CN111860979B - 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 - Google Patents
一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 Download PDFInfo
- Publication number
- CN111860979B CN111860979B CN202010628266.6A CN202010628266A CN111860979B CN 111860979 B CN111860979 B CN 111860979B CN 202010628266 A CN202010628266 A CN 202010628266A CN 111860979 B CN111860979 B CN 111860979B
- Authority
- CN
- China
- Prior art keywords
- day
- load
- value
- model
- data
- 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 66
- 239000002245 particle Substances 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 49
- 230000000694 effects Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000013016 learning Effects 0.000 claims description 6
- 230000009326 social learning Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000005251 gamma ray Effects 0.000 claims description 4
- 230000002779 inactivation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract 1
- 230000002354 daily effect Effects 0.000 description 28
- 238000004458 analytical method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
本发明提出一种基于TCN与IPSO‑LSSVM组合模型的短期负荷预测方法，包括以下步骤：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO‑LSSVM的短期负荷预测模型；基于优势矩阵法构建TCN与IPSO‑LSSVM组合预测模型，作日前负荷预测。本发明充分利用气象因素对负荷的影响，结合气象相似日法，通过建立考虑实时气象因素的短期负荷组合模型预测方法，为电网运行人员做好日前发电计划提供依据。
Description
技术领域
本发明涉及电力系统负荷短期预测技术领域，尤其是涉及一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法。
背景技术
电力系统负荷预测是通过对负荷历史数据以及经济、气象等影响因素进行研究和分析，对未来一段时间内的电力需求提前做出推测，从而提高电力系统管理效率、降低运行成本。负荷预测对于了解用户信息、制定有效合理的发展规划起着重要作用，而短期负荷预测作为负荷预测的重要组成部分，主要是指对未来几个小时、一天至几天的电力负荷作预测。国内外的众多研究表明，在短期负荷预测领域中，气象因素对负荷的影响作用最为明显和普遍。所以，研究气象因素与电力负荷的相关影响机制，并探寻科学合理的处理策略对提高短期负荷预测精度水平具有重要意义。目前多数短期负荷预测研究中对气象因素的应用仅局限于以日为考量单位的日特征气象因素的考虑，例如日最高温度、日最低温度、日平均温度、日最高湿度、日平均湿度、日最低湿度等。然而日特征气象因素存在着一个不可忽略的典型缺陷，即所含信息的“局部性”，这方面难以满足现代短期负荷预测精细化管理需求。气象因素在每日的不同时刻不尽相同，对日负荷曲线产生的影响作用便具有“实时性”特点。因此在短期负荷预测建模中，引入更为细粒度的实时气象信息能够更加真实细致地反映负荷与气象影响因素之间的潜在关系。为避免负荷预测结果出现较大误差的事件，尤其是夏季、冬季等天气极端的用电高峰季节，必须充分考虑温度、湿度等气象因素，建立完善的负荷预测方法，这对于电力合理系统规划、保障电力系统安全稳定运行等具有重要意义。人们进行了长期的探索，例如中国专利公开了一种基于全过程技术提升的短期电力需求分析方法[申请号：201610100143.9]，它对短期电力需求预测前、中、后的全过程技术进行整合和提升，所述的预测前技术包括数据预处理和数据分析，数据预处理包括不良数据智能辨识与修正、节假日影响的去除、负荷自然增长影响的去除和充分考虑近日历史数据的累积效应，数据分析包括日、周、月、季、年负荷分析、稳定性分析和建立典型曲线库；所述的预测中技术包括气象影响效应分析和负荷预测模型集合，所述的预测后技术包括预测评估机制。该方案仅仅提到人体在大气环境中舒适与否的公式和地区差异与天气因素来预测，并没有自学习进行回归适应的过程，而且存在对异常数据处理过于笼统，精确度不够高等缺点。
发明内容
本发明解决了目前短期负荷预测中仅局限于以日为考量单位的日特征气象因素具有局部性缺点的问题，以及解决了现有模型对异常数据处理过于笼统，精确度不够高的问题，提出一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，根据待预测日日类型、气象信息等因素，结合现有的负荷预测模型，挖掘大数据的潜在信息，计及实时气象因素，充分利用气象因素对负荷的影响，结合气象相似日法，通过建立考虑实时气象因素的短期负荷组合模型预测方法，为电网运行人员做好日前发电计划提供依据。
为实现上述目的，本发明提供以下的技术方案：
一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，包括以下步骤：
S1：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；
S2：基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；
S3：分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型；
S4：基于优势矩阵法构建TCN与IPSO-LSSVM组合预测模型，作日前负荷预测；
采用优势矩阵法对两个模型得出的时刻预测结果进行加权组合，设ωi为模型i的权值系数，fit为模型i在t时刻的预测值，ft为t时刻的组合模型预测值，则优势矩阵法确定权值系数ωi的方法如下所示：
ft＝ω1f1t+ω2f2t,t＝1,2,Λ,n
式中：Z1为研究时间段内模型1的预测效果优于模型2的次数，而Z2为研究期限内模型2预测效果优于模型1的次数，这里的预测效果本发明采用日准确度作为评价指标，即准确度较高则预测结果较优。
将实时的温度、湿度以及4项实时综合气象指数应用到神经网络模型输入，深层挖掘气象因素间的潜在信息以体现其对地区负荷产生的实时耦合作用；采用的TCN网络搭建短期负荷预测模型，能充分考虑并包容实时气象因素和负荷的“时差性”，传递实时气象等相关因素对地区负荷曲线产生的后续影响；基于优势矩阵法组合方式提出了TCN和IPSO-LSSVM组合预测模型，使得两种单项模型的优势互补，其组合模型的预测效果较原来的单项预测模型有所提升。
作为优选，所述步骤S1具体包括：
S101：对负荷、气象等数据进行筛查与预处理，补全必要缺失数据，剔除坏数据，对各项数据指标进行量化处理，各基础数据量纲不同且数值相差较大，需作标准化处理；
S102：以候平均气温15℃和23℃为指标划分春夏秋冬四个季节；
S103：计算气象综合指数得出对负荷曲线的影响；
S104：通过对负荷及气象因素作相关性分析，寻找关键气象因子。
作为优选，所述步骤S2具体包括：
获取待预测日与历史日相关数据，包括负荷数据、气象数据、日期类型信息，并处理组成特征向量；通过建立加权灰色关联度计算函数，在指定范围内对同类型日的历史样本数据依次进行搜索，计算每个历史样本数据与待预测日数据的相似程度，以此为依据选取关联程度最大的一天作为最佳相似日；
采用气象因素的相关系数绝对值所占百分比作为权重，然后由关联矩阵求得加权灰色关联度，其函数定义式为：
式中：ζij为第j个影响因子的关联系数；n为矩阵特征量个数；wj＝(w1 w2 L wn)T为灰色关联度中第j个气象因子的权重；Rj第j个影响因子与日最大负荷的相关系数；m为影响因子个数；
为所有气象因子的相关系数绝对值的总和；γ0i即为待预测日特征量与历史日第i天特征量的灰色关联度。
作为优选，所述步骤S3具体包括：
S301：以负荷以及气象数据组成网络模型输入特征向量，其中包括：当前t时刻的实时温度、当前t时刻的实时湿度、当前t时刻的ET、当前t时刻的THI、当前t时刻的CHI、当前t时刻的CI、前一日t时刻的ET、前一日t时刻的THI、前一日t时刻的CHI、前一日t时刻的CI、待预测日的日期类型映射、前一周同类型日t时刻负荷、前第1日的t+1，t，t-1，t-2，t-3时刻负荷、前第2日t时刻的负荷、相似日t时刻的负荷；
S302：构建考虑实时气象因素的TCN短期负荷预测模型，包括：TCN隐藏层和Dense全连接输出层，具体设置如下：
S321：设置TCN隐藏层，设置2层TCN网络用于负荷预测建模：第1层TCN的过滤器的数量为48，卷积核的长度为3，随机失活率为0.2；第2层TCN的过滤器的数量为16，卷积核的长度为2，随机失活率为0.05。每层都计算出预测长度为64的输出序列，最后一层设置其只返回序列的最后一个时刻的输出；
S322：设置输出层，使用全连接层对前一层返回的最后一个输出进行降维，Dense层的激活函数选取“relu”函数对输出数据做非线性映射，最后得到预测结果；
S303：构建基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型，包括如下步骤：
S331：改进粒子群算法；
S332：对于一个数量为m的给定样本集
其中xi为第i个样本的输入向量且xi∈Rn，yi为对应的第i个输出且yi∈R，则在高维特征空间中LSSVM模型的回归函数可以表示为：
式中：ω为权值向量；
为将样本映射到高维空间的非线性函数；b为偏差；
LSSVM的目标函数及约束条件为：
式中：ξ为误差变量，C为惩罚系数且C>0；
引入拉格朗日乘子之后，上述表示为：
式中：λi为拉格朗日乘子，则根据KKT条件可得：
消去ω和ξi，可得出如下的线性方程组：
其中：
Q＝[y1,y2,...,ym]T，A＝[λ1,λ2,...,λm]T，Y＝[1,1,...,1]T，I为单位矩阵；
根据Mercer条件，可以将核函数确定为：
以上联立上述式子可解出A与b，LSSVM的非线性函数式的表达为：
S333：所述的基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型具体为：
定义目标函数：
其中:n为样本总量；yi是第i个样本的已知输出值，是实际值；
是第i个样本的预测输出值，即由LSSVM模型得出的预测结果。
作为优选，所述步骤S331具体包括：
S3311：初始化IPSO的各种参数，其中包括：种群规模m；学习因子c1、c2以及惯性权重ω的初始值和最终值；最大速度Vmax；最大迭代次数kmax；待优化参数的搜索阈值；粒子的初始位置和速度；
S3312：计算每个粒子的适应度，将各粒子的当前适应度与其经过的最优位置的适应度值作比较，若当前适应度较好，则将该粒子当前位置作为其自身最优位置pbesti；
采用均方根误差作为适应度函数adapt，具体为：
其中:N为训练集样本总量；ytraini是第i个样本的实际输出值；
是第i个样本的目标输出；
S3313：将每个粒子自身的最优位置适应度值同整个粒子群的最优位置适应度值作对比，若较好，则取该粒子当前最优位置pbesti作为整个粒子群当前最优位置gbest；
S3314：在第k次迭代时，计算惯性权重值，计算学习因子，调整更新粒子的速度vi＝(vi1,vi2,...,vid)和位置ui＝(ui1,ui2,...,uid)。
式中：ω为非负的惯性因子，是粒子群算法中的关键参数，其值较大时有利于全局寻优，较小时有利于局部寻优并加快算法的收敛；c1为自我学习因子，c2为社会学习因子；
线性递减权值动态调整惯性权重ω：
式中：ωini为初始惯性权重；ωend为最大迭代次数时的惯性权重k为当前迭代次数，kmax为最大迭代次数；
动态调整自我学习因子c1和社会学习因子c2：
式中：c1ini和c1end分别为c1初始值和最终值；c2ini和c2end分别为c2初始值和最终值；k为当前迭代次数，kmax为最大迭代次数；
检查是否满足寻优结束条件，达到预先设定的最大迭代次数，若满足则结束搜索，输出最优参数值；否则转至步骤S3312，继续新一轮寻优。
作为优选，所述步骤S101具体包括：
S111：负荷标准化处理，公式为：
式中：PB为月负荷水平基准值；n为日最高温度处于指定区间内的天数；Pi为处于基准值区间的各日最大负荷值；P0为待标准化处理的日最大负荷值；选取每个月中处于指定温度区间的日最大负荷的平均值作为该月负荷水平基准值；选取每个月份中日最高温度处于某个区间内的天数最多者为基准值温度区间，即指定温度区间；
S112：影响因素数据的预处理，对气象等相关因素采用归一化的方法能够屏蔽数据之间的差异性，
标准化处理公式为：
式中：y为待归一化数据；ymax和ymin为总样本数据中对应数据的最大值、最小值；
S113：日期类型的划分与量化处理。
作为优选，所述步骤S103具体包括：
S131：计算实感温度，其计算方法为：
S132：计算温湿指数，其计算方法为：
THI＝1.8T+32-0.55(1-Rh)(1.8T-26)
S133：计算寒湿指数，适用于南方的寒湿指数的计算方法为：
S134：计算人体舒适度指数，其计算公式为：
式中：T为时刻摄氏气温(℃)；Rh为时刻相对湿度(100％)；V为时刻风速(m/s)。
本发明有以下有益效果：将实时的温度、湿度以及4项实时综合气象指数应用到神经网络模型输入，深层挖掘气象因素间的潜在信息以体现其对地区负荷产生的实时耦合作用；采用的TCN网络搭建短期负荷预测模型，能充分考虑并包容实时气象因素和负荷的“时差性”，传递实时气象等相关因素对地区负荷曲线产生的后续影响；基于优势矩阵法组合方式提出了TCN和IPSO-LSSVM组合预测模型，使得两种单项模型的优势互补，其组合模型的预测效果较原来的单项预测模型有所提升。
附图说明
图1是本发明TCN和IPSO-LSSVM组合预测模型的流程图；
图2是TCN网络短期负荷预测模型结构图；
图3是夏季典型日2017/8/11-2017/8/14模型预测结果对比图；
图4是夏季典型日2017/8/11-2017/8/14模型预测结果相对误差绝对值对比图；
图5是夏季典型日2017/8/11-2017/8/14模型预测结果局部峰值放大图；
图6是夏季典型日2017/8/11-2017/8/14模型预测结果局部谷值放大图；
图7是基于IPSO优化的LSSVM短期负荷预测流程图；
图8是冬季2017年1月18日至2017年1月19日96点日负荷曲线；
图9是冬季2017年1月18日至2017年1月19日96点相对误差绝对值曲线；
图10是夏季2017年6月24日至2017年6月25日96点日负荷曲线；
图11是夏季2017年6月24日至2017年6月25日96点相对误差绝对值曲线；
图12是TCN和IPSO-LSSVM组合预测模型96点负荷预测曲线的预测结果对比图；
图13是TCN和IPSO-LSSVM组合预测模型96点负荷预测曲线的相对误差对比图；
图14是TCN和IPSO-LSSVM组合预测模型96点负荷预测曲线的局部峰值对比图；
图15是TCN和IPSO-LSSVM组合预测模型96点负荷预测曲线的局部谷值对比图。
具体实施方式
下面结合实例及其附图对本发明作进一步详细描述。
如图1所示，一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征在于，包括如下步骤：
S1：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；
S101：对负荷、气象等数据进行筛查与预处理，补全必要缺失数据，剔除坏数据，对各项数据指标进行量化处理，各基础数据量纲不同且数值相差较大，需作标准化处理。
S111：负荷标准化处理公式为：
式中：PB为月负荷水平基准值；n为日最高温度处于指定区间内的天数；Pi为处于基准值区间的各日最大负荷值；P0为待标准化处理的日最大负荷值。选取每个月中处于指定温度区间的日最大负荷的平均值作为该月负荷水平基准值。选取每个月份中日最高温度处于某个区间内的天数最多者为基准值温度区间，即指定温度区间。仿真实例A市经选择计算后获得该地区一定年份内各月的负荷水平基准值如下表1所示。
表1 A市地区电网2010年至2017年各月份曰最大负荷标幺基准值(单位：MW)
S112：影响因素数据的预处理
为解决各样本数据的量纲和大小均不同的问题，需对样本数据进行标准化处理。对气象等相关因素采用归一化的方法能够屏蔽数据之间的差异性。
气象因子等数据标准化处理公式为：
式中：y为待归一化数据；ymax和ymin为总样本数据中对应数据的最大值、最小值。
S113：日期类型的划分与量化处理
日期类型是短期预测研究内容中需要考虑的重要方面。不同日期类型的日负荷曲线之间所表现出的特点不同，所以本发明将日期类型归为影响短期负荷预测精度的重要因素之一。相比于传统的处理方法直接将日期划分为正常工作日、周末、节假日，本文的处理方法在将日期类型分为上述三类的基础上，还对节假日以及台风日日期类型做具体量化，其取值详见下表2所示：
表2日期类型量化取值
| 特征量描述 | 量化取值 | 特征量描述 | 量化取值 |
| 正常日 | 0 | 端午当天 | 5.5 |
| 周末 | 1 | 端午后 | 5.3 |
| 元旦前 | 1.4 | 中秋前 | 6.6 |
| 元旦当天 | 1.45 | 中秋当天 | 6.8 |
| 元旦后 | 1.4 | 中秋后 | 6.5 |
| 除夕 | 2.2 | 国庆前 | 7.4 |
| 春节 | 2.2 | 国庆当天 | 7.8 |
| 元宵节 | 2 | 国庆后 | 7.5 |
| 清明节前 | 3.4 | 中元节前 | 8.3 |
| 清明节 | 3.45 | 中元节当天 | 8.5 |
| 清明节后 | 3.4 | 中元节后 | 8.3 |
| 五一前 | 4.3 | 工作日台风日 | 10 |
| 五一当天 | 4.5 | 周末台风日 | 13 |
| 五一后 | 4.3 | 节假日中的台风日 | 23 |
| 端午前 | 5.3 |
注：此处的日期类型量化取值需根据地区实际情况考虑进行量化分析。
本文的日期类型量化方法其值的大小不具备具体的含义，仅仅是为了区别各节假日，其中取值差异较大是为了加大日期类型之间的差别，在排序时适当参考负荷的递增和递进特性，以使相邻的日期类型有较相似的负荷特性，比如同一季节内的节假日负荷表现出的气象敏感程度较为相近。
S102：为了避免“秋老虎”或“倒春寒”等情况，根据地区所处地理位置特征，综合考虑地区气温和降水的情况，以候平均气温15℃和23℃为指标划分春夏秋冬四个季节，以便考虑气象在不同季节下的对负荷的影响程度。对A市具体的四季划分方法如下表3所示：
表3四季的划分方法
| 侯平均气温范围 | 季节划分 |
| ≥15℃且＜23℃ | 春季 |
| ≥23℃ | 夏季 |
| ≤23℃且≥15℃ | 秋季 |
| ＜15℃ | 冬季 |
上述的候平均气温以5天滑动平均气温代替，参考《中华人民共和国气象行业标准》中气候季节划分规定，5天滑动平均气温值计算方法如下所示：
式中：
为第j日的5天滑动平均气温值；tj为第j日的平均气温值，单位均为摄氏度(℃)。
S103：在考虑实时气象因素独立作用于负荷的基础上，进一步考虑多个实时气象因素产生的耦合效果(即气象综合指数)对负荷曲线的影响，其中包括实感温度(EffectiveTemperature，ET)、温湿指数(Temperature Humidity Index，THI)寒湿指数(ChillnessHumidity Index，CHI)和人体舒适度指数(Comfort Index，CI)，其定义分别如下所示：
S131：实感温度是人体在不同气温、湿度和风速条件下所产生的热感觉指标，其计算方法为：
S132：温湿指数主要反映的是在温度和湿度这两种气象条件的综合作用下下人体的感受程度，其计算方法为：
THI＝1.8T+32-0.55(1-Rh)(1.8T-26)
S133：寒湿指数主要用于衡量南方地区的寒冷程度，南方地区在冬季往往湿度很高，即使气温不低却仍给人一种阴冷感，即所谓的湿寒。为此，对于此类地区应当在考虑气温、风速这两种气象指标的同时还要考虑湿度带来的影响。适用于南方的寒湿指数的计算方法为：
S134：人体舒适度指数用于从气象角度去评价在不同温度、湿度、风速等气象环境下人体的舒适感，其计算公式为：
式中：T为时刻摄氏气温(℃)；Rh为时刻相对湿度(100％)；V为时刻风速(m/s)。
由于目前气象因素最多只能提供逐小时的数据，因此采用分段线性插值法对逐小时的气象数据进行插值处理，使其成为96点气象因素曲线。
假设某未知函数f(x)的定义域为D，已知其在该区间上n+1个不同的点x0,x1,…,xn∈D处的值分别为f(x0),f(x1),...f(xn)，将区间[x0,xn]分为n份，每一份记为[xi,xi+1],(i＝0,1,...,n-1)。对于每个小区间[xi,xi+1]，在区间上作f(x)的线性插值，记这个线性插值函数为gi(x)，则有：
将所有的gi(x)组合起来，即得到在区间[x0,xn]上的完整插值函数g(x)，称为f(x)在区间[x0,xn]上的分段线性插值函数。
S104：通过对负荷及气象因素作相关性分析，寻找关键气象因子。计算分析历史气象数据中温度、湿度、温湿指数、实感温度、人体舒适度、寒湿指数6项气象指标的日最大、平均、最小值，以及平均风速、日累积降雨量与日最大负荷标幺值的Pearson相关系数，评价负荷与各气象指标之间的相关程度。将A市2012年到2015年最大日负荷标幺值和气象因子标准值作相关性拟合分析，计算得到的相关系数结果如表4所示：
表4 20个气象指标与日最大负荷标幺值的相关系数
上表4纵向来看所选取的气象指标在四季与最大负荷相关系数显然不同。其中夏季的相关系数普遍较大，其次是冬季，春秋两季的相关系数普遍较小；横向来看，综合气象因子与负荷相关性普遍较高，这充分表明在做短期负荷预测研究时不能只止步于传统基础气象因子的应用，还应该进一步考虑综合气象因子带来的影响。同时可以看出，各个气象因素对负荷的影响程度不同，所以在考虑各个气象指标时应合理分配其权重以体现其对负荷因素影响程度的大小。
S2：基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；
获取待预测日与历史日相关数据，包括负荷数据、气象数据、日期类型信息，并处理组成特征向量。通过建立加权灰色关联度计算函数，综合考虑实时气象因素与日特征气象因素进行相似日选择，在指定范围内对同类型日的历史样本数据依次进行搜索，计算每个历史样本数据与待预测日数据的相似程度，以此为依据选取关联程度最大的一天作为最佳相似日。
本发明采用气象因素的相关系数绝对值所占百分比作为权重，然后由关联矩阵求得加权灰色关联度，其函数定义式为：
式中：ζij为第j个影响因子的关联系数；n为矩阵特征量个数；wj＝(w1 w2 L wn)T为灰色关联度中第j个气象因子的权重；Rj第j个影响因子与日最大负荷的相关系数，因季节而异；依据经验自定义日期类型与日最大负荷的相关系数为0.9，日期差的相关系数为0.8，m为影响因子个数；
为所有气象因子的相关系数绝对值的总和；为突出日气象特征量的整体性影响，取实时气象因子的权重为其对应气象指数平均值权重的(1/96)。如实时温度的权重为日平均温度的(1/96)；γ0i即为待预测日(记为第0天)特征量与历史日第i天特征量的灰色关联度。灰色关联度的基本思想在于通过曲线之间的相似程度来判断它们的关联程度，其实质就是曲线几何形状之间的分析比较，认为几何形状越相近其发展变化态势就越接近，则其关联程度就越大。γ0i越大说明两个序列样本X0和Xi的指标越靠近即越相似。将搜索范围内所有序列的灰色关联度γ(X0,Xi)自大而小顺序排列得到关联序集，并以此判断序列Xi与X0的关联程度大小。
S3：分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型。
S301：以负荷以及气象数据组成网络模型输入特征向量，其中包括：当前t时刻的实时温度、当前t时刻的实时湿度、当前t时刻的ET、当前t时刻的THI、当前t时刻的CHI、当前t时刻的CI、前一日t时刻的ET、前一日t时刻的THI、前一日t时刻的CHI、前一日t时刻的CI、待预测日的日期类型映射、前一周同类型日t时刻负荷、前第1日的t+1，t，t-1，t-2，t-3时刻负荷、前第2日t时刻的负荷、相似日t时刻的负荷。
S302：构建考虑实时气象因素的TCN短期负荷预测模型，所述TCN预测模型结构如附图2所示，包括：TCN隐藏层和Dense全连接输出层，模型中每层描述如下：
S321：设置TCN隐藏层。设置2层TCN网络用于负荷预测建模：第1层TCN的过滤器的数量为48，卷积核的长度为3，随机失活率为0.2；第2层TCN的过滤器的数量为16，卷积核的长度为2，随机失活率为0.05。每层都计算出预测长度为64的输出序列，最后一层设置其只返回序列的最后一个时刻的输出。
S322：设置输出层。使用全连接层对前一层返回的最后一个输出进行降维，本文Dense层的激活函数选取“relu”函数对输出数据做非线性映射，最后得到预测结果。对得到的预测值进行反归一化，便可得出该时刻的负荷预测结果。依次预测96点，便可得出待预测日96点负荷曲线预测结果。
实例仿真对比采用基于注意力机制的长短期记忆网络(attention long shortterm Memory，Attention-LSTM，本文以ATT-LSTM表示)、支持向量回归(support vectorregression，SVR)、随机森林算法(random forest，RF)，梯度提升回归树算法(gradientboost regression tree，GBRT)相比较。上述对比方法均基于Python开发环境的Keras深度学习框架进行，其中，ATT-LSTM采用一层注意力机制网络接两层LSTM隐藏层，分别设置LSTM每层神经元的个数为64、32，激活函数选取“relu”函数，迭代次数设置为50次，时间步长同样设置为64。通过调用sklearn机器学习库来实现SVR、RF、GBRT算法，其中：SVR采用径向基函数(radical basis function，RBF)作为核函数，惩罚系数C设置为10；RF和GBRT参数设置采用默认值。每个模型都是依次输入一个时刻特征向量输出该时刻的负荷预测值，连续进行96次预测得出1天中的96点负荷预测值。
结合工程实际，选择准确度Aj，平均绝对百分比误差(mean absolute percentageerror，MAPE)和均方根误差(root mean square error，RMSE)3个指标作为预测结果的评价依据：
式中：LFi，LRi分别为负荷预测值和实际值；n为日负荷预测总点数；Ei为第i点的相对误差绝对值。
本文选取A市地区2017年8月11日-8月14日作为夏季典型日分析，其气象情况及日期类型如表5所示。这几日中2017年8月11日-8月13的日最高温度均在32以上，且为高温累积日，又带有降雨，属于南方典型的夏季高温、湿热天气类型。从表6的预测结果可以看出TCN预测模型在这4天的预测结果均优于其他对比模型。图3即为几种模型对这个小数据集的预测结果。从图4可以看出，对于给定的样本，TCN模型在大多数峰谷值的预测相对误差均较小，即预测精度较高。图3中的部分峰值和谷值的放大分别显示在图5和图6中，结合相对误差对比图和局部放大图，可以看出TCN模型不论是在峰值和谷值的预测中，还是在趋势形态的拟合程度上都优于其他模型。证明本文提出TCN短期负荷预测模型的鲁棒性和稳定性更好，更适用于实际短期负荷预测。
表5夏季典型日2017/8/11-2017/8/14的天气情况及日期类型
表6夏季典型日2017/08/11-2017/08/14的预测结果评估
S303：构建基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型，包括如下步骤：
S331：改进粒子群算法步骤为：
S3311：初始化IPSO的各种参数，其中包括：种群规模m；学习因子c1、c2以及惯性权重ω的初始值和最终值；最大速度Vmax；最大迭代次数kmax；待优化参数的搜索阈值；粒子的初始位置和速度等。
S3312：计算每个粒子的适应度，然后将各粒子的当前适应度与其经过的最优位置的适应度值作比较，若当前适应度较好，则将该粒子当前位置作为其自身最优位置pbesti。
采用均方根误差(root mean square error，RMSE)作为适应度函数adapt，具体为：
其中:N为训练集样本总量；ytraini是第i个样本的实际输出值；
是第i个样本的目标输出。
S3313：将每个粒子自身的最优位置适应度值同整个粒子群的最优位置适应度值作对比，若较好，则取该粒子当前最优位置pbesti作为整个粒子群当前最优位置gbest。
S3314：在第k次迭代时，计算惯性权重值，计算学习因子调整更新粒子的速度vi＝(vi1,vi2,...,vid)和位置ui＝(ui1,ui2,...,uid)。
式中：ω为非负的惯性因子，是粒子群算法中的关键参数，其值较大时有利于全局寻优，较小时有利于局部寻优并加快算法的收敛；c1为自我学习因子，c2为社会学习因子，这两个的值一般都取为常数2；r1和r2为每次迭代时在[0,1]之间取值的随机数。
线性递减权值动态调整惯性权重ω：
式中：ωini为初始惯性权重；ωend为最大迭代次数时的惯性权重k为当前迭代次数，kmax为最大迭代次数。
动态调整自我学习因子c1和社会学习因子c2：
式中：c1ini和c1end分别为c1初始值和最终值；c2ini和c2end分别为c2初始值和最终值；k为当前迭代次数，kmax为最大迭代次数。
检查是否满足寻优结束条件(达到预先设定的最大迭代次数)，若满足则结束搜索，输出最优参数值；否则转至步骤2)，继续新一轮寻优。
S332：所述最小二乘支持向量机(LSSVM)的预测模型具体为：
对于一个数量为m的给定样本集
其中xi为第i个样本的输入向量且xi∈Rn，yi为对应的第i个输出且yi∈R，则在高维特征空间中LSSVM模型的回归函数可以表示为：
式中：ω为权值向量；
为将样本映射到高维空间的非线性函数；b为偏差。LSSVM的目标就是通过构造函数f(x)基于样本x来近似估计与其对应的输出函数值y。
LSSVM的目标函数及约束条件可以描述为：
式中：ξ为误差变量，C为惩罚系数且C>0。
引入拉格朗日乘子之后，上式(5-3)可表示为：
式中：λi为拉格朗日乘子。则根据KKT条件可得：
消去ω和ξi，可得出如下的线性方程组：
其中：
Q＝[y1,y2,...,ym]T，A＝[λ1,λ2,...,λm]T，Y＝[1,1,...,1]T，I为单位矩阵。
根据Mercer条件，可以将核函数确定为：
以上联立上述式子可解出A与b，于是LSSVM的非线性函数式可表达为：
S333：所述的基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型具体为：
定义目标函数：
其中:n为样本总量；yi是第i个样本的已知输出值，是实际值；
是第i个样本的预测输出值，即由LSSVM模型得出的预测结果。
LSSVM模型参数的优化思想是通过某种算法寻找到一组参数，使其目标函数值达到最优。LSSVM的超参数设置对模型的预测精度具有较大的影响，利用LSSVM建立短期负荷预测模型前需对其惩罚参数C和核参数σ2进行合理的优化选择。
利用LSSVM分别构建各季节以及区分工作日和非工作日的短期负荷模型，然后再利用IPSO算法对各数据集进行定量分析建模、分别进行超参数优化。基于IPSO优化的LSSVM短期负荷预测流程见图7，IPSO优化算法参数初始化以及LSSVM模型超参数设置如下所示：
表7参数设置
为证明本文提出的基于IPSO-LSSVM的短期负荷预测方法相比于传统的SVM方法更能准确预测电网日负荷变化情况，本文结合A市电网的相关气象以及负荷数据进行仿真验证。由于径向基函数RBF结构简单且泛化能力强，待优化的参数最少，只有惩罚参数C和核函数参数σ2，所以本课题选用RBF作为核函数。SVM基于Python环境编程参数选取为：核函数为径向基函数RBF，惩罚系数C＝10，核参数gamma选择'auto'，损失函数参数epsilon＝0.01。IPSO-LSSVM基于Mathlab2018b软件完成编程计算，核函数为径向基函数RBF，模型超参数将按前述地方法采用改进的粒子群算法寻优，四季IPSO-LSSVM模型超参数寻优结果如表8所示。划分数据集数据，采用待预测日前70天的历史数据作为训练集，对冬季2017年1月18日至2017年1月19日，夏季2017年6月24日至2017年6月25日分别进行预测，结果分析如下所示：
表8四季IPS0-LSSVM模型超参数寻优结果
表9负荷预测结果指标对比
由图8、图9、图10和图11可知，IPSO-LSSVM模型的预测精度较SVM模型高，其预测曲线与实际曲线变化趋势较为相近，整体预测误差较小，具有较好的预测效果。由表9可知，IPSO-LSSVM模型具有较大的准确度以及较小的最小的MAPE、RMSE，显然预测效果优于SVM模型。
S4：基于优势矩阵法构建TCN与IPSO-LSSVM组合预测模型，作日前负荷预测。
基于优势矩阵法将TCN和IPSO-LSSVM两种模型进行组合，作日前负荷预测。采用TCN及IPSO-LSSVM构建组合预测模型。方法如下所示：采用优势矩阵法对两个模型得出的时刻预测结果进行加权组合。设ωi为模型i的权值系数，fit为模型i在t时刻的预测值，ft为t时刻的组合模型预测值，则优势矩阵法确定权值系数ωi的方法如下所示：
ft＝ω1f1t+ω2f2t,t＝1,2,Λ,n
式中：Z1为研究时间段内模型1的预测效果优于模型2的次数，而Z2为研究期限内模型2预测效果优于模型1的次数，这里的预测效果本发明采用日准确度作为评价指标，即准确度较高则预测结果较优。
上述模型1为基于时域卷积网络TCN的短期负荷预测模型，模型2为基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型。
对数据集按季节、日期类型分类训练IPSO-LSSVM，采用IPSO-LSSVM进行预测汇总，选取2017年3月1日至2017年3月28日的数据作为验证集，统计所用单项模型的占优次数，2017年4月1日至2017年4月30日作为测试数据。预测目标为短期负荷日前预测，相关预测模型在Matlab 2018b与Python3.7环境下完成编程计算。首先采用IPSO-LSSVM、TCN、ATT-LSTM(TCN、ATT-LSTM的参数设置同步骤(3))三种模型对验证集的数据进行预测，得出结果如下所示：
表10 3种单项模型验证集预测效果准确度对比
根据优势矩阵法的原理，结合上述表10的数据集预测效果可以确定各项组合预测模型的权值系数配比如下所示：
式中：ωL和ωS1分别为ATT-LSTM与IPSO-LSSVM组合预测模型中ATT-LSTM模型和IPSO-LSSVM模型的权重；ωT和ωS2分别为TCN与IPSO-LSSVM组合预测模型中TCN模型和IPSO-LSSVM模型的权重；fLt、fTt、fSt分别为ATT-LSTM、TCN和IPSO-LSSVM模型在t时刻的预测值；ft (LS)为t时刻的ATT-LSTM与IPSO-LSSVM组合模型预测值，ft (TS)为t时刻的TCN与IPSO-LSSVM组合模型预测值。
各单项模型和组合模型的4月份预测结果如下表11所示。可以看出，2种组合模型的预测效果都较原来的单项预测模型整体有所提升。预测结果的各项统计指标如表12所示，显然TCN与IPSO-LSSVM组合模型(TS加权组合)预测值相比于ATT-LSTM与IPSO-LSSVM组合模型(LS加权组合)在MAPE和RMSE指标上普遍较小，准确度普遍较高，日负荷预测准确度月平均值均大于95％，满足电网对地市级日负荷预测的考核要求，证明本文提出TCN与IPSO-LSSVM组合模型的鲁棒性和稳定性更好，更适用于实际短期负荷预测。
表11 4月各模型预测结果准确度对比
表12 4月份各模型预测结果指标统计
| 模型 | 平均准确度 | 平均MAPE | 平均RMSE/MW |
| IPSO-LSSVM | 95.28％ | 4.10％ | 84.58 |
| ATT-LSTM | 96.33％ | 3.11％ | 66.36 |
| TCN | 96.61％ | 2.91％ | 64.69 |
| LS加权组合 | 96.42％ | 3.11％ | 64.91 |
| TS加权组合 | 96.75％ | 2.81％ | 59.44 |
为细致观察负荷曲线的预测效果，选取其中2017/04/16和2017/04/17两日各模型的预测结果进行分析。图12即为几种模型两日的96点负荷曲线预测结果。从图13可以看出，对于给定的样本，TS加权组合模型在大多数峰谷值的预测相对误差均较小，同时可以看到，当两种单项模型的误差相互抵消时，组合预测模型的误差获得了大幅度的降低，预测精度得到了提升。图12中的部分峰值和谷值的放大分别显示在图14和图15中，结合相对误差对比图和局部放大图，可以看出TS加权组合模型不论是在峰值和谷值的预测中，还是在趋势形态的拟合程度上都优于原来的单项预测模型以及LS加权组合预测模型，即具有最高预测精度，证明了组合预测模型较于单项模型的独特优势。
Claims (6)
1.一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，包括以下步骤：
S1：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量气象信息数据，计算综合气象指数，并进行数据预处理；
S2：基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；
S3：分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型；所述步骤S3具体包括：
S301：以负荷以及气象数据组成网络模型输入特征向量，其中包括：当前t时刻的实时温度、当前t时刻的实时湿度、当前t时刻的ET、当前t时刻的THI、当前t时刻的CHI、当前t时刻的CI、前一日t时刻的ET、前一日t时刻的THI、前一日t时刻的CHI、前一日t时刻的CI、待预测日的日期类型映射、前一周同类型日t时刻负荷、前第1日的t+1，t，t-1，t-2，t-3时刻负荷、前第2日t时刻的负荷和相似日t时刻的负荷；
S302：构建考虑实时气象因素的TCN短期负荷预测模型，包括：TCN隐藏层和Dense全连接输出层，具体设置如下：
S321：设置TCN隐藏层，设置2层TCN网络用于负荷预测建模：第1层TCN的过滤器的数量为48，卷积核的长度为3，随机失活率为0.2；第2层TCN的过滤器的数量为16，卷积核的长度为2，随机失活率为0.05，每层都计算出预测长度为64的输出序列，最后一层设置其只返回序列的最后一个时刻的输出；
S322：设置输出层，使用全连接层对前一层返回的最后一个输出进行降维，Dense层的激活函数选取“relu”函数对输出数据做非线性映射，最后得到预测结果；
S303：构建基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型，包括如下步骤：
S331：改进粒子群算法；
S332：对于一个数量为m的给定样本集
其中xi为第i个样本的输入向量且xi∈Rn，yi为对应的第i个输出且yi∈R，则在高维特征空间中LSSVM模型的回归函数表示为：
式中：ω为权值向量；
为将样本映射到高维空间的非线性函数；b为偏差；
LSSVM的目标函数及约束条件为：
式中：ξ为误差变量，C为惩罚系数且C>0；
引入拉格朗日乘子之后，上述表示为：
式中：λi为拉格朗日乘子，则根据KKT条件可得：
消去ω和ξi，得出如下的线性方程组：
其中：
Q＝[y1,y2,...,ym]T，A＝[λ1,λ2,...,λm]T，Y＝[1,1,...,1]T，I为单位矩阵；
根据Mercer条件，将核函数确定为：
以上联立线性方程组和核函数解出A与b，LSSVM的非线性函数式的表达为：
S333：所述的基于改进粒子群法优化的最小二乘支持向量机IPSO-LSSVM的短期负荷预测模型具体为：
定义目标函数：
其中:n为样本总量；yi是第i个样本的已知输出值，是实际值；
是第i个样本的预测输出值，即由LSSVM模型得出的预测结果；
S4：基于优势矩阵法构建TCN与IPSO-LSSVM组合预测模型，作日前负荷预测；
采用优势矩阵法对两个模型得出的时刻预测结果进行加权组合，设ωi为模型i的权值系数，fit为模型i在t时刻的预测值，ft为t时刻的组合模型预测值，则优势矩阵法确定权值系数ωi的方法如下所示：
ft＝ω1f1t+ω2f2t，t＝1，2，…，n
式中：Z1为研究时间段内模型1的预测效果优于模型2的次数，而Z2为研究期限内模型2预测效果优于模型1的次数，这里的预测效果采用日准确度作为评价指标，即日准确度越高则预测结果越优。
2.根据权利要求1所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S1具体包括：
S101：对负荷、气象数据进行筛查与预处理，补全必要缺失数据，剔除坏数据，对各项数据指标进行量化处理，作标准化处理；
S102：以候平均气温15℃和23℃为指标划分春夏秋冬四个季节；
S103：计算气象综合指数得出对负荷曲线的影响；
S104：通过对负荷及气象因素作相关性分析，寻找关键气象因子。
3.根据权利要求1所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S2具体包括：
获取待预测日与历史日相关数据，包括负荷数据和气象数据、日期类型信息，并处理组成特征向量；通过建立加权灰色关联度计算函数，在指定范围内对同类型日的历史样本数据依次进行搜索，计算每个历史样本数据与待预测日数据的相似程度，以此为依据选取关联程度最大的一天作为最佳相似日；
采用气象因素的相关系数绝对值所占百分比作为权重，然后由关联矩阵求得加权灰色关联度，其函数定义式为：
式中：ζij为第j个影响因子的关联系数；n为矩阵特征量个数；wj＝(w1,w2,…,wn)T为灰色关联度中第j个气象因子的权重；Rj第j个影响因子与日最大负荷的相关系数；m为影响因子个数；
为所有气象因子的相关系数绝对值的总和；γ0i即为待预测日特征量与历史日第i天特征量的灰色关联度。
4.根据权利要求1所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S331具体包括：
S3311：初始化IPSO的各种参数，其中包括：种群规模；学习因子c1、c2以及惯性权重ω的初始值和最终值；最大速度Vmax；最大迭代次数kmax；待优化参数的搜索阈值；粒子的初始位置和速度；
S3312：计算每个粒子的适应度，将各粒子的当前适应度与其经过的最优位置的适应度值作比较，若当前适应度与其经过的最优位置的适应度值误差在一定范围内，则将该粒子当前位置作为其自身最优位置pbesti；
采用均方根误差作为适应度函数adapt，具体为：
其中:N为训练集样本总量；ytraini是第i个样本的实际输出值；
是第i个样本的目标输出；
S3313：将每个粒子自身的最优位置适应度值同整个粒子群的最优位置适应度值作对比，若每个粒子自身的最优位置适应度值同整个粒子群的最优位置适应度值的误差在一定范围内，则取该粒子当前最优位置pbesti作为整个粒子群当前最优位置gbest；
S3314：在第k次迭代时，计算惯性权重值，计算学习因子，调整更新粒子的速度vi＝(vi1,vi2,...,vid)和位置ui＝(ui1,ui2,...,uid)；
式中：ω为非负的惯性因子；c1为自我学习因子，c2为社会学习因子；
线性递减权值动态调整惯性权重ω：
式中：ωini为初始惯性权重；ωend为最大迭代次数时的惯性权重k为当前迭代次数，kmax为最大迭代次数；
动态调整自我学习因子c1和社会学习因子c2：
式中：c1ini和c1end分别为c1初始值和最终值；c2ini和c2end分别为c2初始值和最终值；k为当前迭代次数，kmax为最大迭代次数；
检查是否满足寻优结束条件，达到预先设定的最大迭代次数，若满足则结束搜索，输出最优参数值；否则转至步骤S3312，继续新一轮寻优。
5.根据权利要求2所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S101具体包括：
S111：负荷标准化处理，公式为：
式中：PB为月负荷水平基准值；n为日最高温度处于指定区间内的天数；Pi为处于基准值区间的各日最大负荷值；P0为待标准化处理的日最大负荷值；选取每个月中处于指定温度区间的日最大负荷的平均值作为该月负荷水平基准值；选取每个月份中日最高温度处于某个区间内的天数最多者为基准值温度区间，即指定温度区间；
S112：影响因素数据的预处理；
标准化处理公式为：
式中：y为待归一化数据；ymax和ymin为总样本数据中对应数据的最大值、最小值；
S113：日期类型的划分与量化处理。
6.根据权利要求2所述的一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，其特征是，所述步骤S103具体包括：
S131：计算实感温度，其计算方法为：
S132：计算温湿指数，其计算方法为：
THI＝1.8T+32-0.55(1-Rh)(1.8T-26)
S133：计算寒湿指数，适用于南方的寒湿指数的计算方法为：
S134：计算人体舒适度指数，其计算公式为：
式中：T为时刻摄氏气温(℃)；Rh为时刻相对湿度(100％)；V为时刻风速(m/s)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010628266.6A CN111860979B (zh) | 2020-07-01 | 2020-07-01 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010628266.6A CN111860979B (zh) | 2020-07-01 | 2020-07-01 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860979A CN111860979A (zh) | 2020-10-30 |
| CN111860979B true CN111860979B (zh) | 2022-08-12 |
Family
ID=73151854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010628266.6A Active CN111860979B (zh) | 2020-07-01 | 2020-07-01 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860979B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529268B (zh) * | 2020-11-28 | 2023-06-27 | 广西大学 | 一种基于流形学习的中短期负荷预测方法及装置 |
| CN112668613A (zh) * | 2020-12-07 | 2021-04-16 | 中国西安卫星测控中心 | 基于气象预报和机器学习的卫星红外成像效果预测方法 |
| CN112613641B (zh) * | 2020-12-07 | 2022-04-15 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
| CN112836885B (zh) * | 2021-02-09 | 2022-07-15 | 国网甘肃省电力公司电力科学研究院 | 组合负荷预测方法、装置、电子设备和存储介质 |
| CN112966868A (zh) * | 2021-03-13 | 2021-06-15 | 山东大学 | 一种建筑负荷日前预测方法及系统 |
| CN113313287B (zh) * | 2021-04-23 | 2023-12-08 | 江苏省农业科学院 | 一种灰飞虱种群数量短期预测模型的构建方法 |
| CN113159438A (zh) * | 2021-04-30 | 2021-07-23 | 国网湖北省电力有限公司武汉供电公司 | 一种基于差异化多模融合的负荷加权集成预测方法 |
| CN113467291A (zh) * | 2021-06-11 | 2021-10-01 | 广西大学 | 一种适合双向互动的节能楼宇集中器控制方法 |
| CN113505534B (zh) * | 2021-07-07 | 2023-09-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
| CN113505923B (zh) * | 2021-07-08 | 2022-06-17 | 广西大学 | 一种地区电网短期负荷预测方法及系统 |
| CN113705922B (zh) * | 2021-09-06 | 2023-09-12 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
| CN113872186A (zh) * | 2021-09-06 | 2021-12-31 | 广西电网有限责任公司电力科学研究院 | 基于模仿学习的微电网控制策略推荐模型训练系统 |
| CN113837459B (zh) * | 2021-09-15 | 2024-05-03 | 浙江浙能数字科技有限公司 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
| CN113762486B (zh) * | 2021-11-11 | 2022-04-08 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
| CN114418174A (zh) * | 2021-12-13 | 2022-04-29 | 国网陕西省电力公司电力科学研究院 | 电动汽车充电负荷预测方法 |
| CN114595873B (zh) * | 2022-02-23 | 2024-07-19 | 安徽理工大学 | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 |
| CN114943360A (zh) * | 2022-03-04 | 2022-08-26 | 沈阳工程学院 | 基于改进粒子群的神经网络预测光伏短期发电方法 |
| CN114811858B (zh) * | 2022-03-22 | 2023-11-10 | 国网上海市电力公司 | 一种空调负荷在线学习方法 |
| CN115511197B (zh) * | 2022-10-11 | 2023-09-08 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种高寒地区换热站供热负荷预测方法 |
| CN115662143B (zh) * | 2022-11-21 | 2023-04-14 | 吉林大学 | 一种公交企业运营安全态势动态预测系统及方法 |
| CN115936195B (zh) * | 2022-11-23 | 2024-07-12 | 合肥工业大学 | 智能小区能源优化方法、系统、电子设备和存储介质 |
| CN116227748A (zh) * | 2023-05-08 | 2023-06-06 | 石家庄铁道大学 | 生态环境pm2.5浓度预测模型的训练方法及预测方法 |
| CN118036789B (zh) * | 2023-06-21 | 2024-09-10 | 中国科学院广州能源研究所 | 一种混合电动汽车负荷分类预测方法及相关设备 |
| CN116597656A (zh) * | 2023-07-17 | 2023-08-15 | 四川省商投信息技术有限责任公司 | 基于大数据分析下道路交通流预测的方法、设备和介质 |
| CN116753561B (zh) * | 2023-08-14 | 2024-01-09 | 陕西拓普索尔电子科技有限责任公司 | 供热控制方法、控制装置和供热系统 |
| CN117853275B (zh) * | 2024-03-08 | 2024-07-09 | 广东采日能源科技有限公司 | 用电预测的方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014113963B4 (de) * | 2014-09-26 | 2024-10-17 | Karlsruher Institut für Technologie | Marxgenerator zur Erzeugung einer Pulsspannung |
| 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 |
| CN107527116B (zh) * | 2017-08-28 | 2021-02-02 | 山东科技大学 | 基于支持向量回归的短期负荷预测方法 |
| CN108416366B (zh) * | 2018-02-06 | 2021-09-21 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
| CN108932557A (zh) * | 2018-04-28 | 2018-12-04 | 云南电网有限责任公司临沧供电局 | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 |
| CN109871977A (zh) * | 2018-12-25 | 2019-06-11 | 广东电网有限责任公司 | 基于离散小波变换和优化最小支持向量机的负荷预测方法 |
| CN110472779B (zh) * | 2019-07-30 | 2022-05-03 | 东莞理工学院 | 一种基于时间卷积网络的电力系统短期负荷预测方法 |
| CN110909994A (zh) * | 2019-11-13 | 2020-03-24 | 广西电网有限责任公司 | 基于大数据驱动的小水电群发电量预测方法 |
| CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
| CN111260030B (zh) * | 2020-01-13 | 2021-01-05 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-07-01 CN CN202010628266.6A patent/CN111860979B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728401A (zh) * | 2019-10-10 | 2020-01-24 | 郑州轻工业学院 | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860979A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
| AU2020104000A4 (en) | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
| CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
| CN107730031B (zh) | 一种超短期高峰负荷预测方法及其系统 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
| CN106485262A (zh) | 一种母线负荷预测方法 | |
| CN108734321A (zh) | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 | |
| CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN113434989A (zh) | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 | |
| CN112686449A (zh) | 基于人体气象舒适度指数的居民用电预测方法 | |
| CN115238948A (zh) | 小水电发电量预测方法及装置 | |
| CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
| Torabi et al. | A data mining paradigm to forecast weather sensitive short-term energy consumption | |
| CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN115392546A (zh) | 基于气象因子的降温电量预测及需求侧管理方法及装置 | |
| CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |