CN112001554B - 一种基于参数自适应相似日法的短期负荷预测方法 - Google Patents

一种基于参数自适应相似日法的短期负荷预测方法 Download PDF

Info

Publication number
CN112001554B
CN112001554B CN202010867795.1A CN202010867795A CN112001554B CN 112001554 B CN112001554 B CN 112001554B CN 202010867795 A CN202010867795 A CN 202010867795A CN 112001554 B CN112001554 B CN 112001554B
Authority
CN
China
Prior art keywords
day
similarity
daily
population
taste concentration
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
Application number
CN202010867795.1A
Other languages
English (en)
Other versions
CN112001554A (zh
Inventor
孙国歧
蔡旭
于守政
魏晓宾
陈弘川
曹云峰
刘涛
代明
苏辉
马丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Deyou Electric Corp ltd
Original Assignee
Shandong Deyou Electric Corp ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Deyou Electric Corp ltd filed Critical Shandong Deyou Electric Corp ltd
Priority to CN202010867795.1A priority Critical patent/CN112001554B/zh
Publication of CN112001554A publication Critical patent/CN112001554A/zh
Application granted granted Critical
Publication of CN112001554B publication Critical patent/CN112001554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力技术领域，具体涉及一种基于参数自适应相似日法的短期负荷预测方法。其采用参数自适应相似日法对日用电量进行短期预测，首先采用改进的果蝇优化算法求解相似日法模型中日类型的相似度、日期距离的最小相似度和各因素的权重系数；然后采用训练好的相似日模型计算各历史日与预测日的日特征相似度，用日特征相似度最大的历史日对预测日的日用电量进行预测。利用本发明所提出的短期负荷预测方法，可以根据特定用户的负荷变化特性自动改变参数，有效增强了相似日法的准确性和通用性。

Description

一种基于参数自适应相似日法的短期负荷预测方法
技术领域
本发明属于电力技术领域，具体涉及一种基于参数自适应相似日法的短期负荷预测方法。
背景技术
电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。
多年来电力负荷预测方法不断发展，目前主要采用相似日法，相似日法顾名思义就是要找到与预测日相似的日期，在这些日期里，影响负荷变化的因素如日期类型、季节类型、气温等，具有相似性，将这些影响因素组合形成一个向量用于描述某一天的日特征，通过查找日特征相似度最高的日期为预测的相似日。一个有效的相似日法模型，相似度最高的历史日理应可以反映预测日的负荷使用情况。因此，相似度的计算是相似日法的关键。
相似度计算公式包含各因素的相似度及其权重，现有研究中对各因素相似度的赋值一般采取人工给定的方式，完全依靠人工经验。以日类型相似度为例，目前主要的赋值方法是根据地区特性，将一周划分为不同个日期类型，依据人工经验给每个日期类型设置一个映射值，日类型相似度的计算采取的是预测日和历史日的日类型映射值之差。
人工设定各因素的相似度要求对用户负荷变化特性十分了解，但由于存在主观性，难免会产生误差。针对不同的用户，需要设置不同的参数值，通用性不强。
发明内容
本发明的目的在于提供一种基于参数自适应相似日法的短期负荷预测方法，其利用历史数据训练相似日模型，实现参数自适应，减少人工主观设定参数值带来的误差。增强相似日法的准确性和通用性。
本发明是采用如下技术方案来实现的：
即一种基于参数自适应相似日法的短期负荷预测方法，其特征在于，包括以下步骤：
步骤一：日特征向量选取及赋值
日特征向量可以记作[D,d,T,H]，其中D代表日类型，d代表日期距离，T代表日平均气温，H代表日平均相对湿度；
步骤二：计算各因素的相似度
日类型相似度的计算方式如下：如果预测日和历史日的日类型相同，则相似度为1；否则，如果预测日和历史日中有一天是星期一，另一天是星期二，则这两日的日类型相似度为F1,2；如果预测日和历史日中有一天是星期一，另一天是星期三，则相似度为F1,3，以此类推，日类型相似度的取值范围在0到1之间，由步骤四的参数自适应过程训练得出；
日期距离相似度的计算公式如下：
Figure GDA0003707340710000021
式中，d为历史日与待预测日的间隔天数，β为衰减系数，含义是历史日与待预测日的距离每增加一天的相似度缩减比率，取值在0.90-0.98之间，a为该因素的最低相似度，由步骤四的参数自适应过程训练得出；
气象因素相似度的计算方式如下：
首先求出各气象因素的差异值并进行归一化，预测日与第i个历史日在第k个特征的关联系数为：
Figure GDA0003707340710000031
式中，△'i(k)指第i个历史日的第k个特征的差异归一化值，ρ是一个介于0与1之间的常数；
综合各个特征的关联系数，得到预测日与第i个历史日的气象因素关联度：
Figure GDA0003707340710000032
步骤三：计算日特征的总体相似度
计算日特征的总体相似度，计算公式如下：
Figure GDA0003707340710000033
式中，Fp,q代表日类型的相似度，Fd代表日期距离的相似度，Fm代表气象因素的相似度；λw、λd、λm分别代表对应因素的权重，取值范围在0到1之间，由步骤四的参数自适应过程训练得出；
步骤四：参数自适应
采用改进的果蝇优化算法训练相似日法模型中的25个参数，包括21个不同日类型的相似度、日期距离的最低相似度和各因素的权重，以每个果蝇个体的位置坐标代表满足约束条件的一组参数，不断调整参数，使得在训练样本中，从粗集中选取的第1相似日对日用电量进行预测的误差之和最小；
步骤五：对预测日的日用电量进行预测
采用训练好的相似日模型计算各历史日与预测日的日特征相似度，选取日特征相似度最大的一个历史日作为预测日的第1相似日，用第1相似日的日用电量对预测日的日用电量进行预测。
进一步的，本发明步骤二中优选但不限于取ρ＝0.5。
进一步的，本发明步骤四中改进的果蝇优化算法训练参数的具体求解步骤如下：
1)设置最大迭代次数(Itermax)、种群数量(groupsize)、种群规模(popsize)；
2)在定义域内随机产生groupsize个果蝇种群的初始位置，果蝇个体的初始位置可以表示为
Figure GDA0003707340710000041
其中i是果蝇所属种群，i＝1,2,…,groupsize；
3)每个果蝇种群中有popsize个果蝇个体，对于每个果蝇个体，赋予其从初始位置出发一个随机的飞行方向和距离，即飞行后终点将是飞行方向上的任何值，Xi,j＝(xi,j,1,xi,j,2,…,xi,j,25)是第i个果蝇种群中的第j个果蝇个体所对应的位置坐标，设di,j为1到25之间的一个随机整数，那么有：
Figure GDA0003707340710000042
式中，i＝1,2,…,groupsize，j＝1,2,…,popsize；rand表示生成一个在0到1间的随机数；
4)将所有果蝇个体的位置坐标代入味道浓度判定函数，计算每个果蝇个体所对应的味道浓度。将味道浓度判定函数记作Smell，该问题下的味道浓度判断函数是指在当前相似日的模型下，训练样本中每一日用相似日法选取的第1相似日进行预测的误差之和；
5)上一代每个种群的最优味道浓度记为
Figure GDA0003707340710000043
记录每个种群中味道浓度优于上代最优味道浓度的果蝇个体所对应的位置坐标；
6)对于每个种群，将当前果蝇群体中所有味道浓度优于上代最优味道浓度的果蝇个体对应的位置坐标组合成一个新的果蝇个体位置
Figure GDA0003707340710000051
其中第r(r＝1,2,…,25)个分量的值
Figure GDA0003707340710000052
等于所有在第r个分量上变化的果蝇个体中味道浓度最优的一个；
Figure GDA0003707340710000053
7)对于每个种群，判断当前果蝇群体中的最优味道浓度或新果蝇的味道浓度是否优于前一次迭代的最优味道浓度
Figure GDA0003707340710000054
若是则更新最优味道浓度
Figure GDA0003707340710000055
和记录最优味道浓度所对应的果蝇个体的位置；
8)对于每个种群，群体中的果蝇均飞向当前群体最优味道浓度的所在位置，算法进入迭代寻优，重复步骤(3)到步骤(8)，直到迭代次数达到Itermax；
迭代完成以后，选取在所有种群中最优味道浓度对应的果蝇个体的位置作为最优参数。
本发明采用改进的果蝇优化算法求解相似日法模型中日类型的相似度、日期距离的最小相似度和各因素的权重系数；然后采用训练好的相似日模型计算各历史日与预测日的日特征相似度，用日特征相似度最大的历史日对预测日的日用电量进行预测。利用本发明所提出的短期负荷预测方法，可以根据特定用户的负荷变化特性自动改变参数，有效增强了相似日法的准确性和通用性。
附图说明
图1为本发明的预测流程图；
图2为本发明改进的果蝇优化算法的流程图；
图3为本发明参数自适应相似日法的预测误差。
具体实施方式
本发明的步骤如下：
步骤一：日特征向量选取及赋值
将日类型、日期距离、日平均气温、日平均相对湿度组成日特征向量，读取历史数据进行赋值，赋值规则如表1所示：
Figure GDA0003707340710000061
表1日特征向量的组成和赋值规则
步骤二：计算日类型的相似度
如果预测日和历史日的日类型相同，则相似度为1；否则，如果预测日和历史日中有一天是星期一，另一天是星期二，则这两日的日类型相似度为F1，2；如果预测日和历史日中有一天是星期一，另一天是星期三，则相似度为F1，3，以此类推，如表2所示：
星期一 星期二 星期三 星期四 星期五 星期六 星期日
星期一 1 F<sub>1，2</sub> F<sub>1，3</sub> F<sub>1，4</sub> F<sub>1，5</sub> F<sub>1，6</sub> F<sub>1，7</sub>
星期二 F<sub>1，2</sub> 1 F<sub>2，3</sub> F<sub>2，4</sub> F<sub>2，5</sub> F<sub>2，6</sub> F<sub>2，7</sub>
星期三 F<sub>1，3</sub> F<sub>2，3</sub> 1 F<sub>3，4</sub> F<sub>3，5</sub> F<sub>3，6</sub> F<sub>3，7</sub>
星期四 F<sub>1，4</sub> F<sub>2，4</sub> F<sub>3，4</sub> 1 F<sub>4，5</sub> F<sub>4，6</sub> F<sub>4，7</sub>
星期五 F<sub>1，5</sub> F<sub>2，5</sub> F<sub>3，5</sub> F<sub>4，5</sub> 1 F<sub>5，6</sub> F<sub>5，7</sub>
星期六 F<sub>1，6</sub> F<sub>2，6</sub> F<sub>3，6</sub> F<sub>4，6</sub> F<sub>5，6</sub> 1 F<sub>6，7</sub>
星期日 F<sub>1，7</sub> F<sub>2，7</sub> F<sub>3，7</sub> F<sub>4，7</sub> F<sub>5，7</sub> F<sub>6，7</sub> 1
表2不同日类型的相似度
21个不同日类型相似度的取值范围在0到1之间，由步骤六的参数自适应过程训练得出；
步骤三：计算日期距离的相似度
日期距离的相似度的计算公式如下：
Figure GDA0003707340710000071
式中，d为历史日与待预测日的间隔天数，β为衰减系数，含义是历史日与待预测日的距离每增加一天的相似度缩减比率，建议取值在0.90-0.98之间，a为该因素的最低相似度，由步骤六的参数自适应过程训练得出；
步骤四：计算气象因素的相似度
将预测日及第i个历史日的气象因素特征向量分别记为X0和Xi，预测日的气象因素特征向量为X0＝{X0(1),X0(2)}，X0(1)、X0(2)分别为预测日的日平均气温和日平均相对湿度，第i个历史日的气象因素特征向量为Xi＝{Xi(1),Xi(2)}，Xi(1)、Xi(2)分别为第i个历史日的日平均气温和日平均相对湿度；
预测日与第i个历史日在第k个特征的差异为：
△i(k)＝|Xi(k)-X0(k)|
将差异值进行归一化，计算公式为：
Figure GDA0003707340710000072
预测日与第i个历史日在第k个特征的关联系数为：
Figure GDA0003707340710000081
ρ是一个介于0与1之间的常数，一般取ρ＝0.5。
综合各个特征的关联系数，预测日与第i个历史日的气象因素关联度为：
Figure GDA0003707340710000082
步骤五：计算日特征的总体相似度
日特征总体相似度的计算公式如下：
Figure GDA0003707340710000083
式中，Fp,q代表日类型的相似度，Fd代表日期距离的相似度，Fm代表气象因素的相似度；λw、λd、λm分别代表对应因素的权重，取值范围在0到1之间，由步骤六的参数自适应过程训练得出，因素的权重越大，意味着该因素对负荷变化的影响程度越大；
步骤六：参数自适应
用历史数据来训练25个参数，包括21个不同日类型的相似度、日期距离的最低相似度和3个因素的权重系数，确定训练样本，将预测日最近60日设为相似日粗集，粗集中与预测日的日特征相似度最高的一日即为第1相似日。
用相对误差(relative error,RE)来衡量负荷预测的误差，公式为：
Figure GDA0003707340710000084
式中，
Figure GDA0003707340710000085
表示预测的日用电量，Q表示实际的日用电量。
不断调整各因素的权重系数，使得在训练样本中，从粗集中选取的第1相似日对日用电量进行预测的误差之和最小；
采用改进的果蝇优化算法训练参数，以每个果蝇个体的位置坐标代表满足约束条件的一组参数，包括21个不同日类型的相似度、日期距离的最低相似度和3个因素的权重系数，优化问题的维度是二十五维，具体求解步骤如下：
1)设置最大迭代次数(Itermax)、种群数量(groupsize)、种群规模(popsize)；
2)在定义域内随机产生groupsize个果蝇种群的初始位置，果蝇个体的初始位置可以表示为
Figure GDA0003707340710000091
其中i是果蝇所属种群，i＝1,2,…,groupsize；
3)每个果蝇种群中有popsize个果蝇个体，对于每个果蝇个体，赋予其从初始位置出发一个随机的飞行方向和距离，即飞行后终点将是飞行方向上的任何值，Xi,j＝(xi,j,1,xi,j,2,…,xi,j,25)是第i个果蝇种群中的第j个果蝇个体所对应的位置坐标，设di,j为1到25之间的一个随机整数，那么有：
Figure GDA0003707340710000092
式中，i＝1,2,…,groupsize，j＝1,2,…,popsize；rand表示生成一个在0到1间的随机数；
4)将所有果蝇个体的位置坐标代入味道浓度判定函数，计算每个果蝇个体所对应的味道浓度。将味道浓度判定函数记作Smell，该问题下的味道浓度判断函数是指在当前相似日的模型下，训练样本中每一日用相似日法选取的第1相似日进行预测的误差之和；
5)上一代每个种群的最优味道浓度记为
Figure GDA0003707340710000093
记录每个种群中味道浓度优于上代最优味道浓度的果蝇个体所对应的位置坐标；
6)对于每个种群，将当前果蝇群体中所有味道浓度优于上代最优味道浓度的果蝇个体对应的位置坐标组合成一个新的果蝇个体位置
Figure GDA0003707340710000101
其中第r(r＝1,2,…,25)个分量的值
Figure GDA0003707340710000102
等于所有在第r个分量上变化的果蝇个体中味道浓度最优的一个；
Figure GDA0003707340710000103
7)对于每个种群，判断当前果蝇群体中的最优味道浓度或新果蝇的味道浓度是否优于前一次迭代的最优味道浓度
Figure GDA0003707340710000104
若是则更新最优味道浓度
Figure GDA0003707340710000105
和记录最优味道浓度所对应的果蝇个体的位置；
8)对于每个种群，群体中的果蝇均飞向当前群体最优味道浓度的所在位置，算法进入迭代寻优，重复步骤(3)到步骤(8)，直到迭代次数达到Itermax；
9)迭代完成以后，选取在所有种群中最优味道浓度对应的果蝇个体的位置作为最优参数。
改进果蝇优化算法的流程图如图2所示。
步骤七：对预测日的日用电量进行预测
采用训练好的相似日模型计算各历史日与预测日的日特征相似度，选取日特征相似度最大的一个历史日作为预测日的第1相似日，用第1相似日的日用电量对预测日的日用电量进行预测。
算例仿真：
算例仿真采用的数据是某电力负荷4月1日至6月7日的数据，其中4月1日至5月24日(共54天)作为训练样本，用来训练参数，5月25日至6月7日(共14天)用来检验模型。
采用改进的果蝇优化算法训练参数，果蝇种群数量(groupsize)取100，种群规模(popsize)取100，最大迭代次数(Itermax)取100，训练得到的参数如表3所示。
Figure GDA0003707340710000111
日期距离最低相似度 日类型权重 日期距离权重 气象因素权重
0.5025 0.7155 0.8481 0.2635
表3参数训练结果
为了验证模型，采用训练好的相似日模型对5月25日至6月7日的日用电量进行预测，预测误差如表4所示。
预测日 第1相似日 预测误差(％)
5月25日(Day 55) 52 12.27
5月26日(Day 56) 55 4.09
5月27日(Day 57) 52 6.91
5月28日(Day 58) 57 13.56
5月29日(Day 59) 57 35.08
5月30日(Day 60) 54 36.36
5月31日(Day 61) 60 4.35
6月1日(Day 62) 59 5.42
6月2日(Day 63) 62 0.98
6月3日(Day 64) 59 30.35
6月4日(Day 65) 64 15.36
6月5日(Day 66) 64 10.69
6月6日(Day 67) 61 40.77
6月7日(Day 68) 67 8.33
表4参数自适应相似日法预测结果
表4展示了每个预测日的第1相似日及其预测误差，图3展示了每个预测日用历史14天进行预测的误差，其中涂红的柱状图表示相似日法模型选出的第1相似日。由图3可以看出，参数自适应相似日法可以选出预测误差相对较小的一个历史日，预测效果较好。

Claims (1)

1.一种基于参数自适应相似日法的短期负荷预测方法，其特征在于，包括以下步骤：
步骤一：日特征向量选取及赋值
日特征向量记作[D,d,T,H]，其中D代表日类型，d代表日期距离，T代表日平均气温，H代表日平均相对湿度；
步骤二：计算各因素的相似度
日类型相似度的计算方式如下：如果预测日和历史日的日类型相同，则相似度为1；否则，如果预测日和历史日中有一天是星期一，另一天是星期二，则这两日的日类型相似度为F1,2；如果预测日和历史日中有一天是星期一，另一天是星期三，则相似度为F1,3，以此类推，日类型相似度的取值范围在0到1之间，由步骤四的参数自适应过程训练得出；
日期距离相似度的计算公式如下：
Figure FDA0003707340700000011
式中，d为历史日与待预测日的间隔天数，β为衰减系数，含义是历史日与待预测日的距离每增加一天的相似度缩减比率，取值在0.90-0.98之间，a为该因素的最低相似度，由步骤四的参数自适应过程训练得出；
气象因素相似度的计算方式如下：
首先求出各气象因素的差异值并进行归一化，预测日与第i个历史日在第k个特征的关联系数为：
Figure FDA0003707340700000012
式中，△'i(k)指第i个历史日的第k个特征的差异归一化值，ρ＝0.5；
综合各个特征的关联系数，得到预测日与第i个历史日的气象因素关联度：
Figure FDA0003707340700000021
步骤三：计算日特征的总体相似度
计算日特征的总体相似度，计算公式如下：
Figure FDA0003707340700000022
式中，Fp,q代表日类型的相似度，Fd代表日期距离的相似度，Fm代表气象因素的相似度；λw、λd、λm分别代表对应因素的权重，取值范围在0到1之间，由步骤四的参数自适应过程训练得出；
步骤四：参数自适应
采用改进的果蝇优化算法训练相似日法模型中的25个参数，包括21个不同日类型的相似度、日期距离的最低相似度和各因素的权重，以每个果蝇个体的位置坐标代表满足约束条件的一组参数，不断调整参数，使得在训练样本中，从粗集中选取的第1相似日对日用电量进行预测的误差之和最小；
改进的果蝇优化算法训练参数的具体求解步骤如下：
1)设置最大迭代次数Itermax、种群数量groupsize、种群规模popsize；
2)在定义域内随机产生groupsize个果蝇种群的初始位置，果蝇个体的初始位置表示为
Figure FDA0003707340700000023
其中i是果蝇所属种群，i＝1,2,…,groupsize；
3)每个果蝇种群中有popsize个果蝇个体，对于每个果蝇个体，赋予其从初始位置出发一个随机的飞行方向和距离，即飞行后终点将是飞行方向上的任何值，Xi,j＝(xi,j,1,xi,j,2,…,xi,j,25)是第i个果蝇种群中的第j个果蝇个体所对应的位置坐标，设di,j为1到25之间的一个随机整数，那么有：
Figure FDA0003707340700000031
式中，i＝1,2,…,groupsize，j＝1,2,…,popsize；rand表示生成一个在0到1间的随机数；
4)将所有果蝇个体的位置坐标代入味道浓度判定函数，计算每个果蝇个体所对应的味道浓度，将味道浓度判定函数记作Smell，味道浓度判断函数是指在当前相似日的模型下，训练样本中每一日用相似日法选取的第1相似日进行预测的误差之和；
5)上一代每个种群的最优味道浓度记为
Figure FDA0003707340700000037
记录每个种群中味道浓度优于上代最优味道浓度的果蝇个体所对应的位置坐标；
6)对于每个种群，将当前果蝇群体中所有味道浓度优于上代最优味道浓度的果蝇个体对应的位置坐标组合成一个新的果蝇个体位置
Figure FDA0003707340700000032
其中第r(r＝1,2,…,25)个分量的值
Figure FDA0003707340700000033
等于所有在第r个分量上变化的果蝇个体中味道浓度最优的一个；
Figure FDA0003707340700000034
7)对于每个种群，判断当前果蝇群体中的最优味道浓度或新果蝇的味道浓度是否优于前一次迭代的最优味道浓度
Figure FDA0003707340700000035
若是则更新最优味道浓度
Figure FDA0003707340700000036
和记录最优味道浓度所对应的果蝇个体的位置；
8)对于每个种群，群体中的果蝇均飞向当前群体最优味道浓度的所在位置，算法进入迭代寻优，重复步骤(3)到步骤(8)，直到迭代次数达到Itermax；
迭代完成以后，选取在所有种群中最优味道浓度对应的果蝇个体的位置作为最优参数；
步骤五：对预测日的日用电量进行预测
采用训练好的相似日模型计算各历史日与预测日的日特征相似度，选取日特征相似度最大的一个历史日作为预测日的第1相似日，用第1相似日的日用电量对预测日的日用电量进行预测。
CN202010867795.1A 2020-08-26 2020-08-26 一种基于参数自适应相似日法的短期负荷预测方法 Active CN112001554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010867795.1A CN112001554B (zh) 2020-08-26 2020-08-26 一种基于参数自适应相似日法的短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010867795.1A CN112001554B (zh) 2020-08-26 2020-08-26 一种基于参数自适应相似日法的短期负荷预测方法

Publications (2)

Publication Number Publication Date
CN112001554A CN112001554A (zh) 2020-11-27
CN112001554B true CN112001554B (zh) 2022-08-19

Family

ID=73470843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010867795.1A Active CN112001554B (zh) 2020-08-26 2020-08-26 一种基于参数自适应相似日法的短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN112001554B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034465B (zh) * 2022-06-01 2023-05-12 黄河科技集团创新有限公司 一种基于人工智能的焦炭质量预测方法
CN116610911B (zh) * 2023-07-19 2023-09-19 南昌工程学院 基于贝叶斯高斯张量分解模型的用电数据修复方法及系统
CN116911467A (zh) * 2023-09-12 2023-10-20 浙江华云电力工程设计咨询有限公司 一种可再生能源出力的预测方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447085A (zh) * 2016-09-05 2017-02-22 华北电力大学 一种短期电力负荷预测方法、装置及计算设备
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN109636003A (zh) * 2018-11-14 2019-04-16 北京电力经济技术研究院有限公司 一种高预测精度的电力系统短期负荷预测方法
CN110135630A (zh) * 2019-04-25 2019-08-16 武汉数澎科技有限公司 基于随机森林回归和多步寻优的短期负荷需求预测方法
CN111105104A (zh) * 2020-02-20 2020-05-05 河南理工大学 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447085A (zh) * 2016-09-05 2017-02-22 华北电力大学 一种短期电力负荷预测方法、装置及计算设备
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN109636003A (zh) * 2018-11-14 2019-04-16 北京电力经济技术研究院有限公司 一种高预测精度的电力系统短期负荷预测方法
CN110135630A (zh) * 2019-04-25 2019-08-16 武汉数澎科技有限公司 基于随机森林回归和多步寻优的短期负荷需求预测方法
CN111105104A (zh) * 2020-02-20 2020-05-05 河南理工大学 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Also Published As

Publication number Publication date
CN112001554A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001554B (zh) 一种基于参数自适应相似日法的短期负荷预测方法
CN108229754B (zh) 基于相似日分段和lm-bp网络的短期负荷预测方法
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
CN106485262A (zh) 一种母线负荷预测方法
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
CN110705743A (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
Li et al. Long-term system load forecasting based on data-driven linear clustering method
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
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN111428926B (zh) 一种考虑气象因素的区域电力负荷预测方法
CN106874581A (zh) 一种基于bp神经网络模型的建筑空调能耗预测方法
CN111401599B (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
CN106529707A (zh) 一种负荷用电模式识别方法
CN115270965A (zh) 一种配电网线路故障预测方法和装置
CN112488396A (zh) 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法
CN112651543A (zh) 一种基于vmd分解与lstm网络的日用电量预测方法
CN115759371A (zh) 一种基于gcn-lstm的电力系统短期负荷预测方法
CN116611859A (zh) 基于梯度提升决策树的电力交易现货价差趋势预测方法
CN116933962A (zh) 一种面向电力用户负荷特性和可调节潜力的聚类方法
CN112686442A (zh) 基于运行多样性空调末端能耗预测方法和系统
CN115860797A (zh) 一种适应新电价改革形势的电量需求预测方法
CN104850612A (zh) 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN112686449A (zh) 基于人体气象舒适度指数的居民用电预测方法
JPH04372046A (ja) 需要量予測方法及び装置
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant