CN111340291B - 一种基于云计算技术的中长期电力负荷组合预测系统及方法 - Google Patents
一种基于云计算技术的中长期电力负荷组合预测系统及方法 Download PDFInfo
- Publication number
- CN111340291B CN111340291B CN202010118797.0A CN202010118797A CN111340291B CN 111340291 B CN111340291 B CN 111340291B CN 202010118797 A CN202010118797 A CN 202010118797A CN 111340291 B CN111340291 B CN 111340291B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- load prediction
- prediction
- algorithm
- 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 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 230000007774 longterm Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000014509 gene expression Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于云计算技术的中长期电力负荷组合预测系统及方法,该系统主要包括数据预处理部分、基于GEP的负荷预测部分、基于Elman神经网络负荷预测部分、子负荷预测模型优化组合部分。该方法上传存储电力负荷数据到云环境下的数据库中,Hadoop系统平台读取电力数据,运行分布式计算程序对数据进行筛查以及修复处理。其中分布式系统计算程序包括基于相关系数k‑means聚类算法、数据中位值滤波算法、基因表达式算法、Elman神经网络以及子负荷组合优化算法。此外利用时间、环境等特征筛选出受意外因素影响较大的负荷数据,引入这类负荷数据,可以有效避免负荷预测值与常规预测值出现较大偏差,达到扩展中长期电力负荷预测的目的,能够有效提高中长期电力负荷预测的质量。
Description
技术领域
本发明涉及一种基于云计算技术的中长期电力负荷组合预测系统及方法,属于云计算技术的数据分析处理领域。
背景技术
电力系统负荷预测是指从电力系统负荷自身的变化以及外部因素出发,通过历史数据,探索负荷及影响因素之间内在联系和规律,对电力需求做出预测。电力负荷预测分为长期、中期、短期及超短期预测,其中中长期电力负荷预测是指5~10年以上期间的负荷预测,主要用于电力系统的长期规划,解决电力系统的安全换新、电网改造与规划问题,是城市电力系统规划的重要组成部分。其负荷预测的准确性对城市安全平稳的用电活动起着至关重要的决定性作用。随着新时代经济社会的快速变化与发展、工农商产业结构不断优化调整以及新时代人民消费观与消费需求的变化,导致城市各方用电的需求发生了实质性的变化。同时天气气候状况、人类活动、电力负荷内在性质以及市场化的运转本身也带来了很多不确定性因素,给传统方法预测城市的中长期电力负荷带来了新的难度。另外随着巨大的用电需求以及电网系统的规模化、复杂化所产生的海量电网数据,以及中长期预测本身所需要的海量电网数据,使得传统的电力负荷方法早已不适应今天需求,无法高效处理海量电网数据成为必然趋势,加大数据的处理效率迫在眉睫。云计算技术是一种新型的计算模式,根据模型编写的程序可以并行执行数据处理,能够显著的提高数据处理效率。目前,在电力负荷预测方面,将编程模型投入电力负荷预测算法上进行处理海量电网数据还未有深入研究,因此,将此方法运用到电力负荷预测中具有实际意义。
目前,国内外常用的中长期电力负荷传统预测方法主要有:回归分析法、因果分析法、时间序列法、相关分析法、专家系统预测法等。近年来兴起一些比较流行的方法:人工神经网络预测法、模糊预测法、灰色预测法和系统动力法,这些算法为电力负荷预测问题的研究提供了有力的工具。其中,人工神经网络因其具有非线性、自组织、自学习、联想记忆等优良特性,是目前中长期电力负荷预测的一种先进手段。然而,单纯使用神经网络有许多缺陷,如训练速度慢、易陷入局部极小点和全局搜索能力弱等。基因表达算法(GEP)是遗传算法的一种改进,由于其能从概率的意义上以随机的方式寻求到问题的最优解而被用于电力负荷预测中,但单纯的遗传算法的应用中也会产生如早熟现象、局部寻优能力较差等问题。
发明内容
本发明的目的提供一种基于云计算技术的中长期电力负荷组合预测系统及方法,来解决传统方法无法准确并且高效地处理电力负荷预测的问题,通过使用本方法可以使得中长期电力负荷预测更加准确,以及高效进行海量电力数据处理,及时准确地分析电力负荷的规律,对电力需求做出预测。
一种基于云计算技术的中长期电力负荷组合预测系统,所述系统包括四个部分:数据预处理部分、基于GEP的负荷预测部分、基于Elman神经网络负荷预测部分、子负荷预测模型优化组合部分;
所述数据预处理部分对异常数据进行识别和处理,消除电力负荷数据中因偶然因素而产生的误差数据;
所述基于GEP的负荷预测部分采用融合的GA和GP的电力负荷预测算法;
所述基于Elman神经网络负荷预测部分利用Elman神经网络进行中长期电力负荷的预测;
所述子负荷预测模型组合部分对基于GEP的负荷预测部分和基于Elman神经网络负荷预测部分得出的负荷预测模型进行组合优化,从而得出理想的中长期电力负荷组合模型。
进一步地,所述数据预处理部分由两部分组成:原始数据噪声识别部分和噪声处理部分;对于原始的电力负荷数据采用基于相关系数k-means算法,筛选出异常数据,当聚类簇的密度ρτ<0.00032时,数据定义为噪声簇;筛选出噪声数据后,再在该数据出现的时间段采用中位值滤波算法,该算法的动态窗口大小设定为5,表示取该数据的前后各两个数据对该噪声数据进行修正,消除电力负荷数据中因偶然因素而产生的误差数据。
进一步地,所述基于GEP的负荷预测部分,分为数据分类与数据处理两部分;数据分类部分将数据分为三种类型,一是适合中期负荷预测的历史数据,二是适合长期负荷预测的历史数据,三是为弥补意外经济、环境、气候状况造成的电路负荷的变动情况而引入的负荷数据,避免负荷预测值与常规预测值出现较大偏差,扩展中长期电力负荷预测;数据处理部分利用Hadoop分布式处理结构,将三类数据由主节点分配到三个子节点分别独立的进行基于GEP算法的负荷预测。
进一步地,所述基于Elman神经网络负荷预测部分由两部分构成:基于GEP的Elman神经网络的权值优化输出、基于优化权值的基于Elman神经网络负荷预测;Hadoop的三个子节点分别建立独立的基于Elman神经网络,先对神经网络的权值采用GEP算法处理得到最优的优化权值,然后将最优的权值用到神经网络中训练负荷数据,最终输出基于Elman的负荷预测模型。
进一步地,子负荷预测模型优化组合部分,该部分将六个节点输出的六种子负荷预测模型采用组合优化算法,以达到最优的负荷模型效果。
一种基于云计算技术的中长期电力负荷组合预测方法,包括如下步骤:
步骤1:将海量电力负荷数据通过客户端写入HDFS文件管理系统,进入步骤2;
步骤2:Hadoop分布式计算平台从HDFS数据库中读取存储的电力负荷原始数据,对原始数据进行预处理以提高负荷预测的准确度;进入步骤3;
步骤3:聚类算法计算任意数据间的相关系数以及平均相关系数,从高到低取平均相关系数进行排序,选出前k个平均相关系数作为k-means聚类的聚类中心,聚类结束后,计算k个聚类簇的密度ρt,t=1,2,...,k,当ρτ<0.00032时样本记为噪声簇Z,进入步骤4;
步骤4:计算机程序处理噪声簇样本Z,对样本Z进行噪声数据并行滤波处理,滤波处理采用中位值滤波算法;将每个窗内的最大值和最小值计算出来后,去掉最大值和最小值后平均输出;进入步骤5;
步骤5:将预处理过后负荷数据根据时间分成三类,第一类数据整理为前两年半的历史负荷数据,第二类数据为前五年的历史负荷数据,第三类的数据提取前五年的负荷数据中受不稳定的经济、环境、极端气候等意外因素影响的负荷数据,进入步骤6;
步骤6:主节点读取分类后的数据并将三类数据分别分配给Hadoop平台的三个子节点,三个子节点都建立自身的基于基因表达式编程的小系统,进入步骤7;
步骤7:将分类后的三类数据处理成文本向量,并将其作为3种不同的训练集存储到HDFS,进入步骤8;
步骤8:Hadoop平台运行并行计算模型,主节点将处理过后的三类文本向量分别分配给另外三个子节点,每个节点建立自身的Elman神经网络,利用GEP算法分别对Elman神经网络的权值进行全局寻优,迭代结束后,得到最优的初始网络权值,进入步骤9;
步骤9:将输出的最优的权值分别运用到各节点的基于Elman神经网络中,训练读取的电力负荷数据,Elman神经网络算法进行迭代训练,满足最大迭代要求后输出训练后的神经网络结构,进入步骤10;
步骤10:对六个节点输出的神经网络模型汇总,采用组合优化算法,最终得出最优的电力负荷预测模型,进入步骤11;
步骤11:随机带入一组历史负荷数据到预测模型中,逐点观测预测值与实际值的差并且判断差值Δl是否大于3%,此过程在主节点中进行,若Δl小于3.5%,直接输出预测结果,循环结束;若Δl大于3.5%则进入步骤12;
步骤12:若Δl大于3.5%则引入扩展中长期负荷模型,令步骤10中的公式j=3,重新计算,最终输出组合预测的负荷模型,进入步骤13;
步骤13:循环结束。
进一步地,所述步骤2中预处理采用基于相关系数k-means算法,筛选出异常数据,定义相关系数:
定义聚集簇的密度为:
进一步地,步骤4中,中位值滤波算法为:
其中q为设定的窗宽大小,设为5,n为数据的长度,xmax、xmin为该窗口内数据的最大值和最小值。
进一步地,步骤10中,最优的电力负荷预测模型为:
其中的每个子节点计算结果的权值通过如下公式得出:
本发明达到的有益效果为:本发明提出了一种基于云计算技术的中长期电力负荷组合预测系统及方法,主要用于解决传统的电力负荷预测模型无法高效准确度地预测中长期电力负荷以及传统负荷模型无法应对庞大、复杂的电力负荷数据,通过本发明方法中提出的数据预处理和数据分类,并将其投入到并行的GEP算法和Elman神经网络算法中,在通过优化组合算法可以准确高效地预测出中长期电力负荷。
附图说明
图1是本发明实施例中所述基于云计算技术的中长期电力负荷组合预测系统的结构图。
图2是本发明实施例中所述基于云计算技术的中长期电力负荷组合预测方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于云计算技术的中长期电力负荷组合预测系统,包括四个部分:数据预处理部分、基于GEP的负荷预测部分、基于Elman神经网络负荷预测部分、子负荷预测模型优化组合部分。
数据预处理部分对异常数据进行识别和处理,消除电力负荷数据中因偶然因素而产生的误差数据;基于GEP的负荷预测部分采用融合的GA和GP的电力负荷预测算法;基于Elman神经网络负荷预测部分利用Elman神经网络进行中长期电力负荷的预测;子负荷预测模型组合部分对基于GEP的负荷预测部分和基于Elman神经网络负荷预测部分得出的负荷预测模型进行组合优化,从而得出理想的中长期电力负荷组合模型。
数据预处理部分由两部分组成:原始数据噪声识别部分和噪声处理部分;对于原始的电力负荷数据采用基于相关系数k-means算法,筛选出异常数据,当聚类簇的密度ρτ<0.00032时,数据定义为噪声簇;筛选出噪声数据后,再在该数据出现的时间段采用中位值滤波算法,该算法的动态窗口大小设定为5,表示取该数据的前后各两个数据对该噪声数据进行修正,消除电力负荷数据中因偶然因素而产生的误差数据。本方法采用传统的中位值滤波法可以有效消除电力负荷数据中因偶然因素而产生的误差数据。
基于GEP的负荷预测部分,分为数据分类与数据处理两部分;数据分类部分将数据分为三种类型,一是适合中期负荷预测的历史数据,二是适合长期负荷预测的历史数据,三是为弥补意外经济、环境、气候状况造成的电路负荷的变动情况而引入的负荷数据,避免负荷预测值与常规预测值出现较大偏差,扩展中长期电力负荷预测;数据处理部分利用Hadoop分布式处理结构,将三类数据由主节点分配到三个子节点分别独立的进行基于GEP算法的负荷预测。
基于Elman神经网络负荷预测部分由两部分构成:基于GEP的Elman神经网络的权值优化输出、基于优化权值的基于Elman神经网络负荷预测;Hadoop的三个子节点分别建立独立的基于Elman神经网络,先对神经网络的权值采用GEP算法处理得到最优的优化权值,然后将最优的权值用到神经网络中训练负荷数据,最终输出基于Elman的负荷预测模型。
子负荷预测模型优化组合部分,该部分将六个节点输出的六种子负荷预测模型采用组合优化算法,以达到最优的负荷模型效果。
一种基于云计算技术的中长期电力负荷组合预测方法,包括如下步骤:
步骤1:将海量电力负荷数据通过客户端写入HDFS文件管理系统,进入步骤2。
步骤2:Hadoop分布式计算平台从HDFS数据库中读取存储的电力负荷原始数据,对原始数据进行预处理以提高负荷预测的准确度;进入步骤3。
所述步骤2中预处理采用基于相关系数k-means算法,筛选出异常数据,定义相关系数:
定义聚集簇的密度为:
步骤3:聚类算法计算任意数据间的相关系数以及平均相关系数,从高到低取平均相关系数进行排序,选出前k个平均相关系数作为k-means聚类的聚类中心,聚类结束后,计算k个聚类簇的密度ρt,t=1,2,...,k,当ρτ<0.00032时样本记为噪声簇Z,进入步骤4。
步骤4:计算机程序处理噪声簇样本Z,对样本Z进行噪声数据并行滤波处理,滤波处理采用中位值滤波算法;将每个窗内的最大值和最小值计算出来后,去掉最大值和最小值后平均输出;进入步骤5。
步骤4中,中位值滤波算法为:
其中q为设定的窗宽大小,设为5,n为数据的长度,xmax、xmin为该窗口内数据的最大值和最小值。
步骤5:将预处理过后负荷数据根据时间分成三类,第一类数据整理为前两年半的历史负荷数据,第二类数据为前五年的历史负荷数据,第三类的数据提取前五年的负荷数据中受不稳定的经济、环境、极端气候等意外因素影响的负荷数据,进入步骤6。
步骤6:主节点读取分类后的数据并将三类数据分别分配给Hadoop平台的三个子节点,三个子节点都建立自身的基于基因表达式编程的小系统,进入步骤7。
步骤7:将分类后的三类数据处理成文本向量,并将其作为3种不同的训练集存储到HDFS,进入步骤8。
步骤8:Hadoop平台运行并行计算模型,主节点将处理过后的三类文本向量分别分配给另外三个子节点,每个节点建立自身的Elman神经网络,利用GEP算法分别对Elman神经网络的权值进行全局寻优,迭代结束后,得到最优的初始网络权值,进入步骤9。
步骤9:将输出的最优的权值分别运用到各节点的基于Elman神经网络中,训练读取的电力负荷数据,Elman神经网络算法进行迭代训练,满足最大迭代要求后输出训练后的神经网络结构,进入步骤10。
步骤10:对六个节点输出的神经网络模型汇总,采用组合优化算法,最终得出最优的电力负荷预测模型,进入步骤11。步骤10中,最优的电力负荷预测模型为:
其中的每个子节点计算结果的权值通过如下公式得出:
步骤11:随机带入一组历史负荷数据到预测模型中,逐点观测预测值与实际值的差并且判断差值Δl是否大于3%,此过程在主节点中进行,若Δl小于3.5%,直接输出预测结果,循环结束;若Δl大于3.5%则进入步骤12。
步骤12:若Δl大于3.5%则引入扩展中长期负荷模型,令步骤10中的公式j=3,重新计算,最终输出组合预测的负荷模型,进入步骤13。
步骤13:循环结束。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.一种基于云计算技术的中长期电力负荷组合预测系统,其特征在于:
所述系统包括四个部分:数据预处理部分、基于GEP的负荷预测部分、基于Elman神经网络负荷预测部分、子负荷预测模型优化组合部分;
所述数据预处理部分对异常数据进行识别和处理,消除电力负荷数据中因偶然因素而产生的误差数据;
所述数据预处理部分由两部分组成:原始数据噪声识别部分和噪声处理部分;对于原始的电力负荷数据采用基于相关系数k-means算法,筛选出异常数据,当聚类簇的密度ρt<0.00032时,数据定义为噪声簇;筛选出噪声数据后,再在该数据出现的时间段采用中位值滤波算法,该算法的动态窗口大小设定为5,表示取该数据的前后各两个数据对该噪声数据进行修正,消除电力负荷数据中因偶然因素而产生的误差数据;
所述基于GEP的负荷预测部分采用融合的GA和GP的电力负荷预测算法;
所述基于Elman神经网络负荷预测部分利用Elman神经网络进行中长期电力负荷的预测;
所述基于Elman神经网络负荷预测部分由两部分构成:基于GEP的Elman神经网络的权值优化输出、基于优化权值的基于Elman神经网络负荷预测;Hadoop的三个子节点分别建立独立的基于Elman神经网络,先对神经网络的权值采用GEP算法处理得到最优的优化权值,然后将最优的权值用到神经网络中训练负荷数据,最终输出基于Elman的负荷预测模型;
所述子负荷预测模型组合部分对基于GEP的负荷预测部分和基于Elman神经网络负荷预测部分得出的负荷预测模型进行组合优化,从而得出理想的中长期电力负荷组合模型。
2.根据权利要求1所述的一种基于云计算技术的中长期电力负荷组合预测系统,其特征在于:所述基于GEP的负荷预测部分,分为数据分类与数据处理两部分;数据分类部分将数据分为三种类型,一是适合中期负荷预测的历史数据,二是适合长期负荷预测的历史数据,三是为弥补意外经济、环境、气候状况造成的电路负荷的变动情况而引入的负荷数据,避免负荷预测值与常规预测值出现较大偏差,扩展中长期电力负荷预测;数据处理部分利用Hadoop分布式处理结构,将三类数据由主节点分配到三个子节点分别独立的进行基于GEP算法的负荷预测。
3.根据权利要求1所述的一种基于云计算技术的中长期电力负荷组合预测系统,其特征在于:子负荷预测模型优化组合部分,将六个节点输出的六种子负荷预测模型采用组合优化算法,以达到最优的负荷模型效果。
4.一种基于云计算技术的中长期电力负荷组合预测方法,其特征在于:包括如下步骤:
步骤1:将海量电力负荷数据通过客户端写入HDFS文件管理系统,进入步骤2;
步骤2:Hadoop分布式计算平台从HDFS数据库中读取存储的电力负荷原始数据,对原始数据进行预处理以提高负荷预测的准确度;进入步骤3;
步骤3:聚类算法计算任意数据间的相关系数以及平均相关系数,从高到低取平均相关系数进行排序,选出前k个平均相关系数作为k-means聚类的聚类中心,聚类结束后,计算k个聚类簇的密度ρt,t=1,2,...,k,当ρt<0.00032时样本记为噪声簇Z,进入步骤4;
步骤4:计算机程序处理噪声簇样本Z,对样本Z进行噪声数据并行滤波处理,滤波处理采用中位值滤波算法;将每个窗内的最大值和最小值计算出来后,去掉最大值和最小值后平均输出;进入步骤5;
步骤5:将预处理过后负荷数据根据时间分成三类,第一类数据整理为前两年半的历史负荷数据,第二类数据为前五年的历史负荷数据,第三类的数据提取前五年的负荷数据中受不稳定的经济、环境、极端气候的意外因素影响的负荷数据,进入步骤6;
步骤6:主节点读取分类后的数据并将三类数据分别分配给Hadoop平台的三个子节点,三个子节点都建立自身的基于基因表达式编程的小系统,进入步骤7;
步骤7:将分类后的三类数据处理成文本向量,并将其作为3种不同的训练集存储到HDFS,进入步骤8;
步骤8:Hadoop平台运行并行计算模型,主节点将处理过后的三类文本向量分别分配给另外三个子节点,每个节点建立自身的Elman神经网络,利用GEP算法分别对Elman神经网络的权值进行全局寻优,迭代结束后,得到最优的初始网络权值,进入步骤9;
步骤9:将输出的最优的权值分别运用到各节点基于的Elman神经网络中,读取电力负荷数据,对Elman神经网络算法进行迭代训练,满足最大迭代要求后输出训练后的神经网络结构,进入步骤10;
步骤10:对六个节点输出的神经网络模型汇总,采用组合优化算法,最终得出最优的电力负荷预测模型,进入步骤11;
步骤10中,最优的电力负荷预测模型为:
其中的每个子节点计算结果的权值通过如下公式得出:
步骤11:随机代入一组历史负荷数据到预测模型中,逐点观测预测值与实际值的差并且判断差值Δl是否大于3.5%,此过程在主节点中进行,若Δl小于3.5%,直接输出预测结果,循环结束;若Δl大于3.5%则进入步骤12;
步骤12:若Δl大于3.5%则引入扩展中长期负荷模型,令步骤10中的公式j=3,重新计算,最终输出组合预测的负荷模型,进入步骤13;
步骤13:循环结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118797.0A CN111340291B (zh) | 2020-02-26 | 2020-02-26 | 一种基于云计算技术的中长期电力负荷组合预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118797.0A CN111340291B (zh) | 2020-02-26 | 2020-02-26 | 一种基于云计算技术的中长期电力负荷组合预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340291A CN111340291A (zh) | 2020-06-26 |
CN111340291B true CN111340291B (zh) | 2022-09-02 |
Family
ID=71185657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118797.0A Active CN111340291B (zh) | 2020-02-26 | 2020-02-26 | 一种基于云计算技术的中长期电力负荷组合预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340291B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201463177U (zh) * | 2009-01-16 | 2010-05-12 | 深圳职业技术学院 | 基于负荷预测的中央空调优化节能控制系统 |
CN106407593A (zh) * | 2016-10-10 | 2017-02-15 | 哈尔滨理工大学 | 一种基于gep的高速铁路路基沉降预测系统 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
-
2020
- 2020-02-26 CN CN202010118797.0A patent/CN111340291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201463177U (zh) * | 2009-01-16 | 2010-05-12 | 深圳职业技术学院 | 基于负荷预测的中央空调优化节能控制系统 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106407593A (zh) * | 2016-10-10 | 2017-02-15 | 哈尔滨理工大学 | 一种基于gep的高速铁路路基沉降预测系统 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111340291A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
WO2022047658A1 (zh) | 日志异常检测系统 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
Zhang et al. | Short-term power load forecasting using integrated methods based on long short-term memory | |
CN111401603A (zh) | 一种多类型能源需求预测方法 | |
Kuang et al. | An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks | |
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 | |
CN116307212B (zh) | 一种空气质量预测方法及系统 | |
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 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115099519A (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN114444561A (zh) | 基于CNNs-GRU融合深度学习模型的PM2.5预测方法 | |
CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN111340291B (zh) | 一种基于云计算技术的中长期电力负荷组合预测系统及方法 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN117056763A (zh) | 基于变分图嵌入的社区发现方法 | |
CN117093885A (zh) | 融合分层聚类和粒子群的联邦学习多目标优化方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 |
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 |