CN111275163B - 一种短期负荷预测方法 - Google Patents
一种短期负荷预测方法 Download PDFInfo
- Publication number
- CN111275163B CN111275163B CN201911299248.1A CN201911299248A CN111275163B CN 111275163 B CN111275163 B CN 111275163B CN 201911299248 A CN201911299248 A CN 201911299248A CN 111275163 B CN111275163 B CN 111275163B
- Authority
- CN
- China
- Prior art keywords
- function
- learner
- weak
- load prediction
- short
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims description 25
- 238000012886 linear function Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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hk(x),其中最优学习率γk由线性搜索计算得出,如(3)所示
步骤2.4:更新弱学习器fk(x)
fk(x)=fk-1(x)+γkhk(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={pi|pi∈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xi=[pi,pi+1,…,pi+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,…,pn]为第1个训练集样本,x2=[p2,p3,…,pn+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=yi-fk(x),其中yi=pi+n+k-1,k为后续所指的弱学习器的序列;fk(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(xn)],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hk(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γk,如(5)所示
根据式(5)更新fk(x)
fk(x)=fk-1(x)+γkhk(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fGB(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hk(x),其中最优学习率γk由线性搜索计算得出,如(3)所示
步骤2.4:更新弱学习器fk(x)
fk(x)=fk-1(x)+γkhk(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299248.1A CN111275163B (zh) | 2019-12-17 | 2019-12-17 | 一种短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299248.1A CN111275163B (zh) | 2019-12-17 | 2019-12-17 | 一种短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275163A CN111275163A (zh) | 2020-06-12 |
CN111275163B true CN111275163B (zh) | 2023-09-05 |
Family
ID=71111967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299248.1A Active CN111275163B (zh) | 2019-12-17 | 2019-12-17 | 一种短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275163B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
-
2019
- 2019-12-17 CN CN201911299248.1A patent/CN111275163B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
Non-Patent Citations (1)
Title |
---|
Shigong Jiang 等.Short-Term Load Forecasting Method for AC/DC Distribution System Based on Ensemble Learning.《2019 IEEE 3rd International Electrical and Energy Conference (CIEEC)》.2020,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111275163A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN108876039B (zh) | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 | |
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN110707763B (zh) | 一种基于集成学习的交直流配电网负荷预测方法 | |
Zhang et al. | A novel hybrid model for wind speed prediction based on VMD and neural network considering atmospheric uncertainties | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN108089135B (zh) | 一种基于极限学习模型的电池状态预测系统及其实现方法 | |
CN110059891B (zh) | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 | |
CN110738344A (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
CN104978491A (zh) | 一种基于经验模态分解和支持向量机的钟差预测方法 | |
Yahiaoui et al. | An Experimental Testing of Optimized Fuzzy Logic‐Based MPPT for a Standalone PV System Using Genetic Algorithms | |
CN116307291A (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN116780511A (zh) | 一种基于sarima模型的电力系统惯量预测方法 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN111275163B (zh) | 一种短期负荷预测方法 | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
Zjavka | Power quality daily predictions in smart off-grids using differential, deep and statistics machine learning models processing NWP-data | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN115310711B (zh) | 一种新能源光伏发电功率预测方法 | |
Cao et al. | Fast state estimations for large distribution systems using deep neural networks as surrogate | |
Ananthu et al. | A study of 100kWp PV Plant Output Power Forecasting: A case study | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 | |
CN114492944A (zh) | 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质 | |
CN112560898B (zh) | 一种基于深度学习的负荷时空预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |