CN111178575A - 一种灰色模型电力负荷预测方法 - Google Patents
一种灰色模型电力负荷预测方法 Download PDFInfo
- Publication number
- CN111178575A CN111178575A CN201911102623.9A CN201911102623A CN111178575A CN 111178575 A CN111178575 A CN 111178575A CN 201911102623 A CN201911102623 A CN 201911102623A CN 111178575 A CN111178575 A CN 111178575A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- grey
- prediction
- prediction method
- 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 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力负荷预测领域,具体涉及一种灰色模型电力负荷预测方法;所要解决的问题是提供一种预测精度高克服上述问题的灰色模型电力负荷预测方法;所采用的技术方案为获取电力系统历史负荷数据;对获取到的历史负荷数据进行预处理;利用灰色理论对预处理后的数据进行去趋势处理,得到趋势项;进行频谱分析确定分解层数,利用变分模态分解对去趋势处理后的数据进行分解;将分解后的数据利用经改进NSGA‑Ⅱ优化的支持向量机分类求和进行重构;根据重构后的结果加趋势项获得最终预测结果;将各负荷分量的预测值进行叠加,确定实际预测结果。
Description
技术领域
本发明属于电力负荷预测领域,具体涉及一种灰色模型电力负荷预测方法。
背景技术
电力负荷预测是电力系统规划和电网运行的重要内容、前提和基础。在国家大力倡导节能环保以节约现有能源消耗量的情势下,电力负荷预测的准确性关系到整个电网企业的经济、高效运行以及整个发电电网的安全运行,即当前的形势对于电力负荷预测的精度提出了更高标准的要求。
目前常用的短期负荷预测传统方法有以时间序列法、回归分析法为代表的经典预测法,以专家系统法、神经网络、模糊逻辑方法为代表的人工智能方法。由于电力负荷变化过程是一个高度复杂的非线性过程,传统方法难以建立有效的数学模型,致使预测结果精度不高。
现有的电力系统预测中灰色模型法在预测波动性变化大的电力负荷时误差较大,对离散型数据预测精度差。
发明内容
本发明克服了现有技术存在的不足,提供了一种预测精度高,克服上述问题的灰色模型电力负荷预测方法。
为了解决上述技术问题,本发明采用的技术方案为:一种灰色模型电力负荷预测方法,包括以下步骤:
1)获取电力系统历史负荷数据;
2)对获取到的历史负荷数据进行预处理;
3)利用灰色理论对预处理后的数据进行去趋势处理,得到趋势项;
4)进行频谱分析确定分解层数,利用变分模态分解对去趋势处理后的数据进行分解;
5)将分解后的数据利用经改进NSGA-Ⅱ优化的支持向量机分类求和进行重构;
6)根据重构后的结果加趋势项获得最终预测结果;
7)将各负荷分量的预测值进行叠加 ,确定实际预测结果。
所述对获取的所述历史数据进行拟合处理之前,还包括:对获取的所述历史数据进行预处理,以剔除所述历史数据中的错误数据,以及,补充所述历史数据中的缺失数据。
所述对获取的所述历史负荷数据进行预处理,包括:基于灰色理论预测模型对所述历史数据进行拟合处理。
所述的利用灰色理论对预处理后的数据进行去趋势处理具体为:对预处理后的数据累加或累减生成灰模型,运用时间序列数据来确定微分方程的参量,逐步使灰量白化,进而对未来状态做出预测。
所述改进NSGA-Ⅱ优化的支持向量机采用改进的带精英策略的非支配排序遗传算法来优化SVR模型的参数设置,提升SVR模型的预测精度。
本发明与现有技术相比具有的有益效果是:本发明通过对数据拟合的精确处理,使得降低了数据质量造成的精度偏离问题。本发明提高了对于短周期、变化明显的历史负荷序列预测效果,能保证用户侧微电网负荷预测的精度和速度,具有优越的实际应用价值。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种灰色模型电力负荷预测方法,包括以下步骤:
1)获取电力系统历史负荷数据;
2)对获取到的历史负荷数据进行预处理;
3)利用灰色理论对预处理后的数据进行去趋势处理,得到趋势项;
4)进行频谱分析确定分解层数,利用变分模态分解对去趋势处理后的数据进行分解;
5)将分解后的数据利用经改进NSGA-Ⅱ优化的支持向量机分类求和进行重构;
6)根据重构后的结果加趋势项获得最终预测结果;
7)将各负荷分量的预测值进行叠加 ,确定实际预测结果。
所述对获取的所述历史数据进行拟合处理之前,还包括:对获取的所述历史数据进行预处理,以剔除所述历史数据中的错误数据,以及,补充所述历史数据中的缺失数据。
所述对获取的所述历史负荷数据进行预处理,包括:基于灰色理论预测模型对所述历史数据进行拟合处理。
所述的利用灰色理论对预处理后的数据进行去趋势处理具体为:对预处理后的数据累加或累减生成灰模型,运用时间序列数据来确定微分方程的参量,逐步使灰量白化,进而对未来状态做出预测。
所述改进NSGA-Ⅱ优化的支持向量机采用改进的带精英策略的非支配排序遗传算法来优化SVR模型的参数设置,提升SVR模型的预测精度。
针对短期电力负荷所表现出的强动态性和非线性性,提出了一种基于改进的带精英策略的非支配排序遗传算法(NSGAⅡ)和交叉验证(CV)优化的支持向量回归预测模型NSGA Ⅱ-CV-SVR (缩写NCS)。首先运用了支持向量回归模型增强非线性电力负荷数据的拟合及预测能力,并针对支持向量回归模型在参数确定上所面临的难点,采用改进的带精英策略的非支配排序遗传算法来优化SVR模型的参数设置,从而再次提升SVR模型的预测精度,使得该模型在短期电力负荷预测应用中体现出了良好的性能。
上述实施方式仅示例性说明本发明的原理及其效果,而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改进。因此,凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种灰色模型电力负荷预测方法,其特征在于,包括以下步骤:
1)获取电力系统历史负荷数据;
2)对获取到的历史负荷数据进行预处理;
3)利用灰色理论对预处理后的数据进行去趋势处理,得到趋势项;
4)进行频谱分析确定分解层数,利用变分模态分解对去趋势处理后的数据进行分解;
5)将分解后的数据利用经改进NSGA-Ⅱ优化的支持向量机分类求和进行重构;
6)根据重构后的结果加趋势项获得最终预测结果;
7)将各负荷分量的预测值进行叠加,确定实际预测结果。
2.根据权利要求1所述的一种灰色模型电力负荷预测方法,其特征在于,所述对获取的所述历史数据进行拟合处理之前,还包括:对获取的所述历史数据进行预处理,以剔除所述历史数据中的错误数据,以及补充所述历史数据中的缺失数据。
3.根据权利要求1或2所述的一种灰色模型电力负荷预测方法,其特征在于,所述对获取的所述历史数据进行拟合处理,包括:基于灰色理论预测模型对所述历史数据进行拟合处理。
4.根据权利要求3所述的一种灰色模型电力负荷预测方法,其特征在于,所述的利用灰色理论对预处理后的数据进行去趋势处理具体为:对预处理后的数据累加或累减生成灰模型,运用时间序列数据来确定微分方程的参量,逐步使灰量白化,进而对未来状态做出预测。
5.根据权利要求4所述的一种灰色模型电力负荷预测方法,其特征在于,所述改进NSGA-Ⅱ优化的支持向量机采用改进的带精英策略的非支配排序遗传算法来优化SVR模型的参数设置,提升SVR模型的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911102623.9A CN111178575A (zh) | 2019-11-12 | 2019-11-12 | 一种灰色模型电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911102623.9A CN111178575A (zh) | 2019-11-12 | 2019-11-12 | 一种灰色模型电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178575A true CN111178575A (zh) | 2020-05-19 |
Family
ID=70657173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911102623.9A Pending CN111178575A (zh) | 2019-11-12 | 2019-11-12 | 一种灰色模型电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178575A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308338A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力数据处理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力系统负荷预测方法及系统 |
-
2019
- 2019-11-12 CN CN201911102623.9A patent/CN111178575A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力系统负荷预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308338A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A Hybrid Neural Network and ARIMA Model for Energy Consumption Forcasting. | |
Ekonomou et al. | A short-term load forecasting method using artificial neural networks and wavelet analysis | |
CN108022014B (zh) | 一种电力系统负荷预测方法及系统 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN109873425B (zh) | 基于深度学习和用户行为的电力系统调整潮流方法及系统 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN115986834A (zh) | 基于近端策略优化算法的光储充电站运行优化方法及系统 | |
CN111178575A (zh) | 一种灰色模型电力负荷预测方法 | |
CN109921462A (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN112488404B (zh) | 一种配电网大规模电力负荷多线程高效预测方法及系统 | |
CN112215410A (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN105976057B (zh) | 一种基于改进灰色理论的中长期负荷预测方法 | |
CN115549118A (zh) | 配电网无功补偿设备出力平滑指数预测方法 | |
CN104517160A (zh) | 基于容量利用特征的新型电力市场预测系统和方法 | |
CN114298408A (zh) | 一种基于ceemd-lstm-mlr的短期电力负荷预测方法 | |
Huan et al. | Research on short term load forecasting method of distribution network based on wavelet clustering analysis | |
CN104657781A (zh) | 一种基于神经网络算法的电能消耗预测系统 | |
Ivanovich et al. | Mathematical model and algorithms for reasonable power saving management systems | |
Li et al. | Risk early warning model for distribution network material supply chain of electric power enterprises | |
Dong et al. | Application of XGboost in Electricity Consumption Prediction | |
Lu et al. | A Genetic Algorithm Regression Model for the Mid-long Term of China's Electricity Consumption | |
Li et al. | EMLP: short-term gas load forecasting based on ensemble multilayer perceptron with adaptive weight correction | |
CN112564100B (zh) | 基于空预器差压实时评估火电机组最大出力的方法及系统 |
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 |