CN112214734A - 一种基于统计物理学与人工智能的电力负荷预测方法 - Google Patents
一种基于统计物理学与人工智能的电力负荷预测方法 Download PDFInfo
- Publication number
- CN112214734A CN112214734A CN202011080532.2A CN202011080532A CN112214734A CN 112214734 A CN112214734 A CN 112214734A CN 202011080532 A CN202011080532 A CN 202011080532A CN 112214734 A CN112214734 A CN 112214734A
- Authority
- CN
- China
- Prior art keywords
- power load
- load prediction
- power
- prediction
- probability distribution
- 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 67
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000005315 distribution function Methods 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000012937 correction Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000005265 energy consumption Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement 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
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种基于统计物理学和人工智能的电力负荷预测方法,涉及人工智能技术领域。该方法包括:基于历史电力负荷数据,建立基于统计物理学的数学模型;基于最大熵原理求解所述数学模型中电力负荷对应的概率分布函数;基于所述概率分布函数进行不同时间尺度的电力负荷预测,得到电力负荷预测结果;利用人工智能技术辨识负荷变化的影响因素,对所述电力负荷预测结果进行修正,得到最终的电力负荷预测结果。本发明中的电力负荷预测方法能够在特殊情况下为用电需求的分析和预测提供参考并做出修正,并不需要对用电的来源进行详细剖析,也无需分析背后复杂的原因,这一点也反映了本发明的便于应用、对知识约束的要求低等优势特征。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于统计物理学与人工智能的电力负荷预测方法。
背景技术
电力产业作为国民工业系统中的支柱产业之一,其平稳运行与国家的国民经济的命脉息息相关。对电力负荷的预测在电力系统管理中至关重要。电力系统的平稳运行、制定合理的电价、电力的实时调度依赖于准确的电力负荷预测。电力负荷预算在经济领域,对合理调配资源,优化发电计划,取得最优的社会效益和经济效益产生巨大的影响。随着生活水平的提高,电力的需求与国民经济水平呈正相关。另一方面来说,日期、温度、气候、市场以及政策都会对电力负荷产生巨大的影响,也因此使得电力负荷预测的难度进一步增加。
传统的电力负荷预测的方法包括:指数平滑法、回归分析法、时间序列法、灰色预测法、卡尔曼滤波法、小波分析法、专家系统法、人工神经网络法等等,这些传统方法对于负荷历史数据以及对历史数据的预处理依赖太强。在实际工作运行的电力系统中,拉闸限电等人为因素均会对系统运行产生影响,与这种因素相似的其它人为因素不在少数,这些因素一方面使电力系统处于一个较为稳定的环境中,同时也能够稳定的运行,另一方面诸多人为因素决定了系统会经常受到影响,并且无法逃避噪音的侵袭。这些原因导致“不良数据”的出现,因此对数据的预处理就显得尤为的重要,也无可避免的需要人为的干预。
存在太多无法掌握的可能引起负荷发生变化的因素,除了自然条件外,经济因素、能源政策、环境政策、行业产业结构调整等重大社会事件对负荷预测均可能产生较大影响,无法让专家系统提前做排除工作。
另外,还存在一些没有办法具体量化的变化因素,虽然我们知道它会对其产生影响但我们无法准确的设定其影响。除传统预测考虑的以结构化数据表示的相关因素外,还包括大量的非结构化、半结构化影响因素。这些都是现有方法难以进行解决的。
发明内容
有鉴于此,本发明提供一种基于统计物理学与人工智能的电力负荷预测方法,以实现准确的电力负荷预测。
为了实现上述目的,现提出的方案如下:
一种基于统计物理学与人工智能的电力负荷预测方法,包括以下步骤:
S101、基于历史电力负荷数据,建立基于统计物理学的数学模型;
S102、基于最大熵原理求解所述数学模型中电力负荷对应的概率分布函数;
S103、基于所述概率分布函数进行不同时间尺度的电力负荷预测,得到电力负荷预测结果;
S104、利用人工智能技术辨识负荷变化的影响因素,对所述电力负荷预测结果进行修正,得到最终的电力负荷预测结果。
进一步地,求解所述数学模型中电力负荷对应的概率分布函数时,约束条件包括:
非相同的预测路径预测结果的统计特征形成的约束,以及概率分布自身的约束。
进一步地,所述基于最大熵原理求解所述数学模型中电力负荷对应的概率分布函数,包括:
使用拉格朗日乘子法求解所述数学模型中电力负荷对应的概率分布函数。
进一步地,所述基于所述概率分布函数进行不同时间尺度的电力负荷预测,包括:
利用列维稳态分布进行不同尺度的电力负荷预测。
进一步地,所述利用人工智能技术辨识负荷变化的影响因素,对所述电力负荷预测结果进行修正,包括:
选择特定关键词;所述特定关键词对应反映用电需求的特征;
基于所述特定关键词在行业相关文字材料以及网络信息中进行检索,获取相关文字检索数据;
基于所述相关文字检索数据,建立关键词检索量与用电预测的神经网络模型;
基于所述神经网络模型进行电力负荷预测,得到第一电力负荷预测结果;
利用所述第一电力负荷预测结果修正基于统计物理学的用电负荷预测模型,得到最终预测结果。
进一步地,所述神经网络模型包括BP神经网络模型。
本发明具有以下优点和有益效果:
与传统的负荷预测统计方法主要基于时间序列、历史数据的回归分析不同的是,本发明提供的基于统计物理学与人工智能的电力负荷预测方法具有一个依据分布的随机决策过程,具有一定的“智能”特性,通过评估,以提高系统熵值为目标,“理性”地自主收敛到预测值。因此,本发明可以处理更加符合工程应用的随机情况,例如对居民用电情况进行长期预测,进行各地能源消耗计划的科学预测;针对不同产业类型及高耗能工业能源消耗的波动情况,可以预测各产业类型的能耗。在已应用的案例中,可以看出,基于统计物理的预测方法辅以人工智能手段对关键词进行大数据检索,相比原来的预测效果有一定的提高。在传统预测方法中,非结构数据往往难以及时收集和处理,政策的影响程度难以量化,在特殊情况下的用电需求预测精度难以保证。本发明则能够在特殊情况下为用电需求的分析和预测提供参考并做出修正。在本发明中,并不需要对用电的来源进行详细剖析,也无需分析背后复杂的原因,而只是从数据中获取相关规律,这一点也反映了本发明的便于应用、对知识约束的要求低等优势特征。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于统计物理学与人工智能的电力负荷预测方法流程图;
图2为本发明实施例公开的多路径协同负荷预测模型的计算求解流程图;
图3为本发明实施例公开的利用人工智能技术修正前述基于统计物理学的方法获得电力负荷预测分量的流程图。
具体实施方式
本发明基于统计物理学的思想,将电力负荷大数据映射为统计物理中的物质微粒热运动,建立统计物理模型刻画微观数据的统计分布,利用人工智能方法筛选负荷预测模型的相关参量参数,设计一种新的电力负荷预测智能方法。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,其示出了本发明实施例中一种基于统计物理学与人工智能的电力负荷预测方法的流程示意图。该方法包括以下步骤:
S101、基于历史电力负荷数据,建立基于统计物理学的数学模型。
电力系统负荷的数据量越来越大,相比于机理推导的传统方法,数据本身就能保证预测分析结果的有效性,于是可以利用大数据模型进行分析,对用电需求进行预测。
海量的历史负荷数据可以映射为物理系统中的大量物质微粒,电力系统所表现出的负荷时序变化可由物理系统中的宏观热现象来刻画,即大量微观粒子的集体运动。物理系统中的大量粒子组成的体系服从一定的统计规律性,这就能反映电力系统的动态随机规律性。
基于统计物理思想,对物质的运动规律作出假设,利用统计物理模型得到微观数据的统计分布。
进一步,可得分布的方差σ2、峰度k和偏度λ3,分别为:
σ2≡<x2>;
预测分布往往是一个服从中心极限定理的随机过程,概率密度函数的尾部具有幂律特征,P(x)~x-(1+α),其中,指数α是判断分布形状的特征指数。若α=2,则分布式正态的,而且具有无限二阶矩,即无限方差;若α=1,则是柯希分布,并具有不确定的一阶矩和二阶矩;如果1<α<2,则具有无限方差,但有稳定的均值。在物理系统中,方差常常与系统的温度有关,无限方差意味着一个无限(或不确定)的温度。在电力系统中,无限方差会使风险评估和预测变得毫无意义。
令{P(t)}为电力负荷数据时序序列,Z(Δt)为负荷数据差分预测值,则有Z(Δt)≡P(t)-P(t-Δt)。根据特定分布的特征函数,可以计算出相应的稳定分布的表达式。
S102、基于最大熵原理确定数学模型中电力系统负荷对应的概率分布函数。
引入统计物理中热力学熵的概念,表征电力系统随机现象所导致的负荷不确定性之间所存在的关系。熵本质上是个度量。我们无法确认在一个随机事件中会出现哪种结果,于是,用熵这个量来作为不确定事件发生的度量。一个随机事件可能会出现多种不同的结果,每种结果出现的概率相同,究竟出现哪种情况预先是无法预测的。假如能够确定一种变量,根据它的变化来确定各个阶段的相应概率,那么就能够在极大程度上掌握各个事件的随机程度,这就是熵的概念。于是,不确定量的大小我们可以用熵值代替作为评判大小的标准。熵可以在事件发生之前预测相应概率,还可以在事件发生之后通过相应数据推测出准确的概率。当一组数据的推测熵值达到一定时,就能证明该组对应的数值及概率很大程度上与实际数值相符合。
对于电力系统,其随机变量为x,代表电力系统负荷,其对应的概率分布函数为p(x),那么随机变量x的熵H如下:
h(x)=-∫p(x)lnp(x)dx
熵原理符合自然界中的基本法则,即在自然界中所有的事物都会尽最大的努力去尽可能的获取最大的自由度。将大量的熵值分类,并作为判断依据,根据概率判断优劣好坏,也就是将熵值作为评判概率的标准和决定事物不稳定性的量度。依据最大熵原理,可得模型如下:
max h(x)=-∫p(x)lnp(x)dx
s.t.∫p(x)gi(x)dx=E[gi(x)];i=1,2,…n
∫p(x)dx=1;
其中gi(x)为随机变量x的某种函数,i代表第i条预测路径。
接下来,用拉格朗日乘子法进行计算且求得最终解。绝大多数数据的优劣完全取决于熵值,这在本质上来讲是一个条件极值的问题。为了寻找到一个概率分布函数(符合某些条件被约束的情况)且满足熵最大,引入一个变量——拉格朗日乘子λ0,λ1,…,λn,令:
即为所求的概率分布函数,gi(x)为随机变量x的某种函数。
S103、利用列维稳态分布进行不同时间尺度的负荷预测。
列维稳定分布(Lévy stable distribution)就是一种服从中心极限定理且概率密度函数的尾部具有幂律特征的随机过程。列维稳定分布和正态分布都具有对称性,但两者的主要区别是前者呈现尖峰瘦态和胖尾特征。
其中,α为列维指数,γ为标度因子,Δt为时间尺度。
根据步骤S101所述,针对{P(t)}所表示的电力负荷数据时序序列,将特征函数代入Z(Δt)≡P(t)-P(t-Δt),有:
可见其渐近行为呈幂律关系,即L(Z,1)~|Z|-(1+α),这是列维分布的重要基本性质,也是复杂的自组织物理系统最显著的特性之一。幂律概率密度函数的存在表明特性标度的缺失。列维稳定分布的重要特征是自相似性,即将不同时间尺度标准化后,不同时间尺度的分布曲线将趋于重合。对于不同的时间尺度Δt,按进行标准化,Δt刻画时间尺度,α为列维指数,Zs代表标准化后的序列;即可得到:
这表明,不同时间尺度的分布标准化后将与Δt=1时的分布重合。在稳定运行的电力系统中,往往能实现这一目标,特别是对于中长期电力负荷,电力消耗与需求预测的概率分布遵循列维稳定分布。
S104、利用人工智能技术辨识负荷变化的影响因素进行精准预测。
电力需求组成十分复杂,会受到各种因素的影响,例如人口因素、经济因素、气候因素、地理因素等,同时还会受到国家宏观政策的影响。在表征电力电量需求的因素中,除传统预测考虑的以结构化数据表示的相关因素外,还包括大量的非结构化、半结构化影响因素。这些因素在预测精度越来越高的要求下,必须加以考虑,例如行业产业结构调整、新的能源环境政策、重大社会事件等。
利用人工智能技术中的蒙特卡罗树搜索方法,结合贝叶斯推断、压缩感知、最小二乘法等,根据负荷、经济、天气等历史数据,确定负荷的变化规律对未来用电的影响。进一步,综合网页、检索量、评论等信息,利用机器学习手段聚合提炼文本信息,借助信息集分割实现有效的影响因素抽象归类,建立用电负荷与相关因素的影响关系,补充修正稳态负荷预测,进行更加精细、对时变因素更加敏感鲁棒的用电需求预测。
本发明实施例提供的基于统计物理学与人工智能的电力负荷预测方法,具有一个依据分布的随机决策过程,具有一定的“智能”特性,通过评估,以提高系统熵值为目标,“理性”地自主收敛到预测值。因此,本发明可以处理更加符合工程应用的随机情况,例如对居民用电情况进行长期预测,进行各地能源消耗计划的科学预测;针对不同产业类型及高耗能工业能源消耗的波动情况,可以预测各产业类型的能耗。在已应用的案例中,可以看出,基于统计物理的预测方法辅以人工智能手段对关键词进行大数据检索,相比原来的预测效果有一定的提高。在传统预测方法中,非结构数据往往难以及时收集和处理,政策的影响程度难以量化,在特殊情况下的用电需求预测精度难以保证。本发明则能够在特殊情况下为用电需求的分析和预测提供参考并做出修正。在本发明中,并不需要对用电的来源进行详细剖析,也无需分析背后复杂的原因,而只是从数据中获取相关规律,这一点也反映了本发明的便于应用、对知识约束的要求低等优势特征。
下面以一个具体的负荷预测过程为例来说明本发明的基于统计物理学与人工智能的电力负荷预测方法。
(1)、建立基于统计物理学的数据模型进行负荷预测。
基于最大熵基本原理,待处理的目标函数为h(x),它规定了熵要在最大值上。其中的随机变量x理论上所代表的是预测对象——即电力系统的负荷;h(x)是变量x的熵函数的表达,它其实就是预测结果的信息量的一种量度,该结果包含的信息量的数量随着熵值的增大而增多。一种约束由x这一随机变量的衍生信息(统计特征)形成;另一种约束,是由概率分布自身作为条件的。p(x)表示随机变量x的概率分布函数。
max h(x)=-∫p(x)lnp(x)dx;
s.t.∫p(x)gi(x)dx=E[gi(x)];i=1,2,…n;
∫p(x)dx=1;
上述二式表示的约束条件,是在满足不同预测路径的结果的那一时刻,待求的概率分布函数所对应的约束条件,其中,i所代表的是第i条预测路径的预测结果。
下式可用于计算不同路径预测结果的统计特征,并且根据关于约束的设定,它还会被利用于预测模型里,以约束条件来使用:
其数学期望为:
此模型把统计特征作为函数的约束信息,统计特征是指非相同的预测路径预测结果的统计特征。模型的目标函数是指使熵值最大,最终求解得到的是预测结果满足的概率分布函数。根据熵的基本原理,可以知道,若要使某一组概率有超然优势,即一组概率分布中某概率远远高于其他概率,则需要熵取极大值。对应的概率是否占有优势是不受是否在同一个预测路径的结果中所影响的,只要是满足此概率分布函数的预测结果就占据一定的优势的结果,在这里可以认为是最优结果。若想得到最终的预测结果,则需要以此概率分布函数为基准,最后再结合概率论进行分析。
对于熵p(x)的求解,则需要利用拉格朗日极值法。求解条件极值问题需要对其设定好约束范围,基于最大熵基本原理,可以知道概率分布的不同,并基于原理求得“最优”。(对于不同的问题,概率分布的求解也可以用拉格朗日乘子法来进行解得)。
电力负荷预测需要考虑分布区间,假设按区间将电力负荷分为三个水平——高、中、低。多路径协同负荷预测模型的计算求解过程,参见图2,其示出了本发明实施例中多路径协同负荷预测模型的计算求解流程图,包括以下步骤:
S201、求得原始预测结果的统计特征;
t时刻第i种预测方案预测结果的平均值:
t时刻第Z种预测方案预测结果的二阶中心矩:
依据这两个值可以确定统计特征条件的值。
S202、求解多路径预测结果的概率分布函数;
要得到不同预测路径的概率分布函数,此时设定某一条路径的预测结果,并作出它的统计特征,以此来作为条件,在满足优化目标的约束条件下,引入拉格朗日乘子λ0,令:
式中λ1,λ2,λ3可由λ0,λ1表示。最有可能的概率分布函数则依如下方法得出:首先求解概率分布函数pi(x),它是由最大熵理论得到的;接着观察第i条预测路径的预测结果,并对pi(x)进行验证;最后可以得出满足要求的pi(x)。
对于i=2的情况,根据模型给出的分析,包括上级电网部门、下级电网部门。此时,把所得结果里的gi(x)、E[gi(x)]代入模型,得到三个方程组。由此三个方程组,进而解出参数λ1,λ2,λ3,最终得到概率分布函数p(x)。
S203、求解不同预测路径预测结果的熵值;
熵值的大小能够作为预测结果所涵盖的信息量的量度,可以体现预测方案的置信水平的高低。
S204、计算多路径协同负荷预测结果;
本发明所提出的用于电力负荷预测的模型可以将预测结果以函数方程式的形式将预测结果及数据进行整合处理。将二阶中心距作为不同函数式预测的条件,概率分布可能呈列维分布,由此可得X的期望是当这一组数据的概率达到峰值时,相应的期望。这一概率可以通过如下数学公式来计算:
ki=pi(lti)/pmax
于是,可确定X-以及X+,使得最终的预测结果满足如下关于X+、数学期望E(X)以及X-的关系:
p{X-≤X≤X+}≥1-α;
(2)、比较协同负荷预测的结果:
以某地区电网负荷历史的数据预测的结果为例,探讨不同方案的取值会使计算结果产生怎样的变化。负荷预测结果分为高、中、低三种方案:高方案,设其值为I+;中方案,其值为I;低方案,其值为I-,它们的平均值为i。定义数据区间的大小为T,满足T=|I+-I-|,若数值越大,则表明数据的区间就越大;定义数据对称的程度S,满足S=|I+-i|-|I--i|,若数值越大,则表明对称程度越差。区间的大小对称的程度,会在很大程度上影响熵值的大小。在实际应用中,预测结果之间的对称程度与熵值是存在一定的联系的,当区间相等时,对称程度越高体现出他的熵也就越大。由于熵的大小能够侧面反映出所得到的参数值的准确程度,体现该方案具有更高的实用性与合理性。接下来根据三种方案的取值情况展开分析。
情况1:原始数据高、中、低方案的期望等于中方案
如表1所示,其示出了情况1的计算结果,R1、R2代表原始的预测结果,R1-2代表的是基于最大熵原理所得出的预测结果。当原始的数据结果与所预测的期望值相对称并与中方案值相等时,通过统计物理方法所得到的的结果便是原始数据的平均值。于是,当数据的区间以及它的对称程度相等时,所得到的数据的熵值也是相等的。
表1
利用最大熵原理,对数据信息进行加工与融合,此时R1、R2的区间结果较大,而R1-2的区间则较小,并且后者的对称度较高。因此其概率分布占有优势,可以认为后者的值较前者更加精确,因此R1-2的值比R1及R2更优越。
情况2:原始数据高、中、低方案的期望不等于中方案
根据数值的不同,分为两种情况。第一种是两组数据中只有一组是与中方案不相等的;第二种是两组数据与中方案都不相等。参见表2,其示出了情况2的计算结果,表2中R1及R2分别表示两组初始预测结果,R1-2表示基于最大熵原理的协同负荷预测结果,前三行代表类型一,后三行代表类型二,类型一表示的情况是:两组初始数据的三种方案的期望,有一组与期望不相同。类型二表示的是:两组初始数据的三种方案的期望,全部与期望不同。在区间值上,R1及R2要大于R1-2,R1及R2的对称度劣于R1-2;熵值上,R1及R2要小于R1-2,且R1及R2偏向于区间较大、对称程度较差的那一组数据,因此R1-2要更佳。
表2
(3)、利用人工智能技术辅助修正稳态预测结果进行精准预测:
基于数据的模型构造可以针对部分影响因素进行求解,但仍存在部分无法呈现出结构化形式解析的因素。针对非结构化、无法解析的情况,为了提高预测方案的合理性,使得其在社会应用中具有更高的实用性,本发明利用人工智能中的机器学习手段,对影响负荷变化的因素进行分析,通过文本检测、聚类分析、集划分等解决方式建立影响因素与负荷变化之间的相关关系,作为补充修正解析模型所得到的结果。
参见图3,其示出了本发明实施例中利用人工智能技术修正前述基于统计物理学的方法获得电力负荷预测量的流程图,包括以下步骤:
S301、选择特定关键词;
对实际问题进行研究时,必须选择合适的关键词进行相应分析。每一个关键词就对应了一种反映用电需求的特征。
S302、获取相关文字检索数据;
针对某地区某行业,分析用电负荷与相关文字材料、网络信息中的关键词检索量之间的相关性。利用数据挖掘中的维规约,进行大数据预处理——数据集的特征选择和特征提取。
S303、建立关键词检索量与用电预测的神经网络模型;
S304、利用预测结果修正基于统计物理学的用电负荷预测模型;
S305、得到最终预测结果。
利用人工智能技术(例如BP神经网络)修正前述基于统计物理学的方法获得用电负荷预测分量,得到更加精确的预测结果。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于统计物理学与人工智能的电力负荷预测方法,其特征在于,包括以下步骤:
S101、基于历史电力负荷数据,建立基于统计物理学的数学模型;
S102、基于最大熵原理求解所述数学模型中电力负荷对应的概率分布函数;
S103、基于所述概率分布函数进行不同时间尺度的电力负荷预测,得到电力负荷预测结果;
S104、利用人工智能技术辨识负荷变化的影响因素,对所述电力负荷预测结果进行修正,得到最终的电力负荷预测结果。
2.根据权利要求1所述的方法,其特征在于,求解所述数学模型中电力负荷对应的概率分布函数时,约束条件包括:
非相同的预测路径预测结果的统计特征形成的约束,以及概率分布自身的约束。
3.根据权利要求1所述的方法,其特征在于,所述基于最大熵原理求解所述数学模型中电力负荷对应的概率分布函数,包括:
使用拉格朗日乘子法求解所述数学模型中电力负荷对应的概率分布函数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述概率分布函数进行不同时间尺度的电力负荷预测,包括:
利用列维稳态分布进行不同尺度的电力负荷预测。
5.根据权利要求1所述的方法,其特征在于,所述利用人工智能技术辨识负荷变化的影响因素,对所述电力负荷预测结果进行修正,包括:
选择特定关键词;所述特定关键词对应反映用电需求的特征;
基于所述特定关键词在行业相关文字材料以及网络信息中进行检索,获取相关文字检索数据;
基于所述相关文字检索数据,建立关键词检索量与用电预测的神经网络模型;
基于所述神经网络模型进行电力负荷预测,得到第一电力负荷预测结果;
利用所述第一电力负荷预测结果修正基于统计物理学的用电负荷预测模型,得到最终预测结果。
6.根据权利要求5所述的方法,其特征在于,所述神经网络模型包括BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080532.2A CN112214734A (zh) | 2020-10-10 | 2020-10-10 | 一种基于统计物理学与人工智能的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080532.2A CN112214734A (zh) | 2020-10-10 | 2020-10-10 | 一种基于统计物理学与人工智能的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112214734A true CN112214734A (zh) | 2021-01-12 |
Family
ID=74053176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011080532.2A Pending CN112214734A (zh) | 2020-10-10 | 2020-10-10 | 一种基于统计物理学与人工智能的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214734A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183649A1 (en) * | 2007-01-29 | 2008-07-31 | Farhad Farahani | Apparatus, method and system for maximum entropy modeling for uncertain observations |
CN101556664A (zh) * | 2009-05-11 | 2009-10-14 | 天津大学 | 基于最大信息熵的协同负荷预测方法 |
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
CN102709923A (zh) * | 2012-06-14 | 2012-10-03 | 济南大学 | 基于负荷波动规律的时变限值区域电网无功优化控制方法 |
CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
CN105005623A (zh) * | 2015-07-27 | 2015-10-28 | 东南大学 | 基于关键词检索指数相关性分析的用电需求预测方法 |
CN106446547A (zh) * | 2016-09-27 | 2017-02-22 | 华中科技大学 | 一种基于广义第二类贝塔分布的洪水频率分析方法 |
CN108876001A (zh) * | 2018-05-03 | 2018-11-23 | 东北大学 | 一种基于孪生支持向量机的短期电力负荷预测方法 |
CN109918707A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 一种基于Lévy过程的航空发动机剩余寿命预测方法 |
CN110648013A (zh) * | 2019-08-26 | 2020-01-03 | 广东工业大学 | 一种基于对偶型最大熵的电动汽车充电负荷预测方法 |
CN111222687A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 基于同源异构神经网络的电力负荷概率预测方法及装置 |
CN111582911A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
-
2020
- 2020-10-10 CN CN202011080532.2A patent/CN112214734A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183649A1 (en) * | 2007-01-29 | 2008-07-31 | Farhad Farahani | Apparatus, method and system for maximum entropy modeling for uncertain observations |
CN101556664A (zh) * | 2009-05-11 | 2009-10-14 | 天津大学 | 基于最大信息熵的协同负荷预测方法 |
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
CN102709923A (zh) * | 2012-06-14 | 2012-10-03 | 济南大学 | 基于负荷波动规律的时变限值区域电网无功优化控制方法 |
CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
CN105005623A (zh) * | 2015-07-27 | 2015-10-28 | 东南大学 | 基于关键词检索指数相关性分析的用电需求预测方法 |
CN106446547A (zh) * | 2016-09-27 | 2017-02-22 | 华中科技大学 | 一种基于广义第二类贝塔分布的洪水频率分析方法 |
CN108876001A (zh) * | 2018-05-03 | 2018-11-23 | 东北大学 | 一种基于孪生支持向量机的短期电力负荷预测方法 |
CN109918707A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 一种基于Lévy过程的航空发动机剩余寿命预测方法 |
CN110648013A (zh) * | 2019-08-26 | 2020-01-03 | 广东工业大学 | 一种基于对偶型最大熵的电动汽车充电负荷预测方法 |
CN111222687A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 基于同源异构神经网络的电力负荷概率预测方法及装置 |
CN111582911A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
Non-Patent Citations (3)
Title |
---|
张璇: "基于信息熵原理的协同负荷预测问题的研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 July 2012 (2012-07-15), pages 042 - 685 * |
戴晓娟: "基于最大熵原理的人口预测模型的最优控制", 赤峰学院学报(自然科学版), vol. 30, no. 4, pages 16 - 18 * |
王亚奇: "电铁牵引负荷扰动电流概率分布模型研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 042 - 1498 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bassamzadeh et al. | Multiscale stochastic prediction of electricity demand in smart grids using Bayesian networks | |
Pao et al. | Forecasting of CO2 emissions, energy consumption and economic growth in China using an improved grey model | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
Zekić-Sušac et al. | Predicting energy cost of public buildings by artificial neural networks, CART, and random forest | |
Ye et al. | Forecasting the multifactorial interval grey number sequences using grey relational model and GM (1, N) model based on effective information transformation | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
Maltais et al. | Predictability analysis of domestic hot water consumption with neural networks: From single units to large residential buildings | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Sathishkumar et al. | An energy consumption prediction model for smart factory using data mining algorithms | |
Yang et al. | A pattern fusion model for multi-step-ahead CPU load prediction | |
Han et al. | Interval time series analysis with an application to the sterling-dollar exchange rate | |
Li et al. | Multilinear-trend fuzzy information granule-based short-term forecasting for time series | |
CN116204779A (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
Choi et al. | Diagnosis of building energy consumption in the 2012 CBECS data using heterogeneous effect of energy variables: A recursive partitioning approach | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN112801344A (zh) | 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质 | |
CN112214734A (zh) | 一种基于统计物理学与人工智能的电力负荷预测方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN115358476A (zh) | 需求响应潜力预测方法、装置、计算机设备和存储介质 | |
CN108364136B (zh) | 一种基于证据推理的水资源短缺风险分析方法及系统 | |
Chen et al. | Spatial–temporal information model-based load current interval prediction for transmission lines | |
CN109816139B (zh) | 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 | |
Liao et al. | Building energy efficiency assessment base on predict-center criterion under diversified conditions |
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 |