CN111461404A - 一种基于神经网络预测区间的短期负荷和水电预测方法 - Google Patents
一种基于神经网络预测区间的短期负荷和水电预测方法 Download PDFInfo
- Publication number
- CN111461404A CN111461404A CN202010156679.9A CN202010156679A CN111461404A CN 111461404 A CN111461404 A CN 111461404A CN 202010156679 A CN202010156679 A CN 202010156679A CN 111461404 A CN111461404 A CN 111461404A
- Authority
- CN
- China
- Prior art keywords
- prediction
- neural network
- prediction interval
- training
- interval
- 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 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000035772 mutation Effects 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000001932 seasonal effect Effects 0.000 claims description 22
- 230000007774 longterm Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 229910010888 LiIn Inorganic materials 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000013179 statistical model Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- 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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络预测区间的短期负荷和水电预测方法，该方法包括以下步骤：搜集原始数据，拆分数据为互斥的三组数据集；归一化训练集、验证集、测试集；采用序列差分的方式处理时间序列，选择输入的神经网络；初始化神经网络权值和粒子群优化算法参数；更新速度和位置；引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；训练结果评估；更新参数；训练终止；测试结果。通过该方法，提出了一种新的预测区间构造方法；提出了一种新的目标优化算法；提出一种新的单目标优化问题求解算法；提出了一种新的预测区间宽度评价指标，提高了训练效果；具有简易性、可靠性、应用性广的优点。
Description
技术领域
本发明涉及工业节能技术领域，具体来说，涉及种基于神经网络预测区间的短期负荷和水电预测方法。
背景技术
由于气候的随机性和风能、太阳能等可再生能源的渗透，电力系统的不确定性增加，使得短期负荷预测对于智能电网的控制和调度具有重要意义。
目前广泛应用于电力负荷和可再生能源预测的预测模型可分为三类：一是统计模型，例如自回归模型(AR)、自回归综合移动平均模型(ARIMA)和指数平滑模型(ES)模型；二是人工智能模型，如神经网络(NNs)、模糊逻辑系统(FLSs)、专家系统等；三是混合模型如神经模糊系统等。目前大多数的短期负荷预测以及风电负荷预测的应用多为点预测，然而点预测的缺点是不能很好处理数据集相关的不确定性。
点预测，一个目标值只提供一个预测值。点预测只提供预测误差，而不提供正确预测的概率。
Delta、贝叶斯(Bayesian)和自助法(bootstrap)是三种常用的基于神经网络方法来构造预测区间的方法。它们尽管有预测区间的优点，这些方法的应用仍然不如神经网络点预测。实施上的困难，对数据分布的特殊假设，以及大量的计算需求，阻碍了这些决策方法的广泛应用。
发明内容
针对相关技术中的上述技术问题，本发明提出种基于神经网络预测区间的短期负荷和水电预测方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于神经网络预测区间的短期负荷和水电预测方法，该方法包括以下步骤：
S1：搜集原始数据，拆分数据为互斥的三组数据集，其中，数据集为训练集、验证集、测试集；
S2：归一化训练集、验证集、测试集，其中，数值范围为[-1，1]；
S3：采用序列差分的方式处理时间序列，选择输入的神经网络；
S4：初始化神经网络权值和粒子群优化算法参数，其中，采用Nguyen–Widrow方法初始化神经网络权值；
S5：更新速度和位置，其中，更新公式为
xn(t+1)＝xn(t)+vn(t+1)，
其中，Vn为第n维的粒子速度，rand()为0-1之间的随机数，W表示尺度因子，pbest是每个粒子的最优值，gbest，是整个粒子群的最优值，c1和c2为决定pbest和gbest，相对拉力的尺度因子，除了两次更新外，速度和位置的范围分别限制在Vmax和Xmax,Vmax为最大速度，Xmax为最大位置；
S6：引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；
S7：训练结果评估；
所述步骤S7包括以下步骤：
S71：组合训练集和验证集训练神经网络；
S72：更新神经网络连接权值，应用上下界估计方法构造新的预测区间，计算预测区间的评价指标；
S73：合成评估结果；
S8：更新参数；
S9：训练终止，其中，将训练终止的条件设定为最大迭代次数的取值范围或在一定迭代次数下进行的少量改进；
S10：测试结果。
进一步的，所述步骤S3中采用序列差分的方式处理时间序列的步骤包括以下步骤：
S31：依据时间序列的月、季度数据，得到水电站水流量12个月或4个季度的移动平均值，获得长期的趋势T，其中，T为长期的移动平均值趋势数据；
S32：依据乘法模型，计算
其中，Y表示年份，S代表季节成分，C代表周期成分，I代表不规则成分；
S33：将
值重新依据各个年份的同月份或同季度的平均值，得出各个年份同月份或同季度的简单算数平均数Ai；
S34：将各个年份同月份或同季度的简单算术平均数Ai作为分子，将所有月份或季度的总的算术平均数
作为分母，计算并获得每个月份或季度的季节比率Si，其中，季节比率即为季节因素对水流量长期趋势的修正系数，计算公式为
N为样本数量；
S35：对应t期的预测值，得到去除季节性因素的Tt与t期对应季节性Si的乘积，其中，Tt为t期趋势数据。
进一步的，所述步骤S4中，粒子群优化算法的参数初始化分为粒子位置初始化和速度初始化。
进一步的，所述步骤S7中，采用覆盖概率和宽度来评估预测区间的预测质量。
进一步的，评估指标为预测区间覆盖率、布尔变量取值函数、预测区间标准化平均宽度、预测区间标准化均方根宽度、基于覆盖宽度的准则，其中，布尔变量取值函数为
yi为响应变量y在样本数i时的值，如果yi在上界Ui和下界Li之间，则∈i＝1，否则为0；预测区间标准化平均宽度为
R是相应变量的极差，Ui是上界，Li是下界；预测区间标准化均方根宽度为
在实践中，需要采取措施综合评价信息系统的整体质量，评价公式为
CWC＝PINAW(1+γ(PICP)e-η(PICP-μ))，
CWC是基于覆盖宽度的准则，PICP是预测区间覆盖率，γ(PICP)为阶跃函数；在γ(PICP)＝1进行训练，μ和η是两个共同旋转参数，依据名义置信水平(1-α)％选择参数。
进一步的，所述步骤S10包括以下步骤：
S101：依据训练过程产生的区间预测模型，将模型应用在测试集上，合成测试集的预测区间；
S102：计算测试数据的PICP和PINAW及CWC；
S103：记录测试结果。
进一步的，所述步骤S101-S103过程中需要重复十次。
本发明的有益效果：通过该方法，提出了一种新的预测区间构造方法，即下上限估计(LUBE)方法，LUBE方法不需要做数据分布的假设，没有雅可比矩阵和海森矩阵的计算，方法更简单、更快、更可靠；提出了一种新的目标优化算法，相比与传统的预测区间覆盖率与宽度的多目标优化问题，将问题转换为只优化预测区间宽度的单目标优化问题，预测区间覆盖率设置为约束条件，新的约束单目标问题公式更接近主要问题，参数比成本函数少；提出一种新的单目标优化问题求解算法，采用具有较强参数优化能力的粒子群优化算法来解决单目标优化问题，在遗传算法中引入了变异算子，提高了算法的探索性和跳出局部最优的能力，新算法更智能、更强大；提出了一种新的预测区间宽度评价指标，即归一化均方根宽度，归一化均方根宽度给每一个预测区间的宽度相同的权重，能够放大预测误差，从而提高了训练效果；简易性，与传统模型相比，本发明能显著提高预期区间的质量且其构建时间更短；可靠性，本发明能够避免传统预测方法产生的奇异性问题，提高预测区间的准确性和可靠性；应用性广，由于传统方法的复杂性使得短期负荷预测不能够广泛地推行，而本发明针对性强，方便快捷使得本发明能够广泛地应用于实际案例中。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于神经网络预测区间的短期负荷和水电预测方法的流程框图；
图2是根据本发明实施例所述的一种基于神经网络预测区间的短期负荷和水电预测方法的符号神经网络的网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的一种基于神经网络预测区间的短期负荷和水电预测方法，包括以下步骤：
S1：搜集原始数据，拆分数据为互斥的三组数据集，其中，数据集为训练集、验证集、测试集；
S2：归一化训练集、验证集、测试集，其中，数值范围为[-1，1]；
S3：采用序列差分的方式处理时间序列，选择输入的神经网络；
S4：初始化神经网络权值和粒子群优化算法参数，其中，采用Nguyen–Widrow方法初始化神经网络权值；
S5：更新速度和位置，其中，更新公式为
xn(t+1)＝xn(t)+vn(t+1)，
其中，Vn为第n维的粒子速度，rand()为0-1之间的随机数，W为尺度因子，pbest是每个粒子的最优值，gbest，是整个粒子群的最优值，c1和c2为决定pbest和gbest，相对拉力的尺度因子,除了两次更新外，速度和位置的范围分别限制在Vmax和Xmax,Vmax为最大速度，Xmax为最大位置；
S6：引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；
S7：训练结果评估；
所述步骤S7包括以下步骤：
S71：组合训练集和验证集训练神经网络；
S72：更新神经网络连接权值，应用上下界估计方法构造新的预测区间，计算预测区间的评价指标；
S73：合成评估结果；
S8：更新参数；
S9：训练终止，其中，将训练终止的条件设定为最大迭代次数的取值范围或在一定迭代次数下进行的少量改进；
S10：测试结果。
步骤S3中采用序列差分的方式处理时间序列的步骤包括以下步骤：
S31：依据时间序列的月、季度数据，得到水电站水流量12个月或4个季度的移动平均值，获得长期的趋势T，其中，T为长期的移动平均值趋势数据；
S32：依据乘法模型，计算
其中，Y表示年份，S代表季节成分，C代表周期成分，I代表不规则成分；
S33：将
值重新依据各个年份的同月份或同季度的平均值，得出各个年份同月份或同季度的简单算数平均数Ai；
S34：将各个年份同月份或同季度的简单算术平均数Ai作为分子，将所有月份或季度的总的算术平均数
作为分母，计算并获得每个月份或季度的季节比率Si，其中，季节比率即为季节因素对水流量长期趋势的修正系数，计算公式为
N为样本数量；
S35：对应t期的预测值，得到去除季节性因素的Tt与t期对应季节性Si的乘积，其中，Tt为t期趋势数据。
在本发明的一个具体实施例中，所述步骤S4中，粒子群优化算法的参数初始化分为粒子位置初始化和速度初始化。
在本发明的一个具体实施例中，所述步骤S7中，采用覆盖概率和宽度来评估预测区间的预测质量。
在本发明的一个具体实施例中，评估指标为预测区间覆盖率、布尔变量取值函数、预测区间标准化平均宽度、预测区间标准化均方根宽度、基于覆盖宽度的准则，其中，布尔变量取值函数为
yi为响应变量y在样本数i时的值，如果yi在上界Ui和下界Li之间，则∈i＝1，否则为0；预测区间标准化平均宽度为
R是相应变量的极差，Ui是上界，Li是下界；预测区间标准化均方根宽度为
在实践中，需要采取措施综合评价信息系统的整体质量，评价公式为
CWC＝PINAW(1+γ(PICP)e-η(PICP-μ))，
CWC是基于覆盖宽度的准则，PICP是预测区间覆盖率，γ(PICP)为阶跃函数；在γ(PICP)＝1进行训练，μ和η是两个共同旋转参数，依据名义置信水平(1-α)％选择参数。
步骤S10包括以下步骤：
S101：依据训练过程产生的区间预测模型，将模型应用在测试集上，合成测试集的预测区间；
S102：计算测试数据的PICP和PINAW及CWC；
S103：记录测试结果。
在本发明的一个具体实施例中，所述步骤S101-S103过程中需要重复十次。
为了方便理解本发明的上述技术方案，以下对本发明的上述技术方案进行详细说明。
本发明提出了一种新的预测区间构造方法--下上限估计(LUBE)方法。LUBE方法不做数据分布的假设，避免了雅可比矩阵和海森矩阵的计算。预测区间是量化与点预测和预测相关的不确定性的极好工具。本发明采用的LUBE方法，将原多目标问题成功地转化为约束单目标问题，这种新的问题公式的优点是更接近原始问题，参数比代价函数少。同时将具有较强参数调整搜索能力的粒子群优化算法与变异算子相结合，随着现在智能电网搜索能力的增强，粒子群算法可以被用来解决新问题和训练神经网络模型，相关分析可以被应用于帮助选择神经网络模型的输入，能够获得水电机组和负荷机组较高的预测区间覆盖率和较窄的预测区间标准化平均宽度，同时预测区间的构建时间会相对较短。
进一步具体包括以下步骤：
1.数据拆分
搜集原始数据，并将整个数据集拆分为互斥的三组数据：①训练集；②验证集；③测试集。训练集用于训练模型，调整神经网络的连接权值参数；验证集用于确定最优神经网络结构和其他待定参数；测试集将评估算法的最终性能。数据拆分之后，训练和验证数据集需要归一化处理，数值范围为[-1,1]，测试集也应用相同的设置进行归一化。
2.去除季节效应与相关分析
由于原始时间序列常常存在序列不平稳现象，呈现出随机波动性，季节性等特征，采用序列差分的方式使时间序列平稳，该方法对季节性时间序列特别有效，同时应用相关分析法对神经网络的输入进行选择。而去除时间序列季节性的影响主要步骤有：
(1)根据时间序列的分月(季)数据，得到水电站水流量12个月或4个季度的移动平均值，获得长期的趋势T；
(2)根据乘法模型得到
其中S代表季节成分，C代表周期成分，I代表不规则成分，从而消除季节性对水流量长期趋势的影响；
(3)将
值重新按照各个年份的同月份(季)的平均值，得出各个年份同月份(季)的简单算术平均数Ai；
(4)将各个年份同月份(季)的简单算术平均数Ai作为分子，将所有月份(季节)的总的算术平均数
作为分母，获得每个月份(季)的季节比率Si，即季节因素对水流量长期趋势的修正系数
(5)对应t期的预测值，则能够得到去除季节性因素的Ti与t期对应季节比率Si的乘积：Yt＝Tt×Si
3.最优神经网络结构选择
传统的基于神经网络的区间预测方法有两个步骤：
(1)网络将给定的数据集回归到指定的模型或函数，这与点预测相同；
(2)假定的数据分布，统计计算均值、方差、Jacobian矩阵、Hessian矩阵，根据这些结果构建区间范围。
传统方法存在诸多问题，例如，delta方法假设了数据和剩余分布。在区间范围构造过程中由于传统方法的复杂性阻碍了预测区间的广泛应用，我们在神经网络预测区间的构造中，提出了一种新的预测区间的下上界估计方法，定义为下上界估计方法的符号神经网络，其网络结构图如图2所示。
下上界估计方法采用两输出的神经网络，在不考虑数据分布的情况下，一步直接构造预测区间。神经网络的两个输出对应于预测区间的上下界。这种设计格式类似于点预测，预测区间的构造过程简单明了。但是它与点预测的功能是完全不同的，在实际的神经网络模型中，每层的层数和神经元数可以是任意的，网络可以有多个输入层，多个隐藏层，提高了网络的拓展性。
对于每个候选神经网络结构，使用训练和验证集对其进行交叉训练和验证。使用PINAW的中值来确定神经网络的最优结构以及相关参数。
4.初始化
神经网络权值和粒子群优化算法参数的初始化是关键，影响着预测区间的质量和算法的可重复性，选择Nguyen–Widrow(NW)方法进行神经网络权值初始化。
粒子群优化算法的参数初始化包括粒子位置初始化和速度初始化。由于神经网络连接权值表示为粒子的位置，所以权值初始化已经完成。粒子速度用零对称数随机初始化。
5.速度和位置更新
速度和位置更新是粒子群算法的核心。这些粒子将在更新过程中相互交换它们的发现，使得信息将被有效地交换，速度和位置能够通过粒子群进行有效快速变化。速度和位置更新的公式如下所示：
xn(t+1)＝xn(t)+vn(t+1)，
其中Vn为第n维的粒子速度，rand()为0-1之间的随机数，W为尺度因子，c1和c2为决定pbest，n和gbest，n相对拉力的尺度因子。除了两次更新外，速度和位置的范围分别限制在Vmax和Xmax。
6.变异算子
选择、交叉和变异是遗传算法的三种主要操作。在遗传算法中引入变异算子，实现遗传算法的多样性。这种集成大大增强了搜索能力，避免陷入局部最优。在流程图中，位置更新后每个连接权值都加入了高斯突变。高斯分布的均值和标准差分别为权值10％。随着优化的进行，突变率呈指数递减。
7.训练结果评估
训练集和验证集被组合在一起来训练神经网络。在神经网络连接权值更新后，应用上下界估计方法构造新的预测区间，计算预测区间的评价指标。
预测区间的预测质量采用覆盖概率和宽度来进行评价。评估指标如下：
(1)预测区间覆盖率：
其中，N为样本数量，εi为布尔变量，显示了预测区间的覆盖表现。为了获得有效的预测区间,PICP不应小于预测区间的名义置信水平。
(2)布尔变量取值函数：
其中，yi为响应变量y在样本数i时的值，如果yi在上界Ui和下界Li之间，则∈i＝1，否则为0。
(3)预测区间标准化平均宽度：
其中R是相应变量的极差(最大值-最小值)，Ui是上界，Li是下界。使用R的目的是归一化误差，使该预测指标能够有更通用的评估标准。
(4)预测区间标准化均方根宽度：
在实践中，实验结果表明PINRW比PINAW更倾向于获得高质量的预测区间。
(5)基于覆盖宽度的准则：
PICP和PINAW(或PINRW)分别只评估预测区间的一个方面。在实践中，需要采取措施综合评价信息系统的整体质量。
CWC＝PINAW(1+γ(PICP)e-η(PICP-μ))，
其中，CWC是基于覆盖宽度的准则，PINAW是预测区间标准化平均宽度，PICP是预测区间覆盖率；在γ(PICP)＝1进行训练，μ和η是两个共同旋转参数，依据名义置信水平(1-α)％选择参数。
如果预先分配的PICP得到满足，那么两个CWC之间的比较将更关注窄的PINAW。因此,对于测试样本,γ(PICP)是一个阶跃函数,其价值是PICP的满意度决定的，如下：
8.更新参数
CWC作为中定义的成本函数：
Minimize：CWC(ω)。
CWC成本函数对PICP和PINAW进行了综合评估。在训练过程的开始，PICP通常是很低的，然后CWC给了一个突增的指数惩罚。随着训练的进行，PICP变得越来越高，对不满意的PICP的惩罚指数下降。一旦PICP覆盖了μ，预测区间的PINAW和PINRW与PICP之间会产生一个有效平衡。
pbest是每个粒子的最优值，gbest，是整个粒子群的最优值。与成本函数法相比，约束单目标优化法有不同之处。当更新p最优和g最优时，将可行性和目标函数一起考虑。
9.训练终止
将训练终止的条件可以设定为最大迭代次数的取值范围，也可以设定为在一定迭代次数下进行的少量改进。至此，对训练数据和验证数据训练完成。
10.测试结果
依据训练过程产生的区间预测模型，将模型应用在测试集上，并生成测试集的预测区间，同时计算测试数据的PICP和PINAW以及CWC。整个过程需要重复十次，并记录每次的测试结果。
综上所述，借助于本发明的上述技术方案，通过该方法，提出了一种新的预测区间构造方法，即下上限估计(LUBE)方法，LUBE方法不需要做数据分布的假设，没有雅可比矩阵和海森矩阵的计算，方法更简单、更快、更可靠；提出了一种新的目标优化算法，相比与传统的预测区间覆盖率与宽度的多目标优化问题，将问题转换为只优化预测区间宽度的单目标优化问题，预测区间覆盖率设置为约束条件，新的约束单目标问题公式更接近主要问题，参数比成本函数少；提出一种新的单目标优化问题求解算法，采用具有较强参数优化能力的粒子群优化算法来解决单目标优化问题，在遗传算法中引入了变异算子，提高了算法的探索性和跳出局部最优的能力，新算法更智能、更强大；提出了一种新的预测区间宽度评价指标，即归一化均方根宽度，归一化均方根宽度给每一个预测区间的宽度相同的权重，能够放大预测误差，从而提高了训练效果；简易性，与传统模型相比，本发明能显著提高预期区间的质量且其构建时间更短；可靠性，本发明能够避免传统预测方法产生的奇异性问题，提高预测区间的准确性和可靠性；应用性广，由于传统方法的复杂性使得短期负荷预测不能够广泛地推行，而本发明针对性强，方便快捷使得本发明能够广泛地应用于实际案例中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，包括以下步骤：
S1：搜集原始数据，拆分数据为互斥的三组数据集，其中，数据集为训练集、验证集、测试集；
S2：归一化训练集、验证集、测试集，其中，数值范围为[-1，1]；
S3：采用序列差分的方式处理时间序列，选择输入的神经网络；
S4：初始化神经网络权值和粒子群优化算法参数，其中，采用Nguyen-Widrow方法初始化神经网络权值；
S5：更新速度和位置，其中，更新公式为
xn(t+1)＝xn(t)+Vn(t+1)，
其中，Vn为第n维的粒子速度，rand()为0-1之间的随机数，W为尺度因子，pbest是每个粒子的最优值，gbest，是整个粒子群的最优值，c1和c2为决定pbest和gbest，相对拉力的尺度因子，除了两次更新外，速度和位置的范围分别限制在Vmax和Xmax，Vmax为最大速度，Xmax为最大位置；
S6：引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；
S7：训练结果评估；
所述步骤S7包括以下步骤：
S71：组合训练集和验证集训练神经网络；
S72：更新神经网络连接权值，应用上下界估计方法构造新的预测区间，计算预测区间的评价指标；
S73：合成评估结果；
S8：更新参数；
S9：训练终止，其中，将训练终止的条件设定为最大迭代次数的取值范围或在一定迭代次数下进行的少量改进；
S10：测试结果。
2.根据权利要求1所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，所述步骤S3中采用序列差分的方式处理时间序列的步骤包括以下步骤：
S31：依据时间序列的月、季度数据，得到水电站水流量12个月或4个季度的移动平均值，获得长期的趋势T，其中，T为长期的移动平均值趋势数据；
S32：依据乘法模型，计算
其中，Y表示年份，S代表季节成分，C代表周期成分，I代表不规则成分；
S33：将
值重新依据各个年份的同月份或同季度的平均值，得出各个年份同月份或同季度的简单算数平均数Ai；
S34：将各个年份同月份或同季度的简单算术平均数Ai作为分子，将所有月份或季度的总的算术平均数
作为分母，计算并获得每个月份或季度的季节比率Si，其中，季节比率即为季节因素对水流量长期趋势的修正系数，计算公式为
N为样本数量；
S35：对应t期的预测值，得到去除季节性因素的Tt与t期对应季节性Si的乘积，其中，Tt为t期趋势数据。
3.根据权利要求1所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，所述步骤S4中，粒子群优化算法的参数初始化分为粒子位置初始化和速度初始化。
4.根据权利要求1所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，所述步骤S7中，采用覆盖概率和宽度来评估预测区间的预测质量。
5.根据权利要求4所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，评估指标为预测区间覆盖率、布尔变量取值函数、预测区间标准化平均宽度、预测区间标准化均方根宽度、基于覆盖宽度的准则，其中，布尔变量取值函数为
yi为响应变量y在样本数i时的值，如果yi在上界Ui和下界Li之间，则∈i＝1，否则为0；预测区间标准化平均宽度为
R是相应变量的极差，Ui是上界，Li是下界；预测区间标准化均方根宽度为
在实践中，需要采取措施综合评价信息系统的整体质量，评价公式为
CWC＝PINAW(1+γ(PICP)e-η(PICP-μ))，
CWC是基于覆盖宽度的准则，PICP是预测区间覆盖率，γ(PICP)为阶跃函数；在γ(PICP)＝1进行训练，μ和η是两个共同旋转参数，依据名义置信水平(1-α)％选择参数。
6.根据权利要求1所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，所述步骤S10包括以下步骤：
S101：依据训练过程产生的区间预测模型，将模型应用在测试集上，合成测试集的预测区间；
S102：计算测试数据的PICP和PINAW及CWC；
S103：记录测试结果。
7.根据权利要求6所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，所述步骤S101-S103过程中需要重复十次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010156679.9A CN111461404A (zh) | 2020-03-09 | 2020-03-09 | 一种基于神经网络预测区间的短期负荷和水电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010156679.9A CN111461404A (zh) | 2020-03-09 | 2020-03-09 | 一种基于神经网络预测区间的短期负荷和水电预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461404A true CN111461404A (zh) | 2020-07-28 |
Family
ID=71684223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010156679.9A Pending CN111461404A (zh) | 2020-03-09 | 2020-03-09 | 一种基于神经网络预测区间的短期负荷和水电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461404A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365033A (zh) * | 2020-10-26 | 2021-02-12 | 中南大学 | 一种风电功率区间预测方法、系统及存储介质 |
| CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
| CN114219150A (zh) * | 2021-12-15 | 2022-03-22 | 浙江大学 | 基于自适应优化构造区间的电力负荷区间预测方法 |
| CN115130776A (zh) * | 2022-07-13 | 2022-09-30 | 江南大学 | 基于拉氏非对称ν型TSVR的风电场负荷预测方法 |
| CN117273802A (zh) * | 2023-09-25 | 2023-12-22 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的中短期售电量预测方法 |
-
2020
- 2020-03-09 CN CN202010156679.9A patent/CN111461404A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365033A (zh) * | 2020-10-26 | 2021-02-12 | 中南大学 | 一种风电功率区间预测方法、系统及存储介质 |
| CN112365033B (zh) * | 2020-10-26 | 2024-03-22 | 中南大学 | 一种风电功率区间预测方法、系统及存储介质 |
| CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
| CN112488399B (zh) * | 2020-12-04 | 2024-04-23 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
| CN114219150A (zh) * | 2021-12-15 | 2022-03-22 | 浙江大学 | 基于自适应优化构造区间的电力负荷区间预测方法 |
| CN114219150B (zh) * | 2021-12-15 | 2022-09-23 | 浙江大学 | 基于自适应优化构造区间的电力负荷区间预测方法 |
| CN115130776A (zh) * | 2022-07-13 | 2022-09-30 | 江南大学 | 基于拉氏非对称ν型TSVR的风电场负荷预测方法 |
| CN117273802A (zh) * | 2023-09-25 | 2023-12-22 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的中短期售电量预测方法 |
| CN117273802B (zh) * | 2023-09-25 | 2024-01-19 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的中短期售电量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
| 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 | |
| CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
| Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
| CN114811713B (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
| 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 | |
| CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
| CN116245030A (zh) | 一种参数自动反馈调节的深度学习需水预测方法 | |
| Zhang et al. | Two-stage reinforcement learning policy search for grid-interactive building control | |
| Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
| CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
| CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
| CN110322342B (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
| CN112182951A (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
| CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| JP3056324B2 (ja) | 学習／想起方法および装置 | |
| CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
| CN114219122A (zh) | 基于网格气象数据的小水电站发电功率超短期预测方法 |
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 |