CN111697570A - 一种电网负荷预测方法 - Google Patents
一种电网负荷预测方法 Download PDFInfo
- Publication number
- CN111697570A CN111697570A CN202010451428.3A CN202010451428A CN111697570A CN 111697570 A CN111697570 A CN 111697570A CN 202010451428 A CN202010451428 A CN 202010451428A CN 111697570 A CN111697570 A CN 111697570A
- Authority
- CN
- China
- Prior art keywords
- power
- tracking
- price
- power price
- sequence
- 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 121
- 239000002245 particle Substances 0.000 claims description 37
- 230000005611 electricity Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000002787 reinforcement Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005192 partition Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 108010015046 cell aggregation factors Proteins 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/045—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供过了一种电网负荷预测方法,用于预测动态电网的指定区域的符合,包括步骤:S100,建立一个区域的电网负荷与电力价格之间的关系模型;S200,获取所述区域内的一个电力价格序列;S300,根据所述关系模型代入所述电力价格序列,求解获得所述区域的电网负荷序列。本发明对于一个分区区域的电力价格进行整理采集,并建立基于机器学习的关于电力价格与电网负荷的动态的关系模型,以便在获取一个电力价格序列后,基于该关系模型获得该区域的电网负荷序列。
Description
技术领域
本发明涉及电气工程技术领域,尤其设计一种用于动态分区下的电网负荷预测方法。
背景技术
负荷预测是影响电网调度与电量平衡的关键,准确的负荷预测对于优化电力机组安排,减少机组备用容量以及电力市场的交易具有重要意义。现有技术中扶负荷预测在一个地理意义上的固定分区中,提取该地区的历史天气数据和当前天气数据或者预测天气数据对该分区下负荷进行预测,天气本身随机性较强,并且与地理位置唯一绑定,当分区区域动态改变时,难以提供一个误差稳定的预测结果。
强化学习(ReinforcementLearning,RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一,用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习的常见模型是标准的马尔可夫决策过程(MarkovDecisionProcess,MDP)。按给定条件,强化学习可分为基于模式的强化学习(model-basedRL)和无模式强化学习(model-freeRL),以及主动强化学习(activeRL)和被动强化学习(passiveRL)。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数(valuefunction)算法两类。深度学习模型可以在强化学习中得到使用,形成深度强化学习。强化学习理论受到行为主义心理学启发,侧重在线学习并试图在探索-利用(exploration-exploitation)间保持平衡。不同于监督学习和非监督学习,强化学习不要求预先给定任何数据,而是通过接收环境对动作的奖励(反馈)获得学习信息并更新模型参数。强化学习问题在信息论、博弈论、自动控制等领域有得到讨论,被用于解释有限理性条件下的平衡态、设计推荐系统和机器人交互系统[3]。一些复杂的强化学习算法在一定程度上具备解决复杂问题的通用智能,可以在围棋和电子游戏中达到人类水平。
粒子群优化算法(ParticleSwarmOptimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarmintelligence,SI)的一种。它可以被纳入多主体优化系统(MultiagentOptimizationSystem,MAOS)。粒子群优化算法是由Eberhart博士和kennedy博士发明。PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物,在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略,即最简单有效的就是搜寻离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中,每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue),每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest,另一个极值是整个种群找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值。
发明内容
本发明目的在于提供一种电网负荷预测方法,能够提高预测结果的准确率。
本发明提供方案是一种电网负荷预测方法包括步骤:
S100,建立一个区域的电网负荷与电力价格之间的关系模型;
S200,获取所述区域内的一个电力价格序列;
S300,根据所述关系模型代入所述电力价格序列,求解获得所述区域的电网负荷序列。
本发明的一些实施例中,所述关系模型包括一个预测方法F,其是BP神经网络法、支持向量机法、小波变换与深度置信网络法、小波变换与长短期记忆网络法,小波分解与支持向量机组合法或基于小波分解和卷积神经网络的点预测算法中的一种。
本发明的一些实施例中,所述预测方法F的参数通过多个所述电力价格的粒子群优化算法获得。
本发明的一些实施例中,所述粒子群优化算法的获取所述预测方法F一个参数的方法为,将影响电力价格的因素作为一个鸟群。
本发明的一些实施例中,所述影响电力价格的因素包括获取电力价格。
本发明的一些实施例中,在所述每个鸟群的跟踪方法是基于模型演化的电力价格,其中,先对电力价格进行建模,然后在连续序列中更新这个模型而到达跟踪的目的,前一序列中的跟踪结果被用于当前序列相关参数的初始化,能代表电力价格的特征的模型就这样在序列间进行演化。
本发明的一些实施例中,所述跟踪方法包含主动轮廓法、水平集法、基于核的跟踪或均值漂移跟踪方法。
本发明的一些实施例中,所述追踪方法为主动轮廓法,其中,在前一序列中定义了一个与多个电力价格轮廓相关的内部能量和外部能量之和的能量函数,在当前序列中使得能量函数最小化,进而找出电力价格轮廓。
本发明的一些实施例中,所述粒子群优化算法包括以下步骤:搜索和优化粒子群,建立位置搜索策略和轮廓模型,实现多电力价格的位置与轮廓跟踪。
本发明的一些实施例中,运行于一套实现电网预测方法的系统,该系统的一个部分用于实现其所述多电力价格的位置与轮廓跟踪,系统中实现该功能的模块包括基于PSO的跟踪模块,基于PSO的发现模块和基于PSO的轮廓模块。
本发明具有以下技术效果:
本发明提供一种电网负荷预测方法,对于一个分区区域的电力价格进行整理采集,并建立基于机器学习的关于电力价格与电网负荷的动态的关系模型,以便在获取一个电力价格序列后,基于该关系模型获得该区域的电网负荷序列。该技术方案考虑了电力价格与电网负荷的动态关系,在对于一个分区的数据进行整理时,可动态改变关系模型,以便适用于动态的分区调整下的电网负荷预测,在保持分区不变时具有跟准确的预测结果。
下面结合附图和实施例于本发明进行进一步的详细说明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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他的附图。
图1为本发明实施例的方法步骤流程图。
具体实施方式
实施例一
如图1所示,本实施例是一种电网负荷预测方法,包括步骤:
S100,建立一个区域的电网负荷与电力价格之间的关系模型。
S200,获取所述区域内的一个电力价格序列。
S300,根据所述关系模型代入所述电力价格序列,求解获得所述区域的电网负荷序列。
本实施例的关系模型包括一个基于PSO的多电力价格序列与电网负荷序列的跟踪系统,其包括基于PSO的跟踪模块,基于PSO的发现模块和基于PSO的轮廓模块;所述基于PSO的跟踪模块在利用已存在一个电力价格序列的先验状态的基础上,得到关系矩阵在当前序列中的初始状态;所述基于PSO的发现模块通过粒子群初始化和搜索机制在多个电力价格序列中发现新关系矩阵系数的的初始状态;所述基于PSO的轮廓模块在得到关系矩阵的初始状态的基础上计算出电力负荷序列,同时利用一个迭代的质心更新过程达到精确的关系矩阵的系数。
实施本方法的系统是对于每一序列图象中的电力价格分为两类:已存在电力价格和新出现电力价格,如果在上一序列中存在电力价格,那么在当前序列中首先跟踪这些已存在电力价格,然后再在图象中搜索新出现电力价格;实施本方法的系统对于已存在电力价格的跟踪,对于显著性指标最大的电力价格,先通过基于PSO的跟踪模块得到电力价格的初始状态,然后利用基于PSO的轮廓模块得到精确的电力价格轮廓与位置,若成功跟踪到该电力价格,电力价格继续存在于当前序列中,否则该电力价格消失;实施本方法的系统对于新电力价格的跟踪,先通过基于PSO的发现模块得到电力价格的初始状态,然后利用基于PSO的轮廓模块得到精确的电力价格轮廓与位置,对于跟踪结果,若不能关联到已存在电力价格,则认为发现一个新电力价格,如果连续若干次的跟踪结果为杂波,认为当前序列中的所有电力价格已被跟踪。
所述基于PSO的跟踪模块中的电力价格显著性指标是通过电力价格误差预测值与轮廓信息联合产生。
示范性的,粒子群的初始化:已知在第t-1序列存在M个电力价格其中表示电力价格Kt-1(k)在第t-1序列中的状态,对于其中显著性指标最大的电力价格Kt-1(k),初始化一个种群规模为NT的粒子群粒子状态为其中和分别为第i个粒子代表的潜在电力价格的质心横坐标,质心纵坐标,宽度和高度,粒子的初始状态为其中Σ为预定义一个对角矩阵,表示电力价格Kt-1(k)在第t序列中的预测状态,和分别为电力价格Kt-1(k)在第t-1和t-2序列中的全局最优粒子对应的状态,粒子的初始速度随机且分布在电力价格跟踪领域,实现跟踪方法的自动化与精确性面临着许多挑战,主要来自两个方面的因素,即电力价格因素和集合因素。电力价格因素是指那些发生在电力价格生命周期内的复杂情况和多个电力价格间的交互情况,例如由于电力价格的上方溢出和下方溢出或者电力价格进入或离开集合区域造成电力价格序列内数量的变化,电力价格形状变化、近邻和重叠等复杂的电力价格拓扑结构,此外缺乏一致的电力价格运动模型,这些都是电力价格跟踪的重点与难点。集合因素通常是指低的集合质量,由于市场变化而引起的波动、电力价格进入或离开共焦平面造成对比度的变化,使得所获取的集合质量下降,也就是说电力价格序列集合具有低的信噪比(SNR)或对比度,包含高噪声,此外也有集合数据量很大的因素,加大了电力价格跟踪的难度。目前存在的电力价格自动跟踪方法可以分为三类,分别为基于检测与关联的跟踪方法、基于模型演化的跟踪方法和基于滤波与采样的跟踪方法。基于检测与关联的电力价格跟踪方法包含两个主要步骤,即检测和关联。
在第一步中,分别把每一序列中的电力价格检测出来,同时得到电力价格的数目和单个电力价格的状态(如何中心、误差预测值等),在电力价格跟踪系统中常用的检测方法包括阈值法、梯度法(边缘检测)、拓扑学操作和分水岭算法。
在第二步中,在连续两序列或多序列中检测到的电力价格被关联起来,这样就可以得到电力价格的运动轨迹,此外还可以计算出电力价格的运动参数如瞬时速度和加速度等,关联通常基于最优化某一特定的目标函数,
例如最近邻法和平滑运动准则。但是在一些情况下,如集合中电力价格密度很大、电力价格分裂事件和发生分割错误时,此类跟踪方法很可能会失败。阈值法是最常用的检测方法,但是对于视觉系统中的强度变化和集合噪声,它也是最容易出现错误的一种方法。阈值法不能分割相互接触的电力价格,而分水岭变换提供了接触问题的一种有效的解决方法,其缺点是会因为噪声和其趋向产生过分割现象。
在基于模型演化的电力价格跟踪方法中,先对电力价格进行建模,然后在连续序列中更新这个模型而到达跟踪的目的,前一序列中的跟踪结果被用于当前序列相关参数的初始化,能代表电力价格的特征的模型就这样在序列间进行演化。根据建立模型的方法,此类跟踪方法中的常用算法包含主动轮廓法、水平集法、基于核的跟踪或均值漂移跟踪方法。以主动轮廓法为例,在前一序列中定义了一个与多个电力价格轮廓相关的内部能量和外部能量之和的能量函数,在当前序列中使得能量函数最小化,进而找出电力价格轮廓。与分水岭变换相比,由于近邻电力价格的轮廓或外形在这个演化过程中容易被融合一个电力价格,基于轮廓演化的跟踪方法具有产生集合欠分割现象,它需要对结果进行后续处理。
基于滤波与采样的电力价格跟踪方法模仿人类视觉系统在集合序列中估计目标运动流,能够通过整合高维度的空间、时间和先验信息来解决问题,更好利用时序信息和所研究电力价格动力学特征的先验知识。粒子滤波器(PF)常被用于电力价格跟踪,但是在估计目标当前状态的后验分布之前,需要知道测量模型和运动模型。Juang首次把混合高斯概率假设密度函数(GM-PHD)滤波器应用于多电力价格跟踪,在对电力价格宗谱的研究中发现这种滤波器能够很好地跟踪出电力价格的预测本身和电力价格的运动情况。Rezatofighi提出了LGJMS-PHD滤波器的一个闭式解,包含了状态独立的转移概率和分裂转移概率,这个滤波器明显减少了对于存在大量电力价格和检测噪声时的处理时间。尽管需要耗费大量的计算量,基于滤波与采样的跟踪方法相比于基于检测与关联的跟踪方法能够更好地利用时空信息,特别是在低质量的电力价格集合数据中能得到更加鲁棒的跟踪结果。
本实施例的一个方面旨在解决在多个集合序列下多电力价格的位置与轮廓跟踪难题,即对多细胞动力学特性存在差异、多电力价格发生变形,电力价格数目时变,电力价格近邻等情形,在无需电力价格检测模块,无需大量的电力价格训练样本,通过粒子群的搜索与优化,建立合理的位置搜索策略和轮廓模型,解决多电力价格的位置与轮廓跟踪难题。
本发明为了解决上述问题,提出的解决方案是:提供了一种基于粒子群算法的多电力价格位置与轮廓同步精确跟踪系统,包含三个主要模块:基于PSO的跟踪模块,基于PSO的发现模块和基于PSO的轮廓模块;所述基于PSO的跟踪模块在利用已存在电力价格的先验状态的基础上,得到电力价格在当前帧中的初始状态;所述基于PSO的发现模块通过适当的粒子群初始化和搜索机制在整个集合中发现新电力价格的初始状态;所述基于PSO的轮廓模块在得到电力价格初始状态的基础上计算出电力价格的轮廓,同时利用一个迭代的质心更新过程达到精确的跟踪。
实施本方法的系统是对于每一帧图象中的电力价格分为两类:已存在电力价格和新出现电力价格,如果在上一帧中存在电力价格,那么在当前帧中首先跟踪这些已存在电力价格,然后再在图象中搜索新出现电力价格。实施本方法的系统对于已存在电力价格的跟踪,对于显著性指标最大的电力价格,先通过基于PSO的跟踪模块得到电力价格的初始状态,然后利用基于PSO的轮廓模块得到精确的电力价格轮廓与位置,若成功跟踪到该电力价格,电力价格继续存在与当前帧中,否则该电力价格消失;实施本方法的系统对于新细胞的跟踪,先通过基于PSO的发现模块得到电力价格的初始状态,然后利用基于PSO的轮廓模块得到精确的电力价格轮廓与位置,对于跟踪结果,若不能关联到已存在电力价格(最近邻法),则认为发现一个新电力价格,如果连续若干次的跟踪结果为杂波(虚警),认为当前帧中的所有电力价格已被跟踪。
基于PSO的跟踪模块中的电力价格显著性指标是通过电力价格误差预测值与轮廓信息联合产生。实施本方法的系统对于已存在电力价格的跟踪,采用顺序化的跟踪方法。示范性的,本实施例的PSO的一个收敛条件为粒子群中大部分粒子的平均适应度大于阈值(其中,L和W分别为集合Yt的长度和宽度,λ为调节系数),或者达到最大迭代次数MI,粒子群的输出记为如果则表示跟踪到电力价格否则,该电力价格消失,并被标记为丢失电力价格。所述基于PSO的发现模块是在全局集合中搜索新电力价格的位置,直到连续TND次搜索过程未发现新电力价格。
实施例二
本实施例本实施例是一种电网负荷预测方法,包括步骤:
S100,建立一个区域的电网负荷与电力价格之间的关系模型。
S200,获取所述区域内的一个电力价格序列。
S300,根据所述关系模型代入所述电力价格序列,求解获得所述区域的电网负荷序列。
本实施例的关系模型包括一个预测方法F,其可以是BP神经网络法(BPNN)、支持向量机法(SVM)、小波变换与深度置信网络法(WT+DBN)、小波变换与长短期记忆网络法(WT+LSTM),小波分解与支持向量机组合法(WD+SVM)或基于小波分解和卷积神经网络的点预测算法(WD+CNN)中的一种或者包含相关步骤的改进方法。
本实施例的预测方法F中算法参数由实施例一提供的PSO算法得出,作为示范的,中国CN201410451866.4提出一种基于粒子群优化算法改进的神经网络模型用于数据预测方法,本实施例的预测方法不局限于神经网络,对于小波变换与深度置信网络法(WT+DBN)、小波变换与长短期记忆网络法(WT+LSTM),小波分解与支持向量机组合法(WD+SVM)或基于小波分解和卷积神经网络的点预测算法(WD+CNN)。
其发明构思在于,对于电力价格的影响因素假设现货电价预测中的预测误差遵循某种特定分布函数(常见如高斯分布函数),然后利用数理统计方法,从大量历史预测误差数据统计拟合得到特定分布函数中的参数,通过特定分布函数分析现货电价预测不确定性。
本实施例中,所述影响电力价格的因素包括获取电力价格,在所述每个鸟群的跟踪方法是基于模型演化的电力价格,其中,先对电力价格进行建模,然后在连续序列中更新这个模型而到达跟踪的目的,前一序列中的跟踪结果被用于当前序列相关参数的初始化,能代表电力价格的特征的模型就这样在序列间进行演化。
本发明的实施例中所述跟踪方法包含主动轮廓法、水平集法、基于核的跟踪或均值漂移跟踪方法。本实施例中所述追踪方法为主动轮廓法,其中,在前一序列中定义了一个与多个电力价格轮廓相关的内部能量和外部能量之和的能量函数,在当前序列中使得能量函数最小化,进而找出电力价格轮廓。
具体的,所述粒子群优化算法包括以下步骤:搜索和优化粒子群,建立位置搜索策略和轮廓模型,实现多电力价格的位置与轮廓跟踪。实现其所述多电力价格的位置与轮廓跟踪的系统包括基于PSO的跟踪模块,基于PSO的发现模块和基于PSO的轮廓模块。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在上面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述做出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本申请保护范围的限制。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
Claims (10)
1.一种电网负荷预测方法,其特征在于,包括步骤: S100,建立一个区域的电网负荷与电力价格之间的关系模型; S200,获取所述区域内的一个电力价格序列; S300,根据所述关系模型代入所述电力价格序列,求解获得所述区域的电网负荷序列。
2.根据权利要求1所述的电网负荷预测方法,其特征在于:所述关系模型包括一个预测方法F,其是BP神经网络法、支持向量机法、小波变换与深度置信网络法、小波变换与长短期记忆网络法,小波分解与支持向量机组合法或基于小波分解和卷积神经网络的点预测算法中的一种。
3.根据权利要求2所述的电网负荷预测方法,其特征在于,所述预测方法F的参数通过多个所述电力价格的粒子群优化算法获得。
4.根据权利要求3所述的电网负荷预测方法,其特征在于,通过所述粒子群优化算法的获取所述预测方法F一个参数的方法为,将影响电力价格的因素作为一个鸟群。
5.根据权利要求1所述的电网负荷预测方法,其特征在于,所述影响电力价格的因素包括获取电力价格。
6.根据权利要求4所述的电网负荷预测方法,其特征在于:在所述每个鸟群的跟踪方法是基于模型演化的电力价格,其中,先对电力价格进行建模,然后在连续序列中更新这个模型而到达跟踪的目的,前一序列中的跟踪结果被用于当前序列相关参数的初始化,能代表电力价格的特征的模型就这样在序列间进行演化。
7.根据权利要求6所述的电网负荷预测方法,其特征在于:所述跟踪方法包含主动轮廓法、水平集法、基于核的跟踪或均值漂移跟踪方法。
8.根据权利要求7所述的电网负荷预测方法,其特征在于:所述追踪方法为主动轮廓法,其中,在前一序列中定义了一个与多个电力价格轮廓相关的内部能量和外部能量之和的能量函数,在当前序列中使得能量函数最小化,进而找出电力价格轮廓。
9.根据权利要求8所述的电网负荷预测方法,其特征在于,所述粒子群优化算法包括以下步骤:搜索和优化粒子群,建立位置搜索策略和轮廓模型,实现多电力价格的位置与轮廓跟踪。
10.根据权利要求9所述的电网负荷预测方法,其特征在于:实现其所述多电力价格的位置与轮廓跟踪的系统包括基于PSO的跟踪模块,基于PSO的发现模块和基于PSO的轮廓模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010451428.3A CN111697570A (zh) | 2020-05-25 | 2020-05-25 | 一种电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010451428.3A CN111697570A (zh) | 2020-05-25 | 2020-05-25 | 一种电网负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111697570A true CN111697570A (zh) | 2020-09-22 |
Family
ID=72478239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010451428.3A Pending CN111697570A (zh) | 2020-05-25 | 2020-05-25 | 一种电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111697570A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434848A (zh) * | 2020-11-19 | 2021-03-02 | 西安理工大学 | 基于深度信念网络的非线性加权组合风电功率预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491812A (zh) * | 2016-06-13 | 2017-12-19 | 中国农业大学 | 基于实时电价的短期负荷预测方法 |
CN107506868A (zh) * | 2017-08-31 | 2017-12-22 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
CN108921322A (zh) * | 2018-05-25 | 2018-11-30 | 广东电网有限责任公司电力调度控制中心 | 一种基于实时电价的超短期节点负荷预测方法及系统 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN110675275A (zh) * | 2019-09-05 | 2020-01-10 | 深圳供电局有限公司 | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 |
CN110991718A (zh) * | 2019-11-25 | 2020-04-10 | 国网河北省电力有限公司高邑县供电分公司 | 一种配电网网格化规划方法 |
-
2020
- 2020-05-25 CN CN202010451428.3A patent/CN111697570A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491812A (zh) * | 2016-06-13 | 2017-12-19 | 中国农业大学 | 基于实时电价的短期负荷预测方法 |
CN107506868A (zh) * | 2017-08-31 | 2017-12-22 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
CN108921322A (zh) * | 2018-05-25 | 2018-11-30 | 广东电网有限责任公司电力调度控制中心 | 一种基于实时电价的超短期节点负荷预测方法及系统 |
CN110675275A (zh) * | 2019-09-05 | 2020-01-10 | 深圳供电局有限公司 | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 |
CN110991718A (zh) * | 2019-11-25 | 2020-04-10 | 国网河北省电力有限公司高邑县供电分公司 | 一种配电网网格化规划方法 |
Non-Patent Citations (1)
Title |
---|
李娜: "引入电价与负荷相关关系的PSO-BP神经网络电价预测模型", 《水力发电学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434848A (zh) * | 2020-11-19 | 2021-03-02 | 西安理工大学 | 基于深度信念网络的非线性加权组合风电功率预测方法 |
CN112434848B (zh) * | 2020-11-19 | 2023-06-16 | 西安理工大学 | 基于深度信念网络的非线性加权组合风电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626128B (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
Hu et al. | Learning activity patterns using fuzzy self-organizing neural network | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
Johnson et al. | Learning the distribution of object trajectories for event recognition | |
CN105809672B (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
Wang et al. | Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN106952293B (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
Wu et al. | A hybrid-forecasting model reducing Gaussian noise based on the Gaussian support vector regression machine and chaotic particle swarm optimization | |
Liangqun et al. | Maximum entropy fuzzy clustering with application to real-time target tracking | |
CN113221065A (zh) | 数据密度估计及回归方法、相应装置、电子设备、介质 | |
CN113052401A (zh) | 盲人行走轨迹预测方法、电子设备及存储介质 | |
Jebari et al. | AF-DBSCAN: An unsupervised Automatic Fuzzy Clustering method based on DBSCAN approach | |
Dash et al. | Mutation based self regulating and self perception particle swarm optimization for efficient object tracking in a video | |
CN113869274B (zh) | 基于城市管理的无人机智能跟踪监控方法及系统 | |
CN111860622B (zh) | 一种应用于编程现场大数据的聚类方法及系统 | |
Zhang et al. | Residual memory inference network for regression tracking with weighted gradient harmonized loss | |
CN111697570A (zh) | 一种电网负荷预测方法 | |
CN109448024A (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
Zhu et al. | Hierarchical reinforcement learning based on KNN classification algorithms | |
Zhang et al. | WOA-DBSCAN: application of whale optimization algorithm in DBSCAN parameter adaption | |
Xiao et al. | Robust visual tracking based on modified mayfly optimization algorithm | |
Wang et al. | Research on improved pedestrian detection algorithm based on convolutional neural network | |
CN107220993B (zh) | 基于Mean shift聚类的粒子滤波机动目标追踪方法 | |
Wang et al. | Path planning model of mobile robots in the context of crowds |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200922 |