度信息的值，n为考虑的温度信息数目，利用下式对每个温度信息分别计算相似度：
Figure BDA0002387968230000032
式中dj为第j个温度信息的数值相似度，tj为第j个温度信息的趋势相似度，最后将n个温度信息结合起来可以计算出总体动态相似度：
Figure BDA0002387968230000033
式中ωj为第j个温度信息的权重，该权重由该温度信息与负荷的相关性得出；
具体的，步骤S3中，设定x0和xi(i＝1,…,N)分别为预测日和预测日前i天除温度外的其他影响因素构成的序列，xi＝(xi(1),…,xi(m))，m为选取的其他因素个数，利用灰色关联法计算其他影响因素的相似度，利用下式计算x0与xi的灰色关联系数：
Figure BDA0002387968230000034
式中ξi(k)为x0与xi在k点的灰色关联系数，
Figure BDA0002387968230000035
表示二级最小差，
Figure BDA0002387968230000041
表示二级最大差，ρ∈(0,1)取0.5，灰色关联度μi可以由下式求得：
Figure BDA0002387968230000042
具体的，步骤S4中，利用下式计算历史日与预测日的综合相似度：
ηi＝δiμi；
式中，ηi为待测日前i天的综合相似度，综合相似度值越大，表明历史日与待测日负荷状况越接近，根据综合相似度排序选取相似日；
具体的，步骤S5中，所述RBF神经网络参数包括网络隐含层激活函数中心、扩展常数和隐含层到输出层的连接权值，S5的具体过程包括以下步骤：
(1)根据下式计算出所有数据样本的密度值：
Figure BDA0002387968230000043
其中，
Figure BDA0002387968230000044
γa∈R+，γa为xi的一个邻域半径；
(2)从中挑选出最大密度值为Dc1，将其所对应的样本xc1设为第一个聚类中心，然后按照下式更新数据样本密度值：
D′i＝Di-Dc1 exp(-β||xi-xc1||2)；
其中，
Figure BDA0002387968230000045
γb＝ηγa，η∈R+，γb表示密度指标函数缩减的邻域，为了防止聚类中心过于密集或分散，取η＝1.5，即γb＝1.5γa；
(3)从更新后的数据中再次挑选出最大密度值为Dc2，将其对应的样本xc2设置为第二个聚类中心，并用Dc2，xc2分别替换下式中的Dc1、xc1，再次更新密度值，选择下一个聚类中心，当满足Dci≤εDc1(ε∈(0,1))时，取ε＝0.5，停止运算，输出聚类中心；
Figure BDA0002387968230000046
式中，dik＝||xk-vi||，为样本xk与聚类中心vi之间的距离；m为模糊加权指数，通常取m＝2，J(U,V)为样本与所有聚类中心距离的二次方再加权求和的值；
(4)根据输出的聚类中心设置类别数c和初始聚类中心V，模糊加权指数m，初始化隶属度矩阵U0，迭代步数l＝0；为了提高聚类效果，采用如下聚类准则：
Figure BDA0002387968230000051
式中，dik＝||xk-vi||，为样本xk与聚类中心vi之间的距离；m为模糊加权指数，通常取m＝2，J(U,V)为样本与所有聚类中心距离的二次方再加权求和的值；
(5)利用下式修正U：
Figure BDA0002387968230000052
(6)对于设定的ε>0，判断是否满足
Figure BDA0002387968230000053
如果满足，则跳到第(8)步，否则l＝l+1，进行第(7)步；
(7)利用下式修正聚类中心V并返回第(5)步：
Figure BDA0002387968230000054
(8)输出聚类结果，并根据聚类结果设置RBF神经网络隐含层激活函数中心；
(9)隐含层扩展常数由下式求得：
Figure BDA0002387968230000055
式中，l为隐含层中心数，cmax为隐含层中心之间的最大距离；
(10)利用最小二乘法确定连接权值，计算公式如下：
Figure BDA0002387968230000056
式中，xn为第n个输入样本，vc为第c个聚类中心。
与现有技术相比，本发明的基于相似日和RBF神经网络的短期电力负荷预测方法具备以下有益效果：
本发明通过考虑积温效应，将温度影响因素和其他负荷影响因素分开计算相似度，再根据计算得到的综合相似度来选取相似日，在减少输入样本数目的同时，也提高了样本质量，同时本发明在温度动态相似度计算公式中加入权重系数使之适应各温度因素对负荷变化的影响；此外，为了提高RBF神经网络的预测效果，将训练样本先用减聚类进行聚类，根据聚类结果设置模糊c-means聚类的初值，运用模糊c-means聚类来优化RBF神经网络的隐含层参数，这样可以很大程度上避免c-means聚类随机选取初值对聚类效果的影响，从而使预测精度变得更高，本发明提出的相似日选取方法和改进的RBF神经网络算法可以明显提高短期负荷预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的RBF神经网络结构示意图；
图2为本发明的相似日选择数量对预测误差的影响图；
图3为本发明实施例中8月29日三种模型预测结果对比图；
图4为本发明实施例中8月30日三种模型预测结果对比图；
图5为本发明实施例中8月31日三种模型预测结果对比图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
一种基于相似日和RBF神经网络的短期电力负荷预测方法，包括以下步骤：
S1，将电力负荷的影响因素量化和归一化，所述影响因素包括气象因素与日期类型；要建立短期电力负荷预测模型，首先要分析负荷与影响因素之间的关系；气象因素与日期类型是电力负荷的主要影响因素，本实施例主要分析这两者对负荷的影响，这些负荷影响因素的量纲不同，所以在一起分析前需要将它们进行处理，数值型影响因素用归一化公式进行处理：
Figure BDA0002387968230000071
其中，x'为归一化后的值，max(x)和min(x)分别为影响因素归一化前的最大值和最小值；本实施例通过对待研究地区负荷变化进行分析，对非数值化影响因素量化值如表1所示：
表1非数值影响因素量化值
Figure BDA0002387968230000072
S2，根据连续多日的温度变化计算历史日与待测日的温度动态相似度；在持续高温的情况下，前几日的温度变化也会对当天的负荷产生影响，所以即便当天与之前某日的影响因素类似，负荷情况也并不一定相同，考虑这种类型精度的一种方法，本实施例直接在选取相似日时就将积温效应考虑在内，在相似度公式中加入权重系数使之适应温度因素对负荷变化的影响，本实施例用改进的方法来计算温度变化的动态相似度；用P0表示待测日及前k天的温度变化情况，P0＝{X0,X1,…,Xi}i＝0,1,…,k，P1表示历史日及前k天的温度变化情况，P1＝{Y0,Y1,…,Yi}i＝0,1,…,k，k取2，即考虑连续3天的温度变化，X0和Xi分别表示待测日当天和待测日前i天的温度信息组成的序列，Xi＝(xi(1),xi(2),…,xi(n))T，Y0和Yi分别表示选取的历史某日和该日前i天的温度信息序列，Yi＝(yi(1),yi(2),…,yi(n))T，xi(j)和yi(j)分别表示待测日和历史日第j个温度信息的值，n为考虑的温度信息数目，n取3，即考虑最高温度、最低温度和平均温度，利用下式对每个温度信息分别计算相似度：
Figure BDA0002387968230000081
式中dj为第j个温度信息的数值相似度，tj为第j个温度信息的趋势相似度，最后将n个温度信息结合起来可以计算出总体动态相似度：
Figure BDA0002387968230000082
式中ωj为第j个温度信息的权重，该权重由该温度信息与负荷的相关性得出；
S3，计算出其他影响因素的相似度，所述其他影响因素包括湿度、风速、天气状况和日期类型；除去温度因素外，其他影响因素的变化趋势对负荷影响不大，所以将每日的影响因素放在一起计算相似度，设定x0和xi(i＝1,…,N)分别为预测日和预测日前i天除温度外的其他影响因素构成的序列，xi＝(xi(1),…,xi(m))，m为选取的其他因素个数，本实施例利用灰色关联法计算其他影响因素的相似度，利用下式计算x0与xi的灰色关联系数：
Figure BDA0002387968230000083
式中ξi(k)为x0与xi在k点的灰色关联系数，
Figure BDA0002387968230000084
表示二级最小差，
Figure BDA0002387968230000085
表示二级最大差，ρ∈(0,1)取0.5；
然后灰色关联度μi可以由下式求得：
Figure BDA0002387968230000086
S4，结合S2和S3的计算结果，计算历史日综合相似度并据此选取相似日，并根据选取的相似日确定RBF神经网络的训练样本；本实施例用综合相似度作为相似日的评判标准，因温度的相似度与其他影响因素的相似度都对相似日选取有影响，但影响程度难以确定，所以本实施例采取因子相乘的方法来求取综合相似度，通过下式可以计算出历史日与预测日的综合相似度：
ηi＝δiμi；
式中，ηi为待测日前i天的综合相似度，综合相似度值越大，表明历史日与待测日负荷状况越接近，根据综合相似度排序选取相似日；
S5，在RBF神经网络隐含层参数的选取方面，运用模糊c-means聚类算法对相似日样本进行聚类，先将样本利用减聚类算法聚类，根据输出结果设置模糊c-means聚类的初始值；再运行模糊c-means聚类，根据聚类结果设置RBF神经网络隐含层参数；径向基函数(Radial Basis Function，RBF)神经网络因其能够逼近任意非线性函数的特点，近年来在预测领域取得了广泛应用，它一般由输入层，隐含层，输出层三层组成；其隐含层激活函数为关于中心点径向对称衰减的径向基函数，所以具有局部逼近的特点，即输入信号只会激活少量神经元，使网络不容易陷入局部最优解，如图1所示的RBF神经网络结构图，网络的输入矩阵
Figure BDA0002387968230000091
表示第p个输入样本，p＝1,2,…,N，N为样本总数，n为样本维数，ωkm为隐含层节点k与输出层节点m之间的连接权值，k＝1,2,…,K，K为隐含层节点个数，m为输出层节点个数，Y＝(y1,y2,…,yn)为网络的输出矩阵，隐含层的激活函数采用高斯函数，即：
Figure BDA0002387968230000092
式中ck为激活函数中心，σ为扩展常数；
网络的输出为：
Figure BDA0002387968230000093
RBF神经网络通常要确定三个参数：网络隐含层激活函数的中心、扩展常数和隐含层到输出层的连接权值，合理的隐含层参数选择往往能提高网络性能；网络隐含层参数初值的选取一般由聚类来实现，本实施例通过待测日的相似日来挑选训练样本，样本数据差距并不大，所以选用模糊c-means聚类对样本进行聚类，模糊c-means聚类的初始中心的确定方法具有很大的随机性，一旦确定的中心偏差较大，将大大影响聚类效果；所以本实施例将样本先利用减聚类算法聚类，根据输出结果设置模糊c-means聚类的初始值再次聚类，这样可以很大程度上避免c-means聚类随机选取初值对聚类效果的影响，根据聚类结果设置RBF隐含层参数可以提高模型的性能。
模糊c-means聚类是由Dunn和Bezdek提出的一种聚类算法，通过计算每个样本点的隶属度实现对样本数据的自动分类；它不是将样本归到一个特定的聚类，而是通过隶属度来表现其属于各聚类的程度，隶属度可以取[0 1]区间内的任何一个数；模糊c-means聚类原理如下：
假设模糊c-means聚类要将数据样本集X＝{x1,x2,…,xn}划分成c类(2≤c≤n)，V＝{v1,v2,…,vc}，代表c个聚类中心，那么整个数据样本集的隶属度矩阵U可以表示为：
Figure BDA0002387968230000101
式中：uik为第k个样本对于第i个聚类的隶属度，0≤uik≤1，
Figure BDA0002387968230000102
为了提高聚类效果，采用如下聚类准则：
Figure BDA0002387968230000103
式中：dik＝||xk-vi||，为样本xk与聚类中心vi之间的距离；m为模糊加权指数，通常取m＝2；J(U,V)为样本与所有聚类中心距离的二次方再加权求和的值；
通过求取J(U,V)的极小值，就可以得到模糊c-means聚类算法结果。
模糊c-means聚类的初始聚类参数对c-means聚类效果影响很大，所以需要其他算法进行优化，而减聚类算法可以有效反映出样本数据的分布情况，但得到的聚类中心是原数据中的点，不能反映聚类中心的真正含义，所以多数情况下被用来初始化一些对初值要求较高的算法。所以本实施例用它来优化模糊c-means聚类算法的初值。具体步骤如下：
(1)根据下式计算出所有数据样本的密度值：
Figure BDA0002387968230000111
其中，
Figure BDA0002387968230000112
γa∈R+，γa为xi的一个邻域半径；
(2)从中挑选出最大密度值为Dc1，将其所对应的样本xc1设为第一个聚类中心，然后按照下式更新数据样本密度值：
D′i＝Di-Dc1 exp(-β||xi-xc1||2)；
其中，
Figure BDA0002387968230000113
γb＝ηγa，η∈R+，γb表示密度指标函数缩减的邻域，为了防止聚类中心过于密集或分散，取η＝1.5，即γb＝1.5γa；
(3)从更新后的数据中再次挑选出最大密度值为Dc2，将其对应的样本xc2设置为第二个聚类中心，并用Dc2，xc2分别替换下式中的Dc1、xc1，再次更新密度值，选择下一个聚类中心，当满足Dci≤εDc1(ε∈(0,1))时，，取ε＝0.5，停止运算，输出聚类中心；
Figure BDA0002387968230000114
式中，dik＝||xk-vi||，为样本xk与聚类中心vi之间的距离；m为模糊加权指数，通常取m＝2，J(U,V)为样本与所有聚类中心距离的二次方再加权求和的值；
(4)根据输出的聚类中心设置类别数c和初始聚类中心V，模糊加权指数m，初始化隶属度矩阵U0，迭代步数l＝0；为了提高聚类效果，采用如下聚类准则：
Figure BDA0002387968230000115
式中，dik＝||xk-vi||，为样本xk与聚类中心vi之间的距离；m为模糊加权指数，通常取m＝2，J(U,V)为样本与所有聚类中心距离的二次方再加权求和的值；
(5)利用下式修正U：
Figure BDA0002387968230000121
(6)对于设定的ε>0，判断是否满足
Figure BDA0002387968230000122
如果满足，则跳到第(8)步，否则l＝l+1，进行第(7)步；
(7)利用下式修正聚类中心V并返回第(5)步：
Figure BDA0002387968230000123
(8)输出聚类结果，并根据聚类结果设置RBF神经网络隐含层激活函数中心；
(9)隐含层扩展常数由下式求得：
Figure BDA0002387968230000124
式中，l为隐含层中心数，cmax为隐含层中心之间的最大距离；
(10)利用最小二乘法确定连接权值，计算公式如下：
Figure BDA0002387968230000125
式中，xn为第n个输入样本，vc为第c个聚类中心；
S6，训练RBF神经网络，并用训练好的RBF神经网络进行负荷预测。
本实施例选取河南省某地区2018年96点负荷数据和气象数据，选取3月到8月的数据作为样本，对连续高温的8月29-8月31日进行96点负荷预测。
相似日选取的数量对负荷预测的影响也非常大，选取数量过少，模型训练不充分，预测精度较低，选取数量过多，训练速度慢，区别度较低；本实施例通过对8月高温日进行实验，得到了图2的结果，所以决定选取20日相似日作为实验的训练样本。
同时由于本实施例综合相似度法中的温度序列动态相似度考虑的是连续3天的温度信息，所以在选取相似日时样本中前两日自动排除在外；作为对比，用灰色关联法在同样的样本中选取相似日，将两种方法选取的相似日负荷序列与待测日负荷序列各点方差的平均值进行比较，对比结果如下表2所示：
表2相似日负荷与预测日负荷的各点方差平均值对比
Figure BDA0002387968230000131
通过表2对比可以看到，对于连续高温日，综合相似度法选取的相似日效果更好，其选择的相似日负荷与待测日负荷各点方差的平均值更小，说明选出的相似日与待测日负荷更接近，传统灰色关联法选出的相似日负荷与待测日负荷之间的各点方差平均值比较大，说明该方法只能大致筛选出与待测日相似的历史日，但是筛选效果没有本实施例方法好；由此可见，本实施例改进的相似日选取方法与灰色关联法相比能够更加准确的选择高温日的相似日。
根据选出的20个相似日及其前几天的负荷数据选取RBF神经网络的训练样本；本实施例预测模型输入选择为X＝{x1,x2,x3,x1,x2}，其中xa为待测时刻前a个时刻的负荷数据，a＝1,2,3。xb为待测时刻前b天相同时刻的负荷数据，b＝1,2，输出为待测点负荷数据。
平均绝对百分误差(MAPE)可以用来评价模型的好坏，均方根误差(RMSE)对一组结果中极大或极小的误差反应敏感，也可以反映出预测精度，在同一预测模型中，MAPE和RMSE的值越小，预测结果越精确。所以本实施例用MAPE和RMSE来评价各模型的预测精度，其表达式如下：
Figure BDA0002387968230000132
Figure BDA0002387968230000141
式中n为预测结果总数，yi为第i个采样点实际负荷值，y'i为第i个采样点预测负荷值。
用另外2种预测模型作为本实施例预测模型的对比，对8月29日-8月31日负荷进行预测。模型一：用灰色关联法选取相似日，模糊c-means聚类优化RBF隐含层参数；模型二：用综合相似度法选取相似日，模糊c-means聚类优化RBF隐含层参数；模型三：用综合相似度法选取相似日，减聚类与模糊c-means聚类结合优化RBF隐含层参数。预测结果如图3、4、5所示，表3为三种模型预测结果对比：
表3三种模型预测结果比较
Figure BDA0002387968230000142
通过图3到图5可以看到，连续三天的高温日，模型三得到的预测曲线与实际负荷曲线都更为接近，虽然模型一和模型二也均能预测出负荷曲线的变化趋势，但在一天的后半段预测误差较大，整体预测精度不如模型三。通过表3的预测误差对比可以清楚看到，对于预测的3天来说，模型二的MAPE和RMSE比模型一更小，说明用综合相似度法选取相似日比灰色关联度法效果更好。同时，模型三的MAPE和RMSE比模型二更小，说明本实施例用减聚类优化c-means聚类的初值可以获得更优的RBF隐含层参数，从而使预测精度更高。
由此可见，本实施例提出的相似日选取方法和改进的RBF神经网络算法可以提高短期负荷预测精度。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (6)

1.一种基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：
S1，将电力负荷的影响因素量化和归一化，所述影响因素包括气象因素与日期类型；
S2，根据连续多日的温度变化计算历史日与待测日的温度动态相似度；
S3，用灰色关联法计算出其他影响因素的相似度，所述其他影响因素包括湿度、风速、天气状况和日期类型；
S4，结合S2和S3的计算结果，计算历史日综合相似度并据此选取相似日，并根据选取的相似日确定RBF神经网络的训练样本；
S5，在RBF神经网络隐含层参数的选取方面，运用模糊c-means聚类算法对相似日样本进行聚类，先将样本利用减聚类算法聚类，根据输出结果设置模糊c-means聚类的初始值；再运行模糊c-means聚类，根据聚类结果设置RBF神经网络隐含层参数；
S6，训练RBF神经网络，并用训练好的RBF神经网络进行负荷预测。
2.根据权利要求1所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S1中，对非数值型影响因素量化处理，同时利用下式对数值型影响因素进行归一化处理：
Figure FDA0002387968220000011
其中，x'为归一化后的值，max(x)和min(x)分别为影响因素归一化前的最大值和最小值。
3.根据权利要求2所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S2中，用P0表示待测日及前k天的温度变化情况，P0＝{X0,X1,…,Xi}i＝0,1,…,k，P1表示历史日及前k天的温度变化情况，P1＝{Y0,Y1,…,Yi}i＝0,1,…,k，X0和Xi分别表示待测日当天和待测日前i天的温度信息组成的序列，Xi＝(xi(1),xi(2),…,xi(n))T，Y0和Yi分别表示选取的历史某日和该日前i天的温度信息序列，Yi＝(yi(1),yi(2),…,yi(n))T，xi(j)和yi(j)分别表示待测日和历史日第j个温度信息的值，n为考虑的温度信息数目，利用下式对每个温度信息分别计算相似度：
Figure FDA0002387968220000021
式中dj为第j个温度信息的数值相似度，tj为第j个温度信息的趋势相似度，最后将n个温度信息结合起来可以计算出总体动态相似度：
Figure FDA0002387968220000022
式中ωj为第j个温度信息的权重，该权重由该温度信息与负荷的相关性得出。
4.根据权利要求3所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S3中，设定x0和xi(i＝1,…,N)分别为预测日和预测日前i天除温度外的其他影响因素构成的序列，xi＝(xi(1),…,xi(m))，m为选取的其他因素个数，利用灰色关联法计算其他影响因素的相似度，利用下式计算x0与xi的灰色关联系数：
Figure FDA0002387968220000023
式中ξi(k)为x0与xi在k点的灰色关联系数，
Figure FDA0002387968220000024
表示二级最小差，
Figure FDA0002387968220000025
表示二级最大差，ρ∈(0,1)取0.5；
然后灰色关联度μi可以由下式求得：
Figure FDA0002387968220000026
5.根据权利要求4所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S4中，利用下式计算历史日与预测日的综合相似度：
ηi＝δiμi；
式中，ηi为待测日前i天的综合相似度，综合相似度值越大，表明历史日与待测日负荷状况越接近，根据综合相似度排序选取相似日。
6.根据权利要求5所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S5中，所述RBF神经网络参数包括网络隐含层激活函数中心、扩展常数和隐含层到输出层的连接权值，S5的具体过程包括以下步骤：
(1)先运用减聚类优化模糊c-means聚类算法的初值，根据下式计算出所有数据样本的密度值：
Figure FDA0002387968220000031
其中，
Figure FDA0002387968220000032
γa∈R+，γa为xi的一个邻域半径；
(2)从中挑选出最大密度值为Dc1，将其所对应的样本xc1设为第一个聚类中心，然后按照下式更新数据样本密度值：
Di'＝Di-Dc1exp(-β||xi-xc1||2)；
其中，
Figure FDA0002387968220000033
γb＝ηγa，η∈R+，γb表示密度指标函数缩减的邻域，为了防止聚类中心过于密集或分散，取η＝1.5，即γb＝1.5γa；
(3)从更新后的数据中再次挑选出最大密度值为Dc2，将其对应的样本xc2设置为第二个聚类中心，并用Dc2，xc2分别替换下式中的Dc1、xc1，再次更新密度值，选择下一个聚类中心，当满足Dci≤εDc1(ε∈(0,1))时，取ε＝0.5，停止运算，输出聚类中心；
(4)根据输出的聚类中心设置类别数c和初始聚类中心V，模糊加权指数m，初始化隶属度矩阵U0，迭代步数l＝0；为了提高聚类效果，采用如下聚类准则：
Figure FDA0002387968220000034
式中，dik＝||xk-vi||，为样本xk与聚类中心vi之间的距离；m为模糊加权指数，通常取m＝2，J(U,V)为样本与所有聚类中心距离的二次方再加权求和的值；
(5)利用下式修正U：
Figure FDA0002387968220000041
(6)对于设定的ε>0，判断是否满足
Figure FDA0002387968220000042
如果满足，则跳到第(8)步，否则l＝l+1，进行第(7)步；
(7)利用下式修正聚类中心V并返回第(5)步：
Figure FDA0002387968220000043
(8)输出聚类结果，并根据聚类结果设置RBF神经网络隐含层激活函数中心；
(9)隐含层扩展常数由下式求得：
Figure FDA0002387968220000044
式中，l为隐含层中心数，cmax为隐含层中心之间的最大距离；
(10)利用最小二乘法确定连接权值，计算公式如下：
Figure FDA0002387968220000045
式中，xn为第n个输入样本，vc为第c个聚类中心。
CN202010104278.9A 2020-02-20 2020-02-20 一种基于相似日和rbf神经网络的短期电力负荷预测方法 Pending CN111105104A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010104278.9A CN111105104A (zh) 2020-02-20 2020-02-20 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104278.9A CN111105104A (zh) 2020-02-20 2020-02-20 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN111105104A true CN111105104A (zh) 2020-05-05

Family

ID=70428043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104278.9A Pending CN111105104A (zh) 2020-02-20 2020-02-20 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN111105104A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932402A (zh) * 2020-08-13 2020-11-13 河南理工大学 一种基于相似日和lstm的短期电力负荷双向组合预测方法
CN112001554A (zh) * 2020-08-26 2020-11-27 山东德佑电气股份有限公司 一种基于参数自适应相似日法的短期负荷预测方法
CN112036601A (zh) * 2020-07-23 2020-12-04 国网江苏省电力有限公司检修分公司 一种同步调相机油系统油温预测方法及系统
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
CN112348080A (zh) * 2020-11-06 2021-02-09 北京石油化工学院 基于工控异常检测的rbf改进方法、装置和设备
CN112508286A (zh) * 2020-12-11 2021-03-16 上海电力大学 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN112801356A (zh) * 2021-01-21 2021-05-14 上海电机学院 一种基于ma-lssvm的电力负荷预测方法
CN113516283A (zh) * 2021-05-08 2021-10-19 南京工程学院 一种基于相似日选取的短期负荷预测方法
CN113627511A (zh) * 2021-08-04 2021-11-09 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法
CN113724796A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 化工装置尾气含氧量计算方法、装置、存储介质及处理器
CN114186756A (zh) * 2022-01-11 2022-03-15 国网湖北省电力有限公司孝感供电公司 一种配电网终端蓄电池储能容量预测方法
CN114462783A (zh) * 2021-12-30 2022-05-10 昆明能讯科技有限责任公司 一种输电网分区分电压等级电力缺口计算的方法及系统
CN115481788A (zh) * 2022-08-31 2022-12-16 北京建筑大学 相变储能系统负荷预测方法及系统
CN116186560A (zh) * 2023-04-26 2023-05-30 江西师范大学 一种基于有效热力温度值的温度相似度刻画方法
CN116258280A (zh) * 2023-05-12 2023-06-13 国网湖北省电力有限公司经济技术研究院 一种基于时间序列聚类的短期负荷预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐晓晖等: "基于改进的模糊聚类的RBF网络的设计", 《上饶师范学院学报》 *
方八零等: "动态相似与静态相似相结合的短期负荷预测方法", 《电力系统保护与控制》 *
王晓兰等: "基于相似日和径向基函数神经网络的光伏阵列输出功率预测", 《电力自动化设备》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724796A (zh) * 2020-05-25 2021-11-30 中国石油化工股份有限公司 化工装置尾气含氧量计算方法、装置、存储介质及处理器
CN112036601A (zh) * 2020-07-23 2020-12-04 国网江苏省电力有限公司检修分公司 一种同步调相机油系统油温预测方法及系统
CN112036601B (zh) * 2020-07-23 2023-10-27 国网江苏省电力有限公司检修分公司 一种同步调相机油系统油温预测方法及系统
CN111932402B (zh) * 2020-08-13 2023-05-30 河南理工大学 一种基于相似日和lstm的短期电力负荷双向组合预测方法
CN111932402A (zh) * 2020-08-13 2020-11-13 河南理工大学 一种基于相似日和lstm的短期电力负荷双向组合预测方法
CN112001554A (zh) * 2020-08-26 2020-11-27 山东德佑电气股份有限公司 一种基于参数自适应相似日法的短期负荷预测方法
CN112001554B (zh) * 2020-08-26 2022-08-19 山东德佑电气股份有限公司 一种基于参数自适应相似日法的短期负荷预测方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
CN112348080A (zh) * 2020-11-06 2021-02-09 北京石油化工学院 基于工控异常检测的rbf改进方法、装置和设备
CN112508286A (zh) * 2020-12-11 2021-03-16 上海电力大学 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN112801356A (zh) * 2021-01-21 2021-05-14 上海电机学院 一种基于ma-lssvm的电力负荷预测方法
CN113516283A (zh) * 2021-05-08 2021-10-19 南京工程学院 一种基于相似日选取的短期负荷预测方法
CN113627511A (zh) * 2021-08-04 2021-11-09 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法
CN113627511B (zh) * 2021-08-04 2024-02-02 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法
CN114462783A (zh) * 2021-12-30 2022-05-10 昆明能讯科技有限责任公司 一种输电网分区分电压等级电力缺口计算的方法及系统
CN114186756A (zh) * 2022-01-11 2022-03-15 国网湖北省电力有限公司孝感供电公司 一种配电网终端蓄电池储能容量预测方法
CN115481788B (zh) * 2022-08-31 2023-08-25 北京建筑大学 相变储能系统负荷预测方法及系统
CN115481788A (zh) * 2022-08-31 2022-12-16 北京建筑大学 相变储能系统负荷预测方法及系统
CN116186560A (zh) * 2023-04-26 2023-05-30 江西师范大学 一种基于有效热力温度值的温度相似度刻画方法
CN116258280A (zh) * 2023-05-12 2023-06-13 国网湖北省电力有限公司经济技术研究院 一种基于时间序列聚类的短期负荷预测方法
CN116258280B (zh) * 2023-05-12 2023-08-11 国网湖北省电力有限公司经济技术研究院 一种基于时间序列聚类的短期负荷预测方法

Similar Documents

Publication Publication Date Title
CN111105104A (zh) 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN108564192B (zh) 一种基于气象因子权重相似日的短期光伏功率预测方法
CN111178611B (zh) 一种日电量预测的方法
CN110674999A (zh) 基于改进聚类和长短期记忆深度学习的小区负荷预测方法
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
CN112330067B (zh) 基于区块链的金融大数据分析系统
CN112529683A (zh) 一种基于cs-pnn的客户信贷风险的评估方法及系统
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN115714420A (zh) 基于高精度风光出力预测的联合电站运行优化方法及系统
CN112363896A (zh) 日志异常检测系统
CN112232561A (zh) 基于约束并行lstm分位数回归的电力负荷概率预测方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN113657678A (zh) 一种基于信息新鲜度的电网电力数据预测方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN115018200A (zh) 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统
CN114819395A (zh) 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN109829115B (zh) 搜索引擎关键词优化方法
CN110991723A (zh) 一种人工智能在季节性负荷预测中的应用方法
CN115907228A (zh) 一种基于pso-lssvm的短期电力负荷预测分析方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115794805A (zh) 一种中低压配网量测数据补齐方法

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