CN112132347A - 一种基于数据挖掘的短期电力负荷预测方法 - Google Patents
一种基于数据挖掘的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN112132347A CN112132347A CN202011016983.XA CN202011016983A CN112132347A CN 112132347 A CN112132347 A CN 112132347A CN 202011016983 A CN202011016983 A CN 202011016983A CN 112132347 A CN112132347 A CN 112132347A
- Authority
- CN
- China
- Prior art keywords
- power load
- sub
- sequence
- component
- modal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007418 data mining Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012843 least square support vector machine Methods 0.000 claims description 7
- 241000544061 Cuculus canorus Species 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 235000005770 birds nest Nutrition 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 18
- 235000005765 wild carrot Nutrition 0.000 description 18
- 241000039077 Copula Species 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- 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
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)
Abstract
本发明公开了一种基于数据挖掘的短期电力负荷预测方法，包括步骤：采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量；确定各子模态分量对应的输入变量；将输入变量输入电力负荷预测模型中，得到电力负荷的预测结果。本发明一并公开了用于执行上述方法的计算设备。
Description
技术领域
本发明涉及能源电力技术领域，更具体地，涉及一种基于数据挖掘的短期电力负荷预测方法。
背景技术
短期电力负荷预测是电力能源管理系统合理安排生产调度计划、实现节能、经济运行的重要保障。然而短期电力负荷受到天气、日类型(日类型例如包括工作日、节假日等)、市场等诸多因素的影响，加大了准确进行电力负荷预测的困难。因此，提高短期电力负荷预测的准确性，成为重要的研究内容。
长期以来，国内外学者对短期电力负荷预测展开大量研究。在考虑的影响因素方面，现有研究中主要包括天气因素、时间、历史负荷等。常见的一种处理方式是，通过对若干影响因素进行主成分分析，选取了平均气温、相对湿度和降雨量三个因素预测短期电力负荷。还有一种处理方式为，通过综合考虑气温和时间两种影响因素预测短期负荷，来提高预测准确度。然而，现有研究考虑热、冷负荷等多种负荷与电负荷相关性的研究还相对较少。在短期电力负荷预测方法方面，主要采用传统预测方法和人工智能预测法对短期电力负荷进行预测。尽管以回归分析、时间预测等方法为代表的传统预测方法计算简单且易于实现，但对处理具有非线性特征的电力负荷数据的能力较差，无法达到理想的预测精度。
综上，现有短期电力负荷预测具有影响因素考虑不足、非平稳性数据特征处理不当以及算法仍需优化等问题。
因此，需要一种针对短期电力负荷的预测方法，来解决上述问题。
发明内容
为此，本发明提供了一种基于数据挖掘的短期电力负荷预测方法，以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一个方面，提供了一种基于数据挖掘的短期电力负荷预测方法，适于在计算设备中执行，包括步骤：采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量；确定各子模态分量对应的输入变量；将输入变量输入电力负荷预测模型中，得到电力负荷的预测结果。
可选地，根据本发明的方法还包括步骤：预先构造电力负荷预测模型。
可选地，在根据本发明的方法中，预先构造电力负荷预测模型的步骤包括：构造基于混合核函数的最小二乘支持向量机模型；利用布谷鸟搜索算法对最小二乘支持向量机模型进行参数优化，来得到电力负荷预测模型。
可选地，在根据本发明的方法中，混合核函数包括：全局核函数与局部核函数。
可选地，在根据本发明的方法中，采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量的步骤包括：通过构造变分函数，将原始电力负荷序列分解为多个具有中心频率的有限带宽的子模态分量。
可选地，在根据本发明的方法中，确定各子模态分量对应的输入变量的步骤包括：计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性；将相关性高的预设影响因素的序列，作为该子模态分量对应的输入变量。
可选地，在根据本发明的方法中，预设影响因素包括：热、冷、气负荷的耦合关系、温度、湿度、日类型。
可选地，在根据本发明的方法中，计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性的步骤包括：利用Kendall秩相关系数，来计算相关性。
根据本发明的再一方面，提供了一种计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上所述方法中的任一方法的指令。
根据本发明的再一方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当计算设备执行时，使得计算设备执行如上所述的方法中的任一方法。
综上，根据本发明的方案，利用变分模态分解方法，对原始电力负荷序列进行分解，能够有效降低电力负荷序列的非平稳性，提高模型预测精度。同时，考虑了能源系统中的多元负荷(如热、冷、气负荷等)对电力负荷的影响，通过计算相关性来选取预测模型的输入变量，有效提高了预测模型的可靠性。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的构造示意图；
图2示出了根据本发明一个实施例的基于数据挖掘的短期电力负荷预测方法200的流程图；以及
图3示出了根据本发明一个实施例的对最小二乘支持向量机模型进行参数优化的流程示意图；
图4示出了根据本发明一个实施例的原始电力负荷序列示意图；
图5示出了根据本发明一个实施例的对原始电力负荷序列进行分解的结果示意图；
图6A至图6D示出了采用不同模型来预测短期电力负荷的预测结果对比示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。在一些实施例中，计算设备100被配置为执行确定新能源发电系统运营风险的方法200，程序数据124中就包含了用于执行上述方法的指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、图像输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。在一些实施例中，计算机可读介质中存储一个或多个程序，这一个或多个程序中包括执行根据本发明的基于数据挖掘的短期电力负荷预测方法的指令。
计算设备100被配置为执行根据本发明的基于数据挖掘的短期电力负荷预测方法200。计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。
以下将结合图2，详细介绍根据本发明一个实施例的基于数据挖掘的短期电力负荷预测方法200的流程。
如图2所述，该方法200始于步骤S210。在步骤S210中，采用变分模态分解(Variational Mode Decomposition，VMD)方法，将原始电力负荷序列分解成不同有限带宽的子模态分量。
VMD是由Dragomiretskiy等人提出的一种自适应信号处理方法，通过迭代搜寻变分模态的最优解，不断更新各模态函数及中心频率，得到若干具有一定宽带的模态函数，对采样和噪声具有较强的鲁棒性。
根据本发明的实施方式，考虑到短期电力负荷具有非线性、非平稳性以及随机性等特点，VMD方法为解决其非平稳性问题提供了思路，因此，在根据本发明的实施例中，通过构造变分函数，将原始电力负荷序列分解为多个具有中心频率的有限带宽的子模态分量。
以下来简单说明构造变分函数和求解变分的过程。
(1)构造变分函数。假设原始信号f可以被分解为具有中心频率的有限带宽的K个模态分量，根据本发明的一个实施例，原始信号f即为原始电力负荷序列，要使各模态的估计带宽之和最小，则相应约束变分表达式为：
上式中，K为需要分解的模态个数(K的取值一般为正整数)，{uk}、{ωk}分别对应分解后第k个模态分量和中心频率，不同模态分量uk的中心频率ωk不同，δ(t)为狄拉克函数，*为卷积运算符。
(2)引入拉格朗日乘法算子η，将约束变分问题转变为非约束变分问题，得到增广拉格朗日表达式为：
式中，α为二次惩罚因子，目的是降低高斯噪声的干扰。
(3)利用交替方向乘子(ADMM)迭代算法，结合Parseval/Plancherel、傅里叶等距变换，优化得到各模态分量和中心频率，并搜寻增广拉格朗日函数的鞍点，交替寻优迭代后的uk、ωk和η的表达式如下：
式中，γ为噪声容忍度，满足信号分解的保真度要求，
和
分别对应
ui(t)、f(t)和η(t)的傅里叶变换。
(4)求解VMD，输出最终的
和ωk，其主要迭代求解过程如下所示：
1)初始化
η1和最大迭代次数N；
2)根据公式(3)和公式(4)更新
和ωk；
3)根据公式(5)更新
4)若不满足
且n＜N，则返回2)，否则完成迭代，输出最终的
和ωk。
根据本发明的实施方式，由原始电力负荷序列分解得到的最终电力负荷分量
的中心频率ωk从低频到高频逐渐增强。其中，低频分量反映原始电力负荷序列的整体走势；中频分量则反映各因素在不同频率上对电力负荷时间序列的影响；高频分量反映了电力负荷数据包含的白噪声，影响模型的精度，幅值波动越小，表明VMD对高频部分的分解越彻底。由此，原始电力负荷序列的非平稳性问题得到较好的处理。
随后在步骤S220中，确定各子模态分量对应的输入变量。
根据本发明的实施例，短期电力负荷预测模型的建立不仅要考虑历史负荷，还要考虑其与热、冷、气负荷的耦合关系，以及气候、日类型(日类型例如包含工作日、节假日等)等影响因素。在一种实施例中，通过分析各子模态分量与上述各影响因素之间的相关性，来确定出其对应的要输入到预测模型的输入变量。
首先，计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性。在根据本发明的一个实施例中，预设影响因素包括：热、冷、气负荷的耦合关系、温度、湿度、日类型。
为了更直观地展示能源系统中电负荷与上述预设影响因素(如，其他负荷、气候因素)之间的相关性，本文采用Copula理论进行相关性分析。
Copula函数用于描述变量间的非线性相关性，Sklar定理将多元分布和Copula函数有效结合起来，即如果随机变量A＝[A1,A2，…，An]T的联合分布函数F(A)的边缘分布函数F1(a1)，F2(a2)，…，Fn(an)连续，则存在一个Copula函数C(u1,u2,…,un)，满足：
F(X)＝C(F1(a1),F2(a2),…,Fn(an)) (6)
此外，随机变量之间非线性相关的定量分析一般采用秩相关系数的方法，常用的有Spearman秩相关系数和Kendall秩相关系数。由于Spearman秩相关系数并非所有Copula函数都存在，而Kendall秩相关系数不仅可以描述两个变量的非线性关系，而且所有的Copula函数也都存在。故，根据本发明的实施例，采用Kendall秩相关系数r来描述各变量之间的相关性。
对于二维随机变量(J,K)的联合分布函数F(j,k)的边缘分布函数F1(j)和F2(k)存在且连续，分别用u和v表示。在一种实施例中，当计算某电负荷分量与一种影响因素的Kendall秩相关系数时，u和v则分别表示该电负荷分量与该影响因素联合分布函数的边缘分布函数。经过计算和拟合优度检验，得到的Copula函数用C(u,v)表示，则Kendall秩相关系数r可表示为
当r＞0时，表示该影响因素与该负荷分量之间呈正相关；当r＜0时，表示该影响因素与该负荷分量之间呈负相关；当r＝0时，不能确定两者间的相关性。
一般来说，所有的负荷分布都服从正态分布，而高斯函数就用来表述正态分布。因此本文选择Gaussian Copula函数对多元负荷之间进行耦合，相应计算如式(8)所示：
式中，
为标准正态分布的逆函数。
Gaussian Copula函数对应的Kendall秩相关系数r可表示为：
由式(7)～(9)即可计算得出各负荷分量与多元负荷、温度等预设影响因素间的Kendall秩相关系数，由此得到他们之间的相关性程度。
然后，将相关性高的预设影响因素的序列，作为该子模态分量对应的输入变量。
根据本发明的方案，根据电负荷与热、冷、气负荷以及温度之间的Kendall秩相关系数，选取与电负荷序列各分量相关性强的变量作为负荷预测模型的输入变量，能够显著提高电力负荷的预测精度。
随后在步骤S230中，将输入变量输入电力负荷预测模型中，得到电力负荷的预测结果。
需要说明的是，在执行步骤S230之前，方法200还包括步骤：预先构造电力负荷预测模型。这样，在确定出各子模态分量对应的输入变量后，就可以直接将输入变量输入到预先构造好的电力负荷预测模型中，经该预测模型处理后，输出电力负荷的预测结果。
在一种实施例中，电力负荷预测模型基于LSSVR模型(Least Squares SupportVector Regression，最小二乘支持向量机)，LSSVR模型是Suykens等人通过对支持向量回归(Support Vector Regression，SVR)理论的改进，而提出的一种遵循结构风险最小化原则的机器学习方法，通过将SVR中不等式约束转化为等式约束条件，实现了凸二次规划问题向求解线性方程组问题的转变，能够实现对具有非线性特征的短期电力负荷的高效拟合。
以下具体说明构造电力负荷预测模型的步骤。
第一步，构造基于混合核函数的最小二乘支持向量机模型。
设训练集Strain＝{(x1,y1),(x2,y2),…,(xl,yl),…,(xL,yL)}，其中L＝|Strain|为训练集的样本容量，xl∈Rn为输入变量，即由Copula理论确定的与各分量相关性较强的影响因素序列，yl∈R为该样本各分量的实际值。对训练集，LSSVR优化问题可以表示如式(10)～(11)。
式中，υ为权向量，τ为正则化参数，εl为误差变量，b为偏置量，
为从输入空间到高维特征空间的非线性映射。
针对上述最优化问题，构造拉格朗日函数如式(12)所示。
式中，λl为拉格朗日乘子。
对式(12)求解KKT条件，得到如下矩阵：
式中，I＝(1,…,1)T，λ＝(λ1,…,λL)T，Y＝(y1,…,yL)T，
为核函数矩阵。
根据Mercer条件，核函数可写为
xi为训练集中所有样本的该负荷分量的第i个影响因素序列，x为对应测试集的影响因素序列。
最后，得到LSSVR的函数估计如式(14)所示。
式中，不为0的元素λi对应的样本(xi,yi)为支持向量。
LSSVR模型的关键在于核函数的选取，能将低维非线性数据转换为高维线性数据，因此选取合适的核函数有助于模型精确度的提高。在根据本发明的实施例中，考虑到全局核函数泛化能力较强，而局部核函数学习能力较强，因此，将全局核函数与局部核函数组，来构成混合核函数，以兼顾全局核函数的泛化能力和局部核函数的学习能力的优点。根据本发明实施例的混合核函数定义为：
Hmix＝μHGlobal+(1-μ)HLocal (15)
式中，Hmix为混合核函数，HGlobal为全局核函数，HLocal为局部核函数，μ∈[0,1]为组合权重系数。
进一步地，在根据本发明的实施例中，选取多项式(Poly)核函数作为全局核函数，选取径向基(RBF)核函数作为局部核函数。因此，混合核函数表示如式(16)所示。
式中，Hpoly为多项式核函数，HRBF为径向基核函数。
最终得到最小二乘支持向量机LSSVR模型如式(17)所示。
其中，y(x)表示针对各输入变量x(即，影响因素序列)的输出预测值。
第二步，对上述构造的LSSVR模型进行参数优化，以得到最终的电力负荷预测模型。
在一种实施例中，需要优化的参数包括：正则化参数τ、多项式阶数q、径向基核参数σ、组合权重系数μ。根据本发明的实施例，利用布谷鸟搜索算法(cuckoo searchalgorithm，CS)对最小二乘支持向量机模型进行参数优化，来得到电力负荷预测模型。
布谷鸟搜索算法是一种基于布谷鸟的巢寄生繁殖策略和Levy飞行策略发展而来的元启发式搜索算法。CS算法具有频繁的短距离的局部搜索能力和少数的长距离的全局搜索能力，维持了局部漫步与全局漫步的平衡，对全局最优问题十分有效。
根据本发明的实施例，利用CS算法对LSSVR模型进行全局性参数优化，其流程图如图3所示，优化步骤如下。
在步骤S310中，初始化CS算法参数，包括：迭代次数T、鸟巢数量L、被宿主发现的概率P(a)、正则化参数τ、多项式阶数q、径向基核参数σ、组合权重系数μ的取值范围。
接着在步骤S320中，随机初始化鸟巢。随机生成L个鸟巢的位置
位置由参数(τ,q,σ,μ)组成。
接着在步骤S330中，搜索最优鸟巢位置。在根据本发明的实施例中，采用均方误差(MSE)作为适应度函数，如式(18)所示。计算每个鸟巢的适应度值，找到当前最小适应度值和对应的位置。
式中，
为第i个样本的适应度值，
为第i个样本的实际值，
为第i个样本的预测值，L为样本个数。
接着在步骤S340中，更新鸟巢位置。用Levy飞行更新L个鸟巢的位置，计算新鸟巢的适应度，若新鸟巢适应度值比上一代更优，则更新鸟巢位置，否则保持上次位置。
接着在步骤S350中，比较随机数κ∈[0,1]和P(a)，若κ≤P(a)，则不改变该鸟巢位置，以随机步长改变其他鸟巢位置。若新鸟巢适应度值更优，则替换原鸟巢位置，否则保留原鸟巢位置，即产生了最新鸟巢位置。
接着在步骤S360中，找出步骤S350中最优鸟巢位置，若达到迭代次数，则该位置为最优位置，得到混合核函数LSSVR中参数的最优值，否则，返回步骤S340重新执行。
本发明的基于数据挖掘的短期电力负荷预测方法200，首先，针对电力负荷的非平稳特性，采用VMD将原始负荷序列分解成不同有限带宽的子模态分量。其次，增加考虑热、冷、气负荷对电力负荷的影响，采用Copula理论对多元负荷、气候、日类型等影响因素进行相关性分析，确定各子模态分量的输入变量。再次，将全局核函数与局部核函数结合，作为混合核函数，以平衡样本训练的学习能力与泛化能力，并采用布谷鸟算法对LSSVR的参数进行寻优，构造出了LSSVR电力负荷预测模型。
为进一步说明方法200在短期电力符合预测中具有良好的预测能力，以下以一个示例来说明方法200的执行过程与预测结果。
现选取某地区2017年1月～6月的每小时电力负荷量作为数据集，数据集前2928个数据作为训练集，后1464个数据作为测试集，以验证本文构建电力负荷预测模型的精确性，原始电力负荷序列如图4所示。
1)VMD分解
利用VMD对原始电力负荷序列进行分解，在一种实施例中，采用观察中心频率的方法确定模态数K，将模态数由小到大取值，当最后一层分量的中心频率保持相对稳定时，则确定最佳模态数K。在本实施例中，确定最佳模态数K＝6，分解结果如图5所示。
由图5可知，分解后的分量从u1到u6波动频率逐渐增强。其中，低频分量u1是原始序列的趋势项，反映电力负荷的整体走势；中频分量u2～u5包含了原始序列的细节部分，反映了各因素在不同频率上对电力负荷时间序列的影响；高频分量u6影响着模型的精度，反映了电力负荷数据包含的白噪声，幅值波动较小，表明VMD对高频部分的分解较为彻底。
2)相关性分析
如前文所述，利用Copula理论中的Kendall秩相关系数，确定各分量的输入变量，如表1所示。其中，Et-1、Et-2、Et-3分别表示对应分量第t-1、t-2和t-3小时的电力负荷序列，Dt-1、Dt-2、Dt-3分别表示对应分量第t-1、t-2和t-3小时的日类型，Tt-1、Tt-2、Tt-3分别表示对应分量第t-1、t-2和t-3小时的温度，Wt-1、Wt-2、Wt-3分别表示对应分量第t-1、t-2和t-3小时的湿度，Ht-1、Ht-2、Ht-3分别表示对应分量第t-1、t-2和t-3小时的热负荷序列，Ct-1、Ct-2、Ct-3分别表示对应分量第t-1、t-2和t-3小时的冷负荷序列，Gt-1、Gt-2、Gt-3分别表示对应分量第t-1、t-2和t-3小时的气负荷序列。
表1各分量模型的输入变量
从表1可以看出，原始电力负荷序列分解后的各分量对应的输入变量明显不同，表明这些因素对电力负荷具有多尺度影响关系。因此，利用Copula理论研究各因素与电力负荷之间的相关性具有必要性。将表1中的变量作为各分量LSSVR模型的输入变量，各分量电力负荷预测量作为输出变量进行短期电力负荷的预测。
3)预测结果对比分析
在基于混合核函数和CS算法参数优化的LSSVR实验过程中，设置CS算法优化的迭代次数T、鸟巢数量L、被宿主发现的概率P(a)、正则化参数τ、多项式阶数q、径向基核参数σ的取值范围均为[0.01,1000]，组合权重系数μ的取值范围为[0,1]，得到最终的基于Copula理论和改进VMD-LSSVR的短期电力负荷预测结果如图6A所示。
为验证根据本发明实施例的LSSVR模型预测的准确性，以下采用其它3个模型分别对测试集的电力负荷进行预测。其它3个模型分别为：利用VMD-RBF核函数和CS算法改进的LSSVR、利用VMD-Poly核函数和CS算法改进的LSSVR、利用EMD-混合核函数和CS算法改进的LSSVR。预测结果对比如图6B至图6D所示。
同时，使用平均绝对百分比误差(MAPE)和均方根误差(RMSE)，对上述3个模型(模型2-模型4)以及根据本发明实施例的预测模型(模型1)的预测效果进行评价，各模型的预测误差对比如表2所示。
表2各模型的预测误差对比
结合表2及图6A～图6D可知，模型1比模型2、模型3的预测精度高，说明在LSSVR模型中选取混合核函数能够平衡样本的学习能力与泛化能力，使预测模型具有更好的回归效果。模型1优于模型4说明VMD通过分解变量达到数据平稳性的效果优于EMD，进而提高了对短期电力负荷的预测精度。
综上所述，四种预测模型中，VMD-混合核函数和CS优化的LSSVR模型(即，模型1)的预测精度最好，其MAPE和RMSE分别为4.518％和10.582kW。因此，在进行短期电力负荷预测时，合理选择分解方法和相关参数十分重要。
为了提高短期电力负荷的预测精度，根据本发明的方案，考虑了能源系统中的热、冷、气负荷对电力负荷的影响，提出了基于Copula理论和VMD-混合核函数和CS算法优化的LSSVR的短期电力负荷预测模型，通过算例分析得到以下结论：第一，VMD能够有效降低电力负荷序列的非平稳性，提高模型预测精度；第二，在LSSVR模型中选取混合核函数机制，能够平衡模型的学习能力与泛化能力，以CS算法优化LSSVR模型的参数具有必要性，能够降低预测误差；第三，通过Copula理论证明热、冷、气负荷和电力负荷存在极强的相关性，因此在预测电力负荷时考虑能源系统中多元负荷的影响更能提高模型的可靠性。
应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (10)
1.一种基于数据挖掘的短期电力负荷预测方法，所述方法适于在计算设备中执行，所述方法包括步骤：
采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量；
确定各子模态分量对应的输入变量；
将所述输入变量输入电力负荷预测模型中，得到电力负荷的预测结果。
2.如权利要求1所述的方法，还包括步骤：
预先构造所述电力负荷预测模型。
3.如权利要求2所述的方法，其中，所述预先构造电力负荷预测模型的步骤包括：
构造基于混合核函数的最小二乘支持向量机模型；
利用布谷鸟搜索算法对所述最小二乘支持向量机模型进行参数优化，来得到电力负荷预测模型。
4.如权利要求3所述的方法，其中，
所述混合核函数包括：全局核函数与局部核函数。
5.如权利要求1-4中任一项所述的方法，其中，所述采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量的步骤包括：
通过构造变分函数，将原始电力负荷序列分解为多个具有中心频率的有限带宽的子模态分量。
6.如权利要求1-5中任一项所述的方法，其中，所述确定各子模态分量对应的输入变量的步骤包括：
计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性；
将相关性高的预设影响因素的序列，作为该子模态分量对应的输入变量。
7.如权利要求6所述的方法，其中，所述预设影响因素包括：热、冷、气负荷的耦合关系、温度、湿度、日类型。
8.如权利要求1-7中任一项所述的方法，其中，所述计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性的步骤包括：
利用Kendall秩相关系数，来计算所述相关性。
9.一种计算设备，包括：
一个或多个处理器；和
存储器；
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-8所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011016983.XA CN112132347B (zh) | 2020-09-24 | 2020-09-24 | 一种基于数据挖掘的短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011016983.XA CN112132347B (zh) | 2020-09-24 | 2020-09-24 | 一种基于数据挖掘的短期电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132347A true CN112132347A (zh) | 2020-12-25 |
| CN112132347B CN112132347B (zh) | 2024-09-06 |
Family
ID=73840010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011016983.XA Active CN112132347B (zh) | 2020-09-24 | 2020-09-24 | 一种基于数据挖掘的短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132347B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240193A (zh) * | 2021-06-03 | 2021-08-10 | 安徽理工大学 | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 |
| CN113268929A (zh) * | 2021-06-08 | 2021-08-17 | 广西电网有限责任公司南宁供电局 | 短期负荷区间预测方法及装置 |
| CN114581141A (zh) * | 2022-03-08 | 2022-06-03 | 国网上海市电力公司 | 基于特征选择与lssvr的短期负荷预测方法 |
| CN116722528A (zh) * | 2023-05-07 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于电动汽车交流v2g的电网负荷智能预测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140268458A1 (en) * | 2013-03-14 | 2014-09-18 | Innovolt, Inc. | Systems and methods for detecting and determining sources of power disturbances in connection with effective remediation |
| CA2936624A1 (en) * | 2014-02-10 | 2015-08-13 | Cr Development Ab | Method for quantifying isotropic diffusion and/or anisotropic diffusion in a sample |
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| US20190043379A1 (en) * | 2017-08-03 | 2019-02-07 | Microsoft Technology Licensing, Llc | Neural models for key phrase detection and question generation |
| CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
| CN109614384A (zh) * | 2018-12-04 | 2019-04-12 | 上海电力学院 | Hadoop框架下的电力系统短期负荷预测方法 |
| CN109657882A (zh) * | 2019-01-23 | 2019-04-19 | 华南理工大学 | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
| CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
| US20190354836A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Dynamic discovery of dependencies among time series data using neural networks |
| CN110555548A (zh) * | 2019-08-05 | 2019-12-10 | 三峡大学 | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 |
| CN110705722A (zh) * | 2019-09-12 | 2020-01-17 | 华中科技大学 | 一种工业设备故障诊断的诊断模型及其构建方法和应用 |
| CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
-
2020
- 2020-09-24 CN CN202011016983.XA patent/CN112132347B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140268458A1 (en) * | 2013-03-14 | 2014-09-18 | Innovolt, Inc. | Systems and methods for detecting and determining sources of power disturbances in connection with effective remediation |
| CA2936624A1 (en) * | 2014-02-10 | 2015-08-13 | Cr Development Ab | Method for quantifying isotropic diffusion and/or anisotropic diffusion in a sample |
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| US20190043379A1 (en) * | 2017-08-03 | 2019-02-07 | Microsoft Technology Licensing, Llc | Neural models for key phrase detection and question generation |
| US20190354836A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Dynamic discovery of dependencies among time series data using neural networks |
| CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
| CN109614384A (zh) * | 2018-12-04 | 2019-04-12 | 上海电力学院 | Hadoop框架下的电力系统短期负荷预测方法 |
| CN109657882A (zh) * | 2019-01-23 | 2019-04-19 | 华南理工大学 | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
| CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
| CN110555548A (zh) * | 2019-08-05 | 2019-12-10 | 三峡大学 | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 |
| CN110705722A (zh) * | 2019-09-12 | 2020-01-17 | 华中科技大学 | 一种工业设备故障诊断的诊断模型及其构建方法和应用 |
| CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| LI, W: "Short-Term Power Load Forecasting Based on a Combination of VMD and ELM", POLISH JOURNAL OF ENVIRONMENTAL STUDIES, vol. 27, no. 5, 13 April 2018 (2018-04-13), pages 2143 - 2154 * |
| 周建友;张凯威;: "改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测", 计算机工程与应用, vol. 51, no. 19, 15 October 2015 (2015-10-15), pages 250 - 254 * |
| 梁智;孙国强;李虎成;卫志农;臧海祥;周亦洲;陈霜;: "基于VMD与PSO优化深度信念网络的短期负荷预测", 电网技术, no. 02, 23 November 2017 (2017-11-23), pages 261 - 269 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240193A (zh) * | 2021-06-03 | 2021-08-10 | 安徽理工大学 | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 |
| CN113268929A (zh) * | 2021-06-08 | 2021-08-17 | 广西电网有限责任公司南宁供电局 | 短期负荷区间预测方法及装置 |
| CN113268929B (zh) * | 2021-06-08 | 2024-05-14 | 广西电网有限责任公司南宁供电局 | 短期负荷区间预测方法及装置 |
| CN114581141A (zh) * | 2022-03-08 | 2022-06-03 | 国网上海市电力公司 | 基于特征选择与lssvr的短期负荷预测方法 |
| CN116722528A (zh) * | 2023-05-07 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于电动汽车交流v2g的电网负荷智能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132347B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132347B (zh) | 一种基于数据挖掘的短期电力负荷预测方法 | |
| CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
| Wang et al. | Shape restricted nonparametric regression with Bernstein polynomials | |
| Zhang et al. | Bayesian optimization approach for analog circuit synthesis using neural network | |
| Raftery et al. | Estimating and projecting trends in HIV/AIDS generalized epidemics using incremental mixture importance sampling | |
| Mittas et al. | Improving analogy-based software cost estimation by a resampling method | |
| Yang et al. | A novel general-purpose hybrid model for time series forecasting | |
| Hu et al. | New approximation assisted multi-objective collaborative robust optimization (new AA-McRO) under interval uncertainty | |
| Zhang et al. | A novel power-driven fractional accumulated grey model and its application in forecasting wind energy consumption of China | |
| Lin et al. | Tiny machine learning: progress and futures [feature] | |
| He et al. | An efficient bayesian optimization approach for analog circuit synthesis via sparse gaussian process modeling | |
| US20220121999A1 (en) | Federated ensemble learning from decentralized data with incremental and decremental updates | |
| Sun et al. | A composite uncertainty forecasting model for unstable time series: Application of wind speed and streamflow forecasting | |
| CN114707348A (zh) | 偏最小二乘Kriging模型辅助的航空减速器高效全局优化方法 | |
| Jiang et al. | Decomposition-selection-ensemble prediction system for short-term wind speed forecasting | |
| Yoshida et al. | Spatial prediction of apartment rent using regression-based and machine learning-based approaches with a large dataset | |
| Chowdhury et al. | Group regularization for zero-inflated poisson regression models with an application to insurance ratemaking | |
| Wu et al. | A GAN-enhanced ensemble model for energy consumption forecasting in large commercial buildings | |
| Centofanti et al. | Adaptive smoothing spline estimator for the function-on-function linear regression model | |
| Zhang et al. | A two-stage model for stock price prediction based on variational mode decomposition and ensemble machine learning method | |
| CN113222234B (zh) | 基于集成模态分解的用气需求预测方法及其系统 | |
| Zhan et al. | Neural networks for geospatial data | |
| Ye et al. | WDMNet: Modeling diverse variations of regional wind speed for multi-step predictions | |
| Lang et al. | Improved neural networks with random weights for short-term load forecasting | |
| CN108694477A (zh) | 一种电价预测方法及相关装置 |
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 |