CN111539558A - 一种采用优化极限学习机的电力负荷预测方法 - Google Patents
一种采用优化极限学习机的电力负荷预测方法 Download PDFInfo
- Publication number
- CN111539558A CN111539558A CN202010259530.3A CN202010259530A CN111539558A CN 111539558 A CN111539558 A CN 111539558A CN 202010259530 A CN202010259530 A CN 202010259530A CN 111539558 A CN111539558 A CN 111539558A
- Authority
- CN
- China
- Prior art keywords
- sequence
- food source
- prediction
- power load
- prediction model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 230000003203 everyday effect Effects 0.000 claims abstract description 4
- 241000257303 Hymenoptera Species 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06N3/02—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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明公开了一种采用优化极限学习机的电力负荷预测方法，包括：1、以采样率fs采集电力负荷在待预测日之前N天内的值，每天采集M次，得到长度为N*M的电力负荷采样序列，对所述采样序列进行归一化，作为原始序列X(k)；2、对X(k)做EMD分解，得到多个IMF分量序列和一个残差序列；3、对得到的每个IMF分量序列和一个残差序列，分别建立基于极限学习机的预测模型进行预测，所述预测模型的输出预测序列长度为M；将每个IMF分量序列的预测序列和残差序列的预测序列进行融合和反归一化，得到待预测日的电力负荷序列。该方法可以有效提高预测精度。
Description
技术领域
本发明属于智能电网、人工智能技术领域，具体涉及一种采用优化极限学习机算法的短期电力负荷预测方法。
背景技术
短期电力负荷预测是电力系统经济调度中至关重要的一环，准确的负荷预测，能够保障电力系统安全稳定的运行，提高人民用电可靠性，从而提高电网公司积极效益和社会效益。目前国内外学者对短期电力负荷预测做了大量的实验研究，预测模型主要分为以下三类，第一类是运用时间序列模型、回归模型和卡尔曼滤波模型等传统数理统计方法进行构建电力负荷预测模型，如申请号为201710685610.3的中国专利文献《基于经济数据的电力负荷预测方法》，首先根据相关性分析理论定量分析各个经济数据参数与电力消费之间的关系，之后采用一元线性回归模型、弹性系数模型、时间序列的线性模型和灰色预测模型等对电力负荷进行预测。此类方法适用于规律性较强的负荷预测。第二类是运用基于机器学习算法的人工智能预测模型进行预测，其中主要方法有支持向量机、人工神经网络以及决策树模型等，如申请号为201911172170.7的中国专利文献《基于LSTM神经网络的电力负荷预测方法、装置及系统》，公开了采用LSTM神经网络的方法来预测电力负荷；此类方法应用范围相对较广。第三类是运用组合预测的方法，通过对运用不同的模型预测结果进行加权组合，得到最终预测数据。在实践中，各类方法均存在预测精度较低的问题。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种预测精度较高的电力负荷预测方法。
技术方案：本发明采用如下技术方案：
一种采用优化极限学习机的电力负荷预测方法，包括：
(1)以采样率fs采集电力负荷在待预测日之前N天内的值，每天采集M次，得到长度为N*M的电力负荷采样序列，对所述采样序列进行归一化，作为原始序列X(k)，k＝1,2,…,N*M；
(2)对原始序列X(k)做EMD分解，得到多个IMF分量序列和一个残差序列；
(3)对得到的每个IMF分量序列和一个残差序列，分别建立基于极限学习机的预测模型进行预测，所述预测模型的输出预测序列长度为M；将每个IMF分量序列的预测序列和残差序列的预测序列进行融合和反归一化，得到待预测日的电力负荷序列。
有益效果：与现有技术相比，本发明公开的电力负荷预测方法首先采用经验模态分解方法将电力负荷序列分解为多个规律性强的模态分量，减小序列随机性对负荷预测精度的影响；对各模态分量分别应用人工蜂群优化的极限学习机进行预测，避免局部最优，最后将各分量预测结果进行融合得到最终预测结果，提高了预测精度。
附图说明
图1为本发明公开的电力负荷预测方法的流程图；
图2为原始电力负荷曲线与EMD分解结果的示意图；
图3为采用本发明公开的方法进行预测与实际真实值的对比示意图；
图4为本发明公开的方法与其他预测方法的结果与真实值的对比示意图；
图5为本发明公开的方法与其他预测方法的结果与真实值的绝对误差对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种采用优化极限学习机的电力负荷预测方法，其流程如图1所示，包括：
步骤1、以采样率fs采集电力负荷在待预测日之前N天内的值，每天采集M次，得到长度为N*M的电力负荷采样序列，对所述采样序列进行归一化，作为原始序列X(k)，k＝1,2,…,N*M；
步骤2、对原始序列X(k)做EMD分解，得到多个IMF分量序列和一个残差序列，具体包括：
(2.1)令
Numimf＝1；
(2.2)计算X(k)的所有局部极大值和极小值，对极值进行插值拟合得到上包络Xmax(t)和下包络Xmin(t)，分以采样率fs对Xmax(t)和Xmin(t)进行采样，得到上下包络线离散序列Xmax(k)和Xmin(k)；
(2.3)计算上下包络序列的均值
将原始序列X(k)减去包络线均值
去掉低频得到新序列
计算当前限定标准差SD：
若0.2<SD<0.3，
为分解出的第Numimf个IMF分量序列
和残差序列
若SD不满足0.2<SD<0.3，将
视为X(k)，跳转至步骤(2.2)重新分解；
(2.4)将
视为X(k)，Numimf加一，跳转至步骤(2.2)继续分离IMF分量序列，直到当前分离的IMF分量序列
中所有时间点的幅值均小于预设的误差ε，或当前分离的残差序列
为按时间单调递增或单调递减。
由于负荷时间序列存在复杂的特性，若在直接对原始序列进行预测，则会提高预测难度，导致预测精度降低。步骤2采用EMD对原始序列进行分解，将序列分解为若干个规律性强的平稳分量。经验模态分解(Empirical Mode Decomposition，EMD)是一种处理非线性、非平稳时变序列的有效方法，它依据数据本身的时间序列特征，对信号进行自适应分解，将复杂化的时序数据通过分析计算分解为有限个本征模函数(Intrinsic ModeFunction,IMF)，从而得到不同模态下的IMF分量。该方法无需事先设定基函数，有效避免出现主观经验造成的误差情况。
步骤3、对得到的每个IMF分量序列cs(k)和一个残差序列
分别建立基于极限学习机的预测模型进行预测，所述预测模型的输出预测序列长度为M；将每个IMF分量序列的预测序列和残差序列的预测序列进行融合和反归一化，得到待预测日的电力负荷序列；s≤Numimf；
对第s个IMF分量序列cs(k)进行预测的步骤为：
(3.1)建立基于极限学习机的预测模型，所述预测模型包括输入层、隐含层和输出层，所述输入层包括D个输入神经元，所述隐含层包括L个隐含神经元，所述输出层包含M个输出神经元；所述预测模型的输出为：
其中D维向量Y为预测模型的输入向量；βl为第l个隐含神经元的与输出层神经元的连接权重；D维向量Wl为输入层到第l个隐含神经元的连接权重；bl为第l个隐含神经元的阈值；M维向量Z为输出向量；g(·)为激活函数，本实施例中采用sig函数；
构建训练样本集：从cs(k)中截取sum个长度为D+M的序列Si，i＝1,2,…,sum；Si中前D个数据组成的序列
作为预测模型的输入样本向量，后M个数据组成的序列
作为预测模型的期望输出向量；
本实施例中构建了sum＝N*M-(D+M)+1个训练样本，其中第i个样本序列Si为cs(k)中第i个数据到第i+(D+M)-1个数据组成的序列。
(3.2)采用人工蜂算法确定所述预测模型中的参数Wl、bl；计算βl；l＝1,2,…,L，具体步骤为：
(3.2.1)初始化：随机生成SN个食物源，每个食物源的位置为D×L+L维向量：θp＝[w11,w12,…,w1L,w21,w22,…,w2L,…,wD1,wD2,…,wDL,b1,b2,…,bL]，p＝1,2,…,SN；
生成SN个雇佣蜂，SN个跟随蜂；设置最大循环搜索次数MCN，单个食物源最大迭代限制次数Limit，当前循环次数λ＝0，SN个雇佣蜂与SN个食物源一一对应，每个食物源对应的迭代次数都清零；
(3.2.2)每一个雇佣蜂对对应的食物源按下式生成新的食物源：
θp′＝θp+Rp(θp-θq)
其中θp为第p个雇佣蜂正在开采的食物源位置，θp′为第p个雇佣蜂在θp基础上开采的新的食物源位置，Rp为[-1,1]之间的随机数；q∈(1,2,…,SN)，随机选取，且p≠q；
(3.2.3)雇佣蜂判断是否更新对应的食物源，如果新的食物源适应度fit′p大于原食物源适应度fitp，则更新对应的食物源；否则，保留原食物源；
本实施例中定义第p个食物源θp的适应度为：
其中ep为将θp作为预测模型参数Wl、bl进行训练时的均方误差：
Zi为将
输入预测模型得到的输出向量。
(3.2.4)计算每个食物源的选择概率Pp的值：
(3.2.5)跟随蜂选择Pp值最大的食物源θbest，每个跟随蜂对此食物源按下式生成新的食物源：
θbest′＝θbest+Rp(θbest-θq)
其中，下标best表示被选中的食物源是SN个食物源中的第best个，θbest′表示第p个跟随蜂在θbest基础上生成的新的食物源位置，q∈(1,2,…,SN)，随机选取，且p≠q，Rp为[-1,1]之间的随机数；
(3.2.6)跟随蜂判断是否更新对应的食物源，如果新的食物源适应度fitb′est大于原食物源适应度fitbest，则更新对应的食物源，且此食物源对应的迭代次数清零；否则，保留原食物源，对应的迭代次数加一；
(3.2.7)侦察蜂侦察每个食物源对应的迭代次数，如达到最大迭代限制次数Limit，则将对应的食物源丢弃，并通过下式产生一个新的食物源θ*来代替：
θ*(u)＝θ(u)min+R(θ(u)max-θ(u)min)
其中θ*(u)为θ*的第u个元素，θ(u)min和θ(u)max分别为θ*(u)可取的最小值和最大值；R为[-1,1]之间的随机数；u＝1,2,…,D×L+L；本实施例中，食物源位置的各元素取值有以下约束：wij∈[-1,1],bl∈[0,1]，由此可以计算出θ(u)min和θ(u)max。
(3.2.8)当前循环次数λ加一，判断是否达到最大循环次数MCN，如达到，结束循环；否则，跳转到步骤(3.2.2)做下一次优化；
(3.2.9)SN个食物源中适应度最大的食物源位置为待确定的预测模型参数Wl、bl；
(3.2.10)计算βl：根据Wl、bl和训练样本集计算矩阵H：
其中Wl＝[w1l,w2l,…,wDl]；
则
其中H+为矩阵H的广义逆阵；
(3.3)选择cs(k)中最后D个数据作为预测模型的输入向量Y，输出的M维向量Z为预测序列。
类似地，对
同样采用3.1-3.3所示的步骤进行预测。
融合后的电力负荷预测序列为：
其中Cs(n)为第s个IMF分量序列cs(k)的预测序列，
为残差序列
的预测序列，n＝1,2,…,M。
对Load(n)进行反归一化，即得到待预测日的长度为M的电力负荷预测序列。
为了验证本发明公开的电力负荷预测方法的效果，本实施例选取某制造业2017年8月1日到8月31日的负荷曲线数据进行仿真实验。将其中前30天的数据作为训练样本，来预测第31天的电力负荷，并与实际的电力负荷进行对比。
每天采样点数为96点，即N＝30，M＝96，每15分钟采样一次。获得的采样序列长度为2880。首先对采样数据进行归一化，将原始数据转化为(-1,1)之间：
X(k)为归一化后的原始序列，
为采样序列中的第k个数据，
分别为采样序列的最大值和最小值。
根据步骤2对X(k)进行EMD分解，得到7个IMF分量序列IMF1～IMF7和一个残差序列Res，曲线如图2所示。Numimf＝7。
对每个IMF分量序列和残差序列Res分别按照步骤3进行预测。本实施例中设置预测模型的极限学习机隐层神经元个数为L＝15，输入层神经元个数D＝480，即根据连续5天数据预测第6天的电力负荷。
人工蜂群规模为100，雇佣蜂、跟随蜂、初始食物源个数均为SN＝50；单个食物源最大迭代限制次数Limit＝50，人工蜂群最大循环次数MCN设置为80。预测8月31日的结果并与实际的电力负荷进行对比，如图3所示。
为比较本发明公开的预测方法与其他模型预测的性能，对同样的数据，采用经验模态分解与极限学习机组合(EMD-ELM)，人工蜂群算法优化极限学习机(ABC-ELM)和单一极限学习机(ELM)三种模型分别进行预测，得到预测结果如图4所示，各模型逐点绝对误差如图5所示。
对各预测模型的性能分别采用平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE进行比较和判断。不同预测模型的MAE、MAPE和RMSE误差比较结果如表1所示。
表1各模型预测结果误差比较
| MAE(KWh) | RMSE(KWh) | MAPE(％) | |
| EMD-ABC-ELM模型 | 16.52 | 21.51 | 1.85 |
| EMD-ELM模型 | 24.72 | 31.62 | 2.97 |
| ABC-ELM模型 | 27.11 | 36.88 | 3.16 |
| ELM模型 | 36.93 | 48.41 | 4.23 |
由表1可知，采用EMD和ABC两种算法对ELM改进都能有效提高ELM模型预测精度，EMD算法改进ELM模型相较于ABC算法改进ELM模型预测精度更高。本方面公开的基于EMD与ABC改进ELM的预测模型预测精度最高，其预测平均绝对百分比误差为1.85％。
Claims (6)
1.一种采用优化极限学习机的电力负荷预测方法，其特征在于，包括：
(1)以采样率fs采集电力负荷在待预测日之前N天内的值，每天采集M次，得到长度为N*M的电力负荷采样序列，对所述采样序列进行归一化，作为原始序列X(k)，k＝1,2,…,N*M；
(2)对原始序列X(k)做EMD分解，得到多个IMF分量序列和一个残差序列；
(3)对得到的每个IMF分量序列和一个残差序列，分别建立基于极限学习机的预测模型进行预测，所述预测模型的输出预测序列长度为M；将每个IMF分量序列的预测序列和残差序列的预测序列进行融合和反归一化，得到待预测日的电力负荷序列。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步骤(2)中对原始序列X(k)做EMD分解的步骤为：
(2.1)令
Numimf＝1；
(2.2)计算X(k)的所有局部极大值和极小值，对极值进行插值拟合得到上包络Xmax(t)和下包络Xmin(t)，分以采样率fs对Xmax(t)和Xmin(t)进行采样，得到上下包络线离散序列Xmax(k)和Xmin(k)；
(2.3)计算上下包络序列的均值
将原始序列X(k)减去包络线均值
去掉低频得到新序列
计算当前限定标准差SD：
若0.2<SD<0.3，
为分解出的第Numimf个IMF分量序列
和残差序列
若SD不满足0.2<SD<0.3，将
视为X(k)，跳转至步骤(2.2)重新分解；
(2.4)将
视为X(k)，Numimf加一，跳转至步骤(2.2)继续分离IMF分量序列，直到当前分离的IMF分量序列
中所有时间点的幅值均小于预设的误差ε，或当前分离的残差序列
为按时间单调递增或单调递减。
3.根据权利要求1所述的电力负荷预测方法，其特征在于，对第s个IMF分量序列cs(k)进行预测的步骤为：
(3.1)建立基于极限学习机的预测模型，所述预测模型包括输入层、隐含层和输出层，所述输入层包括D个输入神经元，所述隐含层包括L个隐含神经元，所述输出层包含M个输出神经元；所述预测模型的输出为：
其中D维向量Y为预测模型的输入向量；βl为第l个隐含神经元的与输出层神经元的连接权重；D维向量Wl为输入层到第l个隐含神经元的连接权重；bl为第l个隐含神经元的阈值；M维向量Z为输出向量；g(·)为激活函数；
构建训练样本集：从cs(k)中截取sum个长度为D+M的序列Si，i＝1,2,…,sum；Si中前D个数据组成的序列
作为预测模型的输入样本向量，后M个数据组成的序列
作为预测模型的期望输出向量；
(3.2)采用人工蜂算法确定所述预测模型中的参数Wl、bl；计算βl；l＝1,2,…,L；
(3.3)选择cs(k)中最后D个数据作为预测模型的输入向量Y，输出的M维向量Z为预测序列。
4.将根据权利要求3所述的电力负荷预测方法，其特征在于，所述步骤(3.2)具体包括：
(3.2.1)初始化：随机生成SN个食物源，每个食物源的位置为D×L+L维向量：θp＝[w11,w12,…,w1L,w21,w22,…,w2L,…,wD1,wD2,…,wDL,b1,b2,…,bL]，p＝1,2,…,SN；
生成SN个雇佣蜂，SN个跟随蜂；设置最大循环搜索次数MCN，单个食物源最大迭代限制次数Limit，当前循环次数λ＝0，SN个雇佣蜂与SN个食物源一一对应，每个食物源对应的迭代次数都清零；
(3.2.2)每一个雇佣蜂对对应的食物源按下式生成新的食物源：
θp′＝θp+Rp(θp-θq)
其中θp为第p个雇佣蜂正在开采的食物源位置，θp′为第p个雇佣蜂在θp基础上开采的新的食物源位置，Rp为[-1,1]之间的随机数；q∈(1,2,…,SN)，随机选取，且p≠q；
(3.2.3)雇佣蜂判断是否更新对应的食物源，如果新的食物源适应度fit′p大于原食物源适应度fitp，则更新对应的食物源；否则，保留原食物源；
(3.2.4)计算每个食物源的选择概率Pp的值：
(3.2.5)跟随蜂选择Pp值最大的食物源θbest，每个跟随蜂对此食物源按下式生成新的食物源：
θbest′＝θbest+Rp(θbest-θq)
其中，下标best表示被选中的食物源是SN个食物源中的第best个，θbest′表示第p个跟随蜂在θbest基础上生成的新的食物源位置，q∈(1,2,…,SN)，随机选取，且p≠q，Rp为[-1,1]之间的随机数；
(3.2.6)跟随蜂判断是否更新对应的食物源，如果新的食物源适应度fit′best大于原食物源适应度fitbest，则更新对应的食物源，且此食物源对应的迭代次数清零；否则，保留原食物源，对应的迭代次数加一；
(3.2.7)侦察蜂侦察每个食物源对应的迭代次数，如达到最大迭代限制次数Limit，则将对应的食物源丢弃，并通过下式产生一个新的食物源θ*来代替：
θ*(u)＝θ(u)min+R(θ(u)max-θ(u)min)
其中θ*(u)为θ*的第u个元素，θ(u)min和θ(u)max分别为θ*(u)可取的最小值和最大值；R为[-1,1]之间的随机数；u＝1,2,…,D×L+L；
(3.2.8)当前循环次数λ加一，判断是否达到最大循环次数MCN，如达到，结束循环；否则，跳转到步骤(3.2.2)做下一次优化；
(3.2.9)SN个食物源中适应度最大的食物源位置为待确定的预测模型参数Wl、bl；
(3.2.10)计算βl：根据Wl、bl和训练样本集计算矩阵H：
其中Wl＝[w1l,w2l,…,wDl]；
则
其中H+为矩阵H的广义逆阵；
5.将根据权利要求3所述的电力负荷预测方法，其特征在于，所述步骤(3.1)中构建了sum＝N*M-(D+M)+1个训练样本，其中第i个样本序列Si为cs(k)中第i个数据到第i+(D+M)-1个数据组成的序列。
6.将根据权利要求4所述的电力负荷预测方法，其特征在于，第p个食物源θp的适应度为：
其中ep为将θp作为预测模型参数Wl、bl进行训练时的均方误差：
Zi为将
输入预测模型得到的输出向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259530.3A CN111539558B (zh) | 2020-04-03 | 2020-04-03 | 一种采用优化极限学习机的电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259530.3A CN111539558B (zh) | 2020-04-03 | 2020-04-03 | 一种采用优化极限学习机的电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539558A true CN111539558A (zh) | 2020-08-14 |
| CN111539558B CN111539558B (zh) | 2023-05-16 |
Family
ID=71980437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010259530.3A Active CN111539558B (zh) | 2020-04-03 | 2020-04-03 | 一种采用优化极限学习机的电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539558B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884236A (zh) * | 2021-03-10 | 2021-06-01 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 |
| CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
-
2020
- 2020-04-03 CN CN202010259530.3A patent/CN111539558B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884236A (zh) * | 2021-03-10 | 2021-06-01 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 |
| CN112884236B (zh) * | 2021-03-10 | 2023-08-18 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 |
| CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
| CN117293829B (zh) * | 2023-11-27 | 2024-02-20 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539558B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
| CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
| CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| 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 | |
| CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| CN116894153A (zh) | 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
| CN112200208A (zh) | 基于多维度特征融合的云工作流任务执行时间预测方法 | |
| CN116303386A (zh) | 一种基于关系图谱的缺失数据智能插补方法和系统 | |
| CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 |
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 |