CN111680841B - 基于主成分分析的短期负荷预测方法、系统及终端设备 - Google Patents
基于主成分分析的短期负荷预测方法、系统及终端设备 Download PDFInfo
- Publication number
- CN111680841B CN111680841B CN202010523148.9A CN202010523148A CN111680841B CN 111680841 B CN111680841 B CN 111680841B CN 202010523148 A CN202010523148 A CN 202010523148A CN 111680841 B CN111680841 B CN 111680841B
- Authority
- CN
- China
- Prior art keywords
- load
- principal component
- sample data
- factor
- prediction
- 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 46
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000000654 additive Substances 0.000 claims abstract description 16
- 230000000996 additive effect Effects 0.000 claims abstract description 16
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例涉及一种基于主成分分析的短期负荷预测方法、系统及终端设备,通过将从电力系统和电力气象系统中获取的数据分为训练样本数据和预测样本数据,对训练样本数据进行相关性分析得到影响负荷的因数特征值,通过主成分分析法对影响负荷的每个因数特征值进行降维处理,得到影响负荷的主成分特征值,利用半参数可加模型将所有主成分特征值的对负荷非线性影响叠加建立负荷预测模型,有效减少因数特征值之间交互作用对负荷预测的影响,提高负荷预测模型的预测精度,解决了现有对电力负荷预测模型使用场景有限且预测精度低的问题。该方法科学、全面地提取影响负荷的因数特征值变量为电力市场负荷预测人员制定方案提供更实用的参考依据。
Description
技术领域
本发明涉及电力系统负荷技术领域,尤其涉及一种基于主成分分析的短期负荷预测方法、系统及终端设备。
背景技术
电力系统随着科学的进步推进新一轮的新电力体制改革,电力市场化竞争环境初步形成,那么准确地对电力负荷的预测有助于在电力系统上合理安排调度运行和生产计划,是提升电力系统安全性、稳定性、减少发电成本的关键。
为提升电力系统负荷预测精度,目前国内外专家和学者对电力系统负荷的预测做了大量研究,一类的负荷预测方案是利用负荷易受外界因素的影响建立单一预测模型,单一预测模型主要是利用相似日与向量机结合的方式将气象预测数据应用于负荷预测、基于灰色关联分析产业结构调整对负荷的影响以及利用市场电价与负荷的关联进行预测等,单一预测模型这类方法均是通过部分影响预测整体变化,在特定场景内预测精度良好,但不适用于大部分场景。另一类的负荷预测方案是建立分层综合预测模型,分层综合预测模型是将不同因素对负荷的影响分别建模,再采用加权组合形成整体预测结果,例如分别建立温度、湿度、电价等多个影响特征的双层多核SVM学习,后将预测结果加和的预测方法。分层综合预测模型的考虑因素虽然全面,但目前该分层综合预测模型仅针对变量因素的类别做特征值拆分,例如将气象因素划分为温度、湿度、降雨量等,针对不同特征值预测的结果也是简单加和,作为最终预测结果。实际上,影响电力负荷波动的各类因素之间是存在交互影响的,例如负荷会因温度、湿度、降雨量的大小而波动,同时降雨量大小也会表现为温度变化,两者同时作用于负荷预测时,会增大气象因素的作用,造成分层综合预测模型预测负荷的偏差。
发明内容
本发明实施例提供了一种基于主成分分析的短期负荷预测方法、系统及终端设备,用于现有对电力负荷预测的模型使用场景有限且预测精度不高,影响电力系统的优化调度及市场运行效率的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于主成分分析的短期负荷预测方法,包括以下步骤:
步骤S1.从电力系统和电力气象系统中获取历史负荷数据以及与历史负荷数据相关的因数指标作为样本数据,将所述样本数据划分为训练样本数据和预测样本数据;
步骤S2.对所述训练样本数据中的负荷和因数指标采用相关性分析,筛选影响负荷的因数特征值;
步骤S3.对所有的所述因数特征值采用主成分分析法降维处理,得到影响负荷的主成分特征值;
步骤S4.采用样条函数对每个所述主成分特征值对应的所述训练样本数据进行模型拟合,得到与每个所述主成分特征值对应影响负荷的样条拟合函数;
步骤S5.对所有的所述样条拟合函数采用半参数可加模型建立负荷预测模型,将所述预测样本数据输入所述负荷预测模型输出预测结果。
优选地,所述基于主成分分析的短期负荷预测方法还包括在所述训练样本数据中按相关系数大小排序筛选相关系数排名前10的因数指标作为所述因数特征值。
优选地,所述基于主成分分析的短期负荷预测方法还包括对所有的所述因数特征值数据进行标准化处理,得到因数特征值的标准化矩阵;
将所述标准化矩阵转换为相关系数矩阵,根据所述相关系数矩阵计算得到每个所述因数特征值的相关系数、贡献率和累计贡献率;
根据所述累计贡献率不小于贡献率阈值从所有的所述因数特征值中筛选出主成分,根据筛选的每个所述主成分的相关系数和贡献率计算,得到每个所述主成分的单位向量;
根据每个所述主成分的单位向量与所述标准化矩阵的转置矩阵乘积,得到每个所述主成分的主成分特征值。
优选地,所述基于主成分分析的短期负荷预测方法还包括采用三次样条函数对每个所述主成分特征值进行模型拟合得到样条拟合函数。
优选地,所述基于主成分分析的短期负荷预测方法还包括基于相同因数指标下,计算l个样本数据的电力系统实际负荷与通过所述负荷预测模型输出预测负荷的平均绝对误差值。
优选地,所述基于主成分分析的短期负荷预测方法还包括按照7:3的比例将所述样本数据划分为训练样本数据和预测样本数据。
优选地,所述因数指标包含有温度、湿度、降雨量、星期类型、节假日。
本发明还提供一种基于主成分分析的短期负荷预测系统,包括数据获取单元、筛选单元、分析单元、拟合单元和模型建立单元;
所述数据获取单元,用于从电力系统和电力气象系统中获取历史负荷数据以及与历史负荷数据相关的因数指标作为样本数据,将所述样本数据划分为训练样本数据和预测样本数据;
所述筛选单元,用于对所述训练样本数据中的负荷和因数指标采用相关性分析,筛选影响负荷的因数特征值;
所述分析单元,用于对所有的所述因数特征值采用主成分分析法降维处理,得到影响负荷的主成分特征值;
所述拟合单元,用于采用样条函数对每个所述主成分特征值对应的所述训练样本数据进行模型拟合,得到与每个所述主成分特征值对应影响负荷的样条拟合函数;
所述模型建立单元,用于对所有的所述样条拟合函数采用半参数可加模型建立负荷预测模型,将所述预测样本数据输入所述负荷预测模型输出预测结果。
本发明还提供一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于主成分分析的短期负荷预测方法。
本发明还提供一种终端设备,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述的基于主成分分析的短期负荷预测方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
1.该基于主成分分析的短期负荷预测方法通过将从电力系统和电力气象系统中获取的数据分为训练样本数据和预测样本数据,对训练样本数据进行相关性分析得到影响负荷的因数特征值,通过主成分分析法对影响负荷的每个因数特征值进行降维处理,得到影响负荷的主成分特征值,利用半参数可加模型将所有主成分特征值的对负荷非线性影响叠加建立负荷预测模型,有效减少因数特征值之间交互作用对负荷预测的影响,提高负荷预测模型的预测精度,解决了现有对电力负荷预测的模型使用场景有限且预测精度不高,影响电力系统的优化调度及市场运行效率的技术问题。
2.该基于主成分分析的短期负荷预测系统通过数据获取单元将从电力系统和电力气象系统中获取的数据分为训练样本数据和预测样本数据,筛选单元对训练样本数据进行相关性分析得到影响负荷的因数特征值,分析单元通过主成分分析法对影响负荷的每个因数特征值进行降维处理,得到影响负荷的主成分特征值,拟合单元和模型建立单元利用半参数可加模型将所有主成分特征值的对负荷非线性影响叠加建立负荷预测模型,有效减少因数特征值之间交互作用对负荷预测的影响,提高负荷预测模型的预测精度,解决了现有对电力负荷预测的模型使用场景有限且预测精度不高,影响电力系统的优化调度及市场运行效率的技术问题。
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,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于主成分分析的短期负荷预测方法的步骤流程图。
图2为本发明实施例所述的基于主成分分析的短期负荷预测方法的又一步骤流程图。
图3为本发明实施例所述的基于主成分分析的短期负荷预测系统的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于主成分分析的短期负荷预测方法、系统及终端设备,能够通过主成分分析消除内部因素的交互作用以更加准确地把握主要主成分特征值对负荷的影响,并利用半参数可加模型隔离特征值的特质,将各成分特征值的预测结果叠加,得到最终负荷预测结果;用于解决了现有对电力负荷预测的模型使用场景有限且预测精度不高,影响电力系统的优化调度及市场运行效率的技术问题。
实施例一:
图1为本发明实施例所述的基于主成分分析的短期负荷预测方法的步骤流程图,图2为本发明实施例所述的基于主成分分析的短期负荷预测方法的又一步骤流程图。
如图1和图2所示,本发明实施例提供了一种基于主成分分析的短期负荷预测方法,包括以下步骤:
步骤S1.从电力系统和电力气象系统中获取历史负荷数据以及与历史负荷数据相关的因数指标作为样本数据,将样本数据划分为训练样本数据和预测样本数据;
步骤S2.对训练样本数据中的负荷和因数指标采用相关性分析,筛选影响负荷的因数特征值;
步骤S3.对所有的因数特征值采用主成分分析法降维处理,得到影响负荷的主成分特征值;
步骤S4.采用样条函数对每个主成分特征值对应的训练样本数据进行模型拟合,得到与每个主成分特征值对应影响负荷的样条拟合函数;
步骤S5.对所有的样条拟合函数采用半参数可加模型建立负荷预测模型,将预测样本数据输入负荷预测模型输出预测结果。
在本发明实施例的步骤S1中,主要是从电力系统和电力气象系统中获取历史负荷数据以及影响短期负荷波动与历史负荷数据相关的因数指标,将获取的所有历史负荷数据和因数指标作为样本数据,依据7:3的比例将样本数据划分为训练样本数据和预测样本数据。其中,影响短期负荷波动与历史负荷数据相关的因数指标包括温度、湿度、降雨量、星期类型、节假日等信息,为建立负荷预测模型提供数据支持。
需要说明的是,例如获取电力系统上某地区历史3年逐日,每15分钟为一个时段、全天共计96个时段的统调用电负荷,以及与负荷影响因素相关的历史信息。历史信息包括同时期内气象因素,例如逐日24小时每小时的实际温度、每小时的相对湿度,日历因素例如星期类型、节假日类型、春节等。其中,温度、湿度信息利用拉格朗日插值法将24点信息扩展为96点信息。电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。电力气象系统是基于气象条件对电力安全生产有着显著的影响,以用户需求为导向,结合气象数据特征,对于实况和临近预报,采用气象站对应的泰森多边形,对于短期预报和预警,采用区县行政区划,分别对输电线路和变电站进行切分,建立最近邻关系;利用GIS和数据库技术,建成一套能够提供监测实况、临近预报、短期预报、预警信号、历史查询和服务材料等信息的电力气象系统.,保障电力系统安全。
在本发明实施例的步骤S2中,主要是根据因数指标对负荷的影响计算相关性系数,按照相关性系数大小筛选影响负荷的因数特征值。在本实施例中,根据计算的相关性系数由大到小筛选出相关性系数排名前10的因数指标作为因数特征值。
需要说明的是,依据负荷特性分别分析不同影响因素指标对负荷的作用,并依据不同的影响挖掘因数特征值变量。气象因素指标中温度的影响包括空调负荷、供暖负荷、积温效应;日历因数指标的影响包括节假日负荷降低,周六日负荷降低、工作日负荷偏高等,因此将与日历因数指标对应的因数特征值细分为:前n时刻负荷、前m日实时负荷、前1日最大负荷、前1日最小负荷、前7日平均负荷、前n时刻温度、前m日实时温度、前1日最大温度、前1日最小温度、前7日平均温度、前n时刻湿度、前m日实时湿度、前1日最大湿度、前1日最小湿度、前7日平均湿度、星期类型、节假日、节假日前1日负荷、节假日后1日负荷、春节负荷、春节前m日逐日负荷、春节后m日逐日负荷。
在本发明实施例中,影响的因数指标Yi与负荷X的相关系数计算方式为:
式中,E为期望,E[XYi]、E[X]、E[Yi]分别表示XYi、X、Yi的期望,D[X]为的X方差,D[Yi]为Yi的方差。
需要说明的是,依据相关系数较大的原则筛选后的因数特征值,例如筛选后的因数特征值包括:前10个时刻点负荷、前7日实时负荷、前1日最大负荷、前1日最小负荷、前3个时刻点温度、前7日实时温度、前1日最大温度、前1日最小温度、星期类型、节假日、节假日前1日负荷、节假日后1日负荷、春节负荷、春节前7日逐日负荷、春节后7日逐日负荷。
在本发明实施例的步骤S3中,主要是对所有的因数特征值采用主成分分析法降维处理,得到影响负荷的主要因数指标的主成分特征值。
需要说明的是,采用主成分分析法对训练样本数据中的因数指标降维,主成分分析法通过正交变换将所有影响负荷因素指标的变量重新组合成一组新的相互无关的几个综合变量,同时从中提取出几个较少的总和变量尽可能多地反映原来影响负荷因素指标的变量的信息作为主成分特征值。
在本发明实施例的步骤S4中,主要是采用样条函数分别对不同的主成分特征值对应的训练样本数据进行模型拟合,确定参数,通过不断改变样条函数的参数,得到对应的样条拟合函数。
需要说明的是,样条拟合函数是用于确定不同主成分特征值对负荷的影响模型参数。其中,样条函数是一种多项式分段函数,在数学学科数值分析中,样条是一种特殊的函数,由多项式分段定义。若样条函数S(x)∈C2[a,b]并且在每个[xi,xi+1]区间上是三次多项式,其中a=x0<x1<...<xn<b为给定节点,那么S(x)称是节点x0,x1,...,xn上的三次样条函数。针对每个主成分特征值进行三次样条函数拟合,通过不断改变样条函数的参数获得与每个所述主成分特征值对应的样条拟合函数。
在本发明的实施例的步骤S5中,主要是采用具有连接函数的半参数可加模型将所有样条拟合函数的结果累加,建立负荷预测模型,将预测样本数据并利用预测样本数据进行预测值与实际值之间的平均绝对误差,测算负荷预测模型预测精度。
需要说明的是,以负荷时序特性选取连接函数,在半参数可加模型中输入与主成分特征值对应影响负荷的样条拟合函数,构建半参数可加的负荷预测模型,该负荷预测模型能够对短期负荷预测。具体地,在半参数可加模型将主成分特征值对影响负荷的样条拟合函数结果加和,负荷预测模型可表示为:
式中,xi为预测日i时刻的预测负荷,A为基于影响因素指标提取的主成分特征变量,fj(Aj)为第j个主成分特征值A的样条拟合函数;g(xi)为连接函数。在本实施例中,依据负荷时序连续的特性选择连接函数为对数函数。
本发明提供的一种基于主成分分析的短期负荷预测方法通过将从电力系统和电力气象系统中获取数据分为训练样本数据和预测样本数据,对训练样本数据进行相关性分析得到影响负荷的因数特征值,通过主成分分析法对影响负荷的每个因数特征值进行降维处理,得到影响负荷的主成分特征值,利用半参数可加模型将所有主成分特征值的对负荷非线性影响叠加建立负荷预测模型,有效减少因数特征值之间交互作用对负荷预测的影响,提高负荷预测模型的预测精度,解决了现有对电力负荷预测的模型使用场景有限且预测精度不高,影响电力系统的优化调度及市场运行效率的技术问题。
需要说明的是,该基于主成分分析的短期负荷预测方法能更科学、全面地挖掘提取影响负荷的因数特征值变量,以及更为准确地量化因数特征值变量对预测负荷的影响,有助于为电力市场负荷预测人员制定方案提供更实用的参考依据,因而具有重要的现实意义和良好的应用前景。
在本发明的一个实施例中,基于主成分分析的短期负荷预测方法还包括:对所有的因数特征值数据进行标准化处理,得到因数特征值的标准化矩阵;
将标准化矩阵转换为相关系数矩阵,根据相关系数矩阵计算得到每个因数特征值的相关系数、贡献率和累计贡献率;
根据累计贡献率不小于贡献率阈值从所有的因数特征值中筛选出主成分,根据筛选的每个主成分的相关系数和贡献率计算,得到每个主成分的单位向量;
根据每个主成分的单位向量与标准化矩阵的转置矩阵乘积,得到每个主成分的主成分特征值。
在本实施例中,对所有的因数特征值采用主成分分析法降维处理具体为:若每日包含有p个因数特征值,n天的训练样本数据可以记为Y=[yn1,yn2,...,ynp],则因数特征值的变量集可以表示为:
其中,yij为第i天的第j个因数特征值。首先对因数特征值的变量集Y进行标准化处理,其中/>得到标准化矩阵Z,如下:
根据标准化矩阵Z求得相关系数矩阵其中rij反映因数指标Zi与Zj的相关程度,表达式为/>式中,cov(Zi,Zj)为因数指标Zi与Zj的协方差。由相关系数矩阵R得到相关系数λj(λ=1,2,..,p)及各个主成分的方差贡献率/>和累计贡献率/>按照γ≥0.85并结合实际情况确定主成分保留的个数m。对每个λj(j=1,2,...,m),解方程组Rα=λjα,得到相关系数λj所对应因数特征值的向量αj,进而求得单位向量为/>
最后计算m个主成分的特征值A,其中,Zi=[zi1,zi2,...,zip]T。在本实施例中,按照γ≥0.85筛选本案例主成分特征值A保留的个数为4个,即是m=4,分别为A1、A2、A3和A4。
需要说明的是,通过主成分分析法降维处理得到的新的因数指标为A1,A2,...,Am(m≤p)。其中m为依据因数特征值累计贡献率达到一定比例所涵盖主成分特征值的个数。m个主成分特征值生成的线性加权综合评价函数为F=α1A1+α2A2+...+αmAm。
在本发明的一个实施例中,该基于主成分分析的短期负荷预测方法还包括:基于相同因数指标下,计算l个样本数据的电力系统实际负荷与通过负荷预测模型输出预测负荷的平均绝对误差值。
需要说明的是,平均绝对误差值MAPE是用于判断负荷预测模型的预测性能其中,xi'表示预测日i时刻实际负荷,xi表示预测日i时刻预测负荷,l表示样本数据集时刻点数。
实施例二:
图3为本发明实施例所述的基于主成分分析的短期负荷预测系统的框架图。
如图3所示,本发明实施例还提供一种基于主成分分析的短期负荷预测系统,包括数据获取单元10、筛选单元20、分析单元30、拟合单元40和模型建立单元50;
数据获取单元10,用于从电力系统和电力气象系统中获取历史负荷数据以及与历史负荷数据相关的因数指标作为样本数据,将样本数据划分为训练样本数据和预测样本数据;
筛选单元20,用于对训练样本数据中的负荷和因数指标采用相关性分析,筛选影响负荷的因数特征值;
分析单元30,用于对所有的因数特征值采用主成分分析法降维处理,得到影响负荷的主成分特征值;
拟合单元40,用于采用样条函数对每个主成分特征值对应的训练样本数据进行模型拟合,得到与每个主成分特征值对应影响负荷的样条拟合函数;
模型建立单元50,用于对所有的样条拟合函数采用半参数可加模型建立负荷预测模型,将预测样本数据输入负荷预测模型输出预测结果。
在本发明实施例中,实施例二系统中单元是对应实施例一方法中步骤设置的,实施例一方法中的步骤已经详细阐述了,再此对于实施例二系统中的单元不再详细阐述。
本发明提供的一种基于主成分分析的短期负荷预测系统通过数据获取单元将从电力系统和电力气象系统中获取数据分为训练样本数据和预测样本数据,筛选单元对训练样本数据进行相关性分析得到影响负荷的因数特征值,分析单元通过主成分分析法对影响负荷的每个因数特征值进行降维处理,得到影响负荷的主成分特征值,拟合单元和模型建立单元利用半参数可加模型将所有主成分特征值的对负荷非线性影响叠加建立负荷预测模型,有效减少因数特征值之间交互作用对负荷预测的影响,提高负荷预测模型的预测精度,解决了现有对电力负荷预测的模型使用场景有限且预测精度不高,影响电力系统的优化调度及市场运行效率的技术问题。
实施例三:
本发明实施例还提供一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于主成分分析的短期负荷预测方法。
实施例四:
本发明实施例还提供一种终端设备,其特征在于,包括处理器以及存储器:
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于主成分分析的短期负荷预测方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在设备中的执行过程。
设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、方法和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于主成分分析的短期负荷预测方法,其特征在于,包括以下步骤:
步骤S1.从电力系统和电力气象系统中获取历史负荷数据以及与历史负荷数据相关的因数指标作为样本数据,将所述样本数据划分为训练样本数据和预测样本数据;
步骤S2.对所述训练样本数据中的负荷和因数指标采用相关性分析,筛选影响负荷的因数特征值;
步骤S3.对所有的所述因数特征值采用主成分分析法降维处理,得到影响负荷的主成分特征值;
所述步骤S3具体包括:
对所有的所述因数特征值数据进行标准化处理,得到因数特征值的标准化矩阵;
将所述标准化矩阵转换为相关系数矩阵,根据所述相关系数矩阵计算得到每个所述因数特征值的相关系数、贡献率和累计贡献率;
根据所述累计贡献率不小于贡献率阈值从所有的所述因数特征值中筛选出主成分,根据筛选的每个所述主成分的相关系数和贡献率计算,得到每个所述主成分的单位向量;
根据每个所述主成分的单位向量与所述标准化矩阵的转置矩阵乘积,得到每个所述主成分的主成分特征值;
步骤S4.采用样条函数对每个所述主成分特征值对应的所述训练样本数据进行模型拟合,得到与每个所述主成分特征值对应影响负荷的样条拟合函数,具体包括:采用三次样条函数对每个所述主成分特征值进行模型拟合得到样条拟合函数;
步骤S5.对所有的所述样条拟合函数采用半参数可加模型建立负荷预测模型,将所述预测样本数据输入所述负荷预测模型输出预测结果;
基于相同因数指标下,计算l个样本数据的电力系统实际负荷与通过所述负荷预测模型输出预测负荷的平均绝对误差值;
所述历史负荷数据包括全天共计96个时段的统调用电负荷;
所述因数指标包含有温度、湿度、降雨量、星期类型、节假日,其中,温度、湿度信息利用拉格朗日插值法将24点信息扩展为96点信息。
2.根据权利要求1所述的基于主成分分析的短期负荷预测方法,其特征在于,还包括在所述训练样本数据中按相关系数大小排序筛选相关系数排名前10的因数指标作为所述因数特征值。
3.根据权利要求1所述的基于主成分分析的短期负荷预测方法,其特征在于,还包括按照7:3的比例将所述样本数据划分为训练样本数据和预测样本数据。
4.一种基于主成分分析的短期负荷预测系统,其特征在于,包括数据获取单元、筛选单元、分析单元、拟合单元和模型建立单元;
所述数据获取单元,用于从电力系统和电力气象系统中获取历史负荷数据以及与历史负荷数据相关的因数指标作为样本数据,将所述样本数据划分为训练样本数据和预测样本数据;
所述筛选单元,用于对所述训练样本数据中的负荷和因数指标采用相关性分析,筛选影响负荷的因数特征值;
所述分析单元,用于对所有的所述因数特征值采用主成分分析法降维处理,得到影响负荷的主成分特征值;
所述分析单元,具体用于对所有的所述因数特征值数据进行标准化处理,得到因数特征值的标准化矩阵;
将所述标准化矩阵转换为相关系数矩阵,根据所述相关系数矩阵计算得到每个所述因数特征值的相关系数、贡献率和累计贡献率;
根据所述累计贡献率不小于贡献率阈值从所有的所述因数特征值中筛选出主成分,根据筛选的每个所述主成分的相关系数和贡献率计算,得到每个所述主成分的单位向量;
根据每个所述主成分的单位向量与所述标准化矩阵的转置矩阵乘积,得到每个所述主成分的主成分特征值;
所述拟合单元,用于采用样条函数对每个所述主成分特征值对应的所述训练样本数据进行模型拟合,得到与每个所述主成分特征值对应影响负荷的样条拟合函数;
所述拟合单元,具体用于,采用三次样条函数对每个所述主成分特征值进行模型拟合得到样条拟合函数;
所述模型建立单元,用于对所有的所述样条拟合函数采用半参数可加模型建立负荷预测模型,将所述预测样本数据输入所述负荷预测模型输出预测结果;
所述模型建立单元,还用于基于相同因数指标下,计算l个样本数据的电力系统实际负荷与通过所述负荷预测模型输出预测负荷的平均绝对误差值;
所述历史负荷数据包括全天共计96个时段的统调用电负荷;
所述因数指标包含有温度、湿度、降雨量、星期类型、节假日,其中,温度、湿度信息利用拉格朗日插值法将24点信息扩展为96点信息。
5.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任意一项所述的基于主成分分析的短期负荷预测方法。
6.一种终端设备,其特征在于,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-3任意一项所述的基于主成分分析的短期负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523148.9A CN111680841B (zh) | 2020-06-10 | 2020-06-10 | 基于主成分分析的短期负荷预测方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523148.9A CN111680841B (zh) | 2020-06-10 | 2020-06-10 | 基于主成分分析的短期负荷预测方法、系统及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680841A CN111680841A (zh) | 2020-09-18 |
CN111680841B true CN111680841B (zh) | 2024-01-26 |
Family
ID=72435730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010523148.9A Active CN111680841B (zh) | 2020-06-10 | 2020-06-10 | 基于主成分分析的短期负荷预测方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680841B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529285A (zh) * | 2020-12-08 | 2021-03-19 | 湖南工业大学 | 一种基于相似日理论和pca-pso-bp的光伏发电功率预测方法 |
CN112598181A (zh) * | 2020-12-23 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 负荷预测方法、装置、设备和存储介质 |
CN115225560B (zh) * | 2022-07-15 | 2023-08-22 | 国网河南省电力公司信息通信公司 | 一种电力通信业务中路由规划方法 |
CN117057456B (zh) * | 2023-07-12 | 2024-03-26 | 杭州似然数据有限公司 | 基于分段样条回归-WaveNet两阶段电力负荷预测方法及装置 |
CN117096872A (zh) * | 2023-08-30 | 2023-11-21 | 南京工业大学 | 一种电-气综合能源系统日前优化调度方法 |
CN117335409B (zh) * | 2023-10-26 | 2024-04-19 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
CN118427563A (zh) * | 2024-07-04 | 2024-08-02 | 国网山东省电力公司营销服务中心(计量中心) | 一种负荷开关性能检测方法、系统、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
-
2020
- 2020-06-10 CN CN202010523148.9A patent/CN111680841B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
Francesco Lisi et al..Forecasting next-day electricity demand and prices based on functional models.《Energy Systems》.2019,第11卷第947-979页. * |
Haeran Cho et al..Modeling and Forecasting Daily Electricity Load Curves: A Hybrid Approach.《Journal of the American Statistical Association》.2012,第108卷(第501期),第7-21页. * |
Raphael Nedellec et al..GEFCom2012: Electric load forecasting and backcasting with semi-parametric models.《International Journal of Forecasting》.2014,第30卷第375–381页. * |
Raymond K. W. Wong, Yehua Li & Zhengyuan Zhu.Partially Linear Functional Additive Models for Multivariate Functional Data.《Journal of the American Statistical Association》.2018,第1-39页. * |
The-Hien Dang-Ha et al..Local Short Term Electricity Load Forecasting: Automatic Approaches.《2017 International Joint Conference on Neural Networks (IJCNN)》.2017,第4267-4274页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111680841A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Feng et al. | Solution sensitivity-based scenario reduction for stochastic unit commitment | |
Rai et al. | Analysis of classical and machine learning based short-term and mid-term load forecasting for smart grid | |
CN114707772B (zh) | 基于多特征分解与融合的电力负荷预测方法及系统 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Yu et al. | Pricing information in smart grids: A quality-based data valuation paradigm | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN113177366A (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Cai et al. | Gray wolf optimization-based wind power load mid-long term forecasting algorithm | |
CN112633762A (zh) | 楼宇能效获取方法及设备 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN110310035A (zh) | 主动配电网综合评价方法、装置及存储介质 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
Angelopoulos et al. | Long-term electricity demand forecasting via ordinal regression analysis: The case of Greece | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
CN110210677A (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
CN109767037A (zh) | 一种夏季日最大负荷的预测方法 | |
Zhao et al. | Internet-of-thing based real-time electrical market monitoring system design | |
Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks |
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 |