CN111275163B - 一种短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种短期负荷预测方法。通过多轮训练获得一系列弱学习器，然后补偿弱学习器的缺点，构建强学习器，最终最小化浅层神经网络的输出误差，从而提高浅层神经网络的预测精度。设计的损失函数对异常负载数据具有鲁棒性，因此适合于AC/DC配电系统中的负荷预测。改进了神经网络、灰色理论和支持向量机等传统的短期负荷预测方法的精度。

Description

一种短期负荷预测方法

技术领域

本发明涉及电网技术，特别是涉及交直流配电系统短期负荷预测方法。

背景技术

随着配电网络中电子电气设备的高速发展，新能源的整合使能源结构发生了变化，因此不同能源和新型负荷的接入导致负荷的急剧变化。交流配电网很难满足新能源并网发电和大规模直流负载的需求。所以准确的负荷预测对于交直流配电系统的调度非常重要。

发明内容

本发明的目的是针对交流直流配电系统，提出一种集成学习的交直流配电系统短期负荷预测方法。优化了负荷预测精度和鲁棒性。

为达到此目的，本发明采用以下技术方案：

一种短期负荷预测方法，包括以下步骤：

步骤1：选取初始数据；

步骤2：通过多轮训练来获得一系列的弱学习器；

步骤3：将每个弱学习器的预测结果添加到强学习器中，得到最终的强学习器，并获得预测结果。

上述步骤2还包括如下步骤：

步骤2.1：建立L(y,f(x))为损失函数，弱学习器初始化为f₀(x)

步骤2.2：对于k＝1,2,…,K，计算负梯度如(2)所示

步骤2.3：基于建立一个迭代过程中的弱学习器h_k(x)，其中最优学习率γ_k由线性搜索计算得出，如(3)所示

步骤2.4：更新弱学习器f_k(x)

f_k(x)＝f_k-1(x)+γ_kh_k(x) (4)

上述损失函数细分定义如下：

当a的值小时，该函数为二次函数，当a的值较大时该函数为线性函数，而当|a|＝δ时，则为线性函数，并且这两个函数具有相等的值和不同的斜率。

本发明具有以下的有益效果：

(1)与传统的神经网络，灰色理论以及支持向量机等传统的预测方法相比，具有较高的精度；

(2)设计的损失函数对异常的负载具有较强的鲁棒性，可减小泛化误差。

附图说明

图1为本发明一具体实施方式的流程图；

图2为图1中步骤S2的具体流程图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步的介绍。

本具体实施方式公开了一种短期负荷预测方法，其基于浅层神经网络的梯度提升方法(gradient boosting method based on shallow neural network,GBSNN)，参考图1所示，本发明主要包括以下步骤：

步骤S1选取初始数据，选取一段时间的交流-直流配电系统的历史负载数据。所选取的历史负载数据的记为负载序列p＝{p_i|p_i∈R,i＝1,2,…,L}，所述负载序列中的n个连续时刻的数据表示为训练集样本x_i＝[p_i,p_i+1,…,p_i+n-1]，作为训练数组的输入数据，用于预测未来的第k个时刻的数据。例如x₁＝[p₁,p₂,…,p_n]为第1个训练集样本，x₂＝[p₂,p₃,…,p_n+1]为第2个训练集样本，以此类推可以获得N＝L-n+1个样本。

步骤S2：通过多轮训练来获得一系列的弱学习器。为了适用复杂损失函数，每个弱学习器在每次迭代时都要进行梯度下降。

本实施例中，弱学习器的实现具体过程如下：

S2.1：建立损失函数，设L(y,f(x))为损失函数，损失函数通过细分定义如下：

a控制模型对异常值的敏感性，当a的值小时，该函数为二次函数。当a的值较大时该函数为线性函数，而当|a|＝δ时，则为线性函数，并且这两个函数具有相等的值和不同的斜率。变量a通常是指残基，a＝y_i-f_k(x)，其中y_i＝p_i+n+k-1，k为后续所指的弱学习器的序列；f_k(x)则为弱学习器，因此，式(1)也可表示为：

弱学习器初始化为f₀(x)

S2.2：计算负梯度，对于k＝1,2,…,K，负梯度的计算如(4)所示

损失函数L(y,f(x))中的f不应理解为传统意义上的函数，而是基于函数空间的向量[f(x₁),…，f(x_n)]，其中向量的元素个数与训练样本数相同。

S2.3：基于建立一个迭代过程中的弱学习器h_k(x)，方法如S2.1。

S2.4：更新弱学习器，线性搜索计算得出最优学习率γ_k，如(5)所示

根据式(5)更新f_k(x)

f_k(x)＝f_k-1(x)+γ_kh_k(x) (6)

S3：将每个弱学习器的预测结果添加到强学习器中，得到的最终的强学习器f_GB(x)，并获得预测结果。

需要说明的是，机器学习中学习算法的目标是优化或最小化损失函数。梯度提升的想法是迭代多个弱学习器，然后将每个弱学习器的预测结果添加到强学习器中，如(7)所示。强学习器通过连续使用弱学习器来补偿以前的的弱学习器的“缺陷”过程，从而依次构建强学习。这个强大的学习器可以使目标函数的值足够小，从而最终提高任何给定学习算法的精度。

Claims (1)

1.一种短期负荷预测方法，其特征在于，包括以下步骤：

步骤1：选取初始数据；

步骤2：通过多轮训练来获得一系列的弱学习器；

步骤3：将每个弱学习器的预测结果添加到强学习器中，得到最终的强学习器，并获得预测结果，

所述步骤2还包括如下步骤：

步骤2.1：建立L(y,f(x))为损失函数，弱学习器初始化为f₀(x)

步骤2.2：对于k＝1,2,…，K，计算负梯度如(2)所示

步骤2.3：基于建立一个迭代过程中的弱学习器h_k(x)，其中最优学习率γ_k由线性搜索计算得出，如(3)所示

步骤2.4：更新弱学习器f_k(x)

f_k(x)＝f_k-1(x)+γ_kh_k(x) (4)

所述损失函数细分定义如下：

当a的值小时，该函数为二次函数，当a的值较大时该函数为线性函数，而当|a|＝δ时，则为线性函数，并且这两个函数具有相等的值和不同的斜率。