CN112330027A - 一种基于搜索引擎指数的电力负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于搜索引擎指数的电力负荷预测方法。包括：确定在预定历史时间段内与预设地区电力负荷相关的搜索引擎指数；使用长短期记忆神经网络对搜索引擎指数的趋势项、季节项和节假日项进行预测，得到搜索引擎指数的外推预测值；基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型，将电力负荷数据、搜索引擎指数以及天气数据的历史数据作为训练集；用搜索引擎指数的外推预测值以及天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。本发明建立了搜索引擎指数‑气象数据联合预测电力负荷的模型，突破了传统上电力负荷预测因子只能考虑自然因素而不能将社会因素量化纳入因变量的限制，能够得到更准确的电力负荷预测结果。

Description

一种基于搜索引擎指数的电力负荷预测方法

技术领域

本发明涉及电力负荷技术领域，特别是涉及一种基于搜索引擎指数的电力负荷预测方法。

背景技术

某个词汇的搜索引擎指数与该词汇的搜索规模正相关，该指数反映了人群对某个事物的关注程度。特别地，对于某些以旅游业为主打产业的地区或城市，其相关搜索指数与该地人员流动量有强的相关性，而人流量的变化又影响了当地的电力负荷变化。因此，搜索引擎指数与电力负荷有相当强的关系。

电力负荷预测对于电网的调度和生产计划具有重要的意义，传统的电力负荷预测主要关注以电力负荷本身、最高气温、最低气温、平均气温、湿度等为自变量，近几年考虑社会因素对电力负荷预测的研究方兴未艾，搜索引擎指数正是可以量化的一个社会因素指标。

发明内容

本发明提供了一种基于搜索引擎指数的电力负荷预测方法，以实现准确的电力负荷预测。

本发明提供了以下技术方案：

一种基于搜索引擎指数的电力负荷预测方法，其包括以下步骤：

S1，确定至少一个与预设地区电力负荷相关的搜索引擎关键词；

S2，获取所述关键词在预定历史时间段内的搜索引擎指数；

S3，获取相同历史时间段内所述预设地区的电力负荷数据；

S4，使用Spearman秩相关检验分析所述预设地区的电力负荷与搜索引擎指数的关系，剔除相关系数低于预设阈值的搜索关键词；

S5，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解；

S6，构建搜索引擎指数时间序列的趋势项函数；

S7，构建搜索引擎指数时间序列的季节性函数；

S8，构建搜索引擎指数时间序列的节假日效应函数；

S9，对与所述预设地区相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎指数的线性组合；

S10，获取相同历史时间段内所述预设地区的天气数据，并使用基于粒子群优化算法的长短期记忆神经网络对未来时间段的天气数据进行预测，得到天气数据预测值；

S11，基于所述趋势项函数、所述季节性函数以及所述节假日效应函数，使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测，将所述趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值；

S12，基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型，将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集；用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。

进一步地，所述Spearman秩相关检验的表达式为：

其中，ρ_s表示Spearman等级系数，U表示进行检验的电力负荷和搜索引擎指数数据的组数，

表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方，对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。

进一步地，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解，包括：

所述搜索引擎指数的时间序列数据的分解表达式为：

Y＝Q+Z+J+∈ (2)

式(2)中，Y为总的搜索引擎指数；Q为趋势项，是一个表征搜索引擎指数发展趋势的非周期性单调函数；Z为周期项，表征搜索引擎指数时间序列的周期性特征；J为预设时间点影响项，可以根据具体情况设置，在其上搜索引擎指数会有阶跃式波动的离散时间点，表征节假日对搜索引擎指数时间序列的影响；∈为误差项；

对搜索引擎指数的时间序列数据进行分解，具体包括：

用马尔科夫链拟合随机序列{X_t：t＝1，2，…}的状态概率表达为式(3)：p_ii＝p{X_t＝j} (3)

式(3)中，p_ii为转移矩阵，p表示满足后续表达式的概率，X_t为离散空间中的时间序列，j为预测方法序号，t为预测时段；

状态概率分布的表达式为式(4)(5)：

P_t＝[P_t1，P_t2，…，P_tv] (4)

式(4)中，P_t为t时刻的转移概率矩阵，P_tv为系统由状态t转化为状态v的概率；v是一个为表示系统状态序号而引入的符号；式(5)中，

为P_tj的估计值，s为可能发生转移的总次数，T为拟合时段，N为预测方法的种类；

随机序列的一步转移概率矩阵的估计表达式为：

B＝CG+E (6)

式(6)中，B为随机序列的估计矩阵，C为输入变量矩阵，G为随机序列的一步转移概率矩阵，E为误差矩阵，B＝[P₂，P₃，…，P_T]，C＝[P₁，P₂，…，P_T-1]；

E的估计的表达式为：

E＝(B-CG)(B-αG)/(T-1)＝[BB-BC(CC)^-1CB]/(T-1) (7)

式(7)中，α为转移概率矩阵系数。

状态概率的预测公式为(8)(9)：

P_t＝GP_t-1 (8)

式(9)中，

为负荷预测值的估计值，P_j为组合预测模型中各个对应模型的权重值，y_j为i时刻负荷预测值。

进一步地，构建搜索引擎指数时间序列的趋势项函数，包括：

对逻辑回归函数进行修正，得到适用于搜索引擎指数的回归增长函数表达式为：

其中，Q(t)为趋势项函数，A表示曲线的最大渐近值，c表示曲线的增长率,m表示曲线的中点，h表示时间；

进一步扩展成动态函数：

其中，A(t)为曲线最大渐近值函数，δ、γ为增长率的变化量，a(t)为匹配维度的向量。

进一步地，构建搜索引擎指数时间序列的季节性函数，包括：

特别地，当时间周期为年时，转为：

其中，G表示相加项的个数，Z(t)表示季节性函数，M表示时间序列的周期，a_n、b_n分别为余弦函数和正弦函数的幅度。

进一步地，构建搜索引擎指数时间序列的节假日效应函数包括：

使用指示函数，设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围，在这个影响及适用范畴中，进一步细分为前影响范围和后影响范围，节假日效应函数表达为：

V(t)＝[1(t∈D₁)，...，1(t∈D_L)] (14)

F(t)＝V(t)k (15)

其中，D₁，…,D_L表示以第1到L个节假日为中心的邻域时间段，V(t)为回归矩阵；k为节假日影响范围参数，F(t)为节假日效应矩阵。

进一步地，对与预测对象地点相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎信息的线性组合，对所选的搜索关键词的搜索指数进行中心化，此过程的表达式为

其中，x表示搜索关键词的平均搜索指数，x^(Λ)表示搜索引擎指数时间序列中第Λ个数据，b为该搜索引擎指数出现的频数；

计算表征指数特征的协方差矩阵，协方差矩阵的表达式为：

H＝ψψ^T (17)

式(17)中，H为协方差矩阵，ψ为n维随机变量；

对式(17)的协方差矩阵进行特征值分解；

指定一个降维后的主成分比重阈值介于0到1之间，定义特征值数量参数η，则η的表达式满足：

其中，λ_i为协方差矩阵的第i个特征值；

特征值需要满足式(19)：

λ₁≥λ₂≥…≥λ_i (19)

取出最大的η个特征值对应的特征向量(ρ₁，ρ₂，…，ρ_η)，将上述特征向量标准化后，组成特征向量矩阵；

对样本集中的每一个样本x⁽ⁱ⁾，转化为新的样本z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；W为样本转移矩阵；

得到输出样本集U＝(z⁽¹⁾，z⁽²⁾，...z⁽ⁱ⁾)。

进一步地，所述粒子群优化算法的速度更新公式为：

粒子群优化算法的位置更新公式为：

式(21)中w为惯性权重，μ₁和μ₂为学习因子，r₁和r₂为两个分布在[0,1]之间相互独立的随机数，

和

分别为在第S次迭代中，第α个粒子在第β维上的速度分量、位置分量、个体最优值和群体全局最优值；

负荷预测模型参数寻优的惯性权重表达为式(22)：

式(22)中，w(t)为负荷预测模型参数寻优的惯性权重，w_max和w_min分别为惯性权重的最大值和最小值；e为当前迭代次数；e_max为最大迭代次数；

基于标准柯西累积分布的扰动函数，其表达式为：

式(23)中，F(xm)表示扰动函数，xm为扰动函数的自变量；

粒子群整体凝聚度的表达式为式(24)：

式(24)中，coh为粒子群整体凝聚度，

表示第S次迭代中，第α个粒子在第β维上位置的平均值；

计算所有粒子的个体最优值pbest的平均值avg_pbest到当前最优值pbest在第β维上的距离χ(β)为：

自适应变异调节变量xm(j)定义为：

式(27)中，xm(β)为自适应变异调节变量，λ为一常数，r_max为各维间的最大距离；

自适应柯西变异操作更新方程为：

gbest*＝gbest+F(xm) (28)

式(28)中，gbest^*为更新后的群体全局最优值；

长短期记忆神经网络基本单元的状态更新方程组表达为式(29)-(34)：

f_t＝σ(Γ_f·[h_t-1，x_t]+Ξ_φ) (29)

φ_t＝σ(Γ_i·[h_t-1，x_t]+Ξ_φ) (30)

a_t＝tanh(Γ_c·[h_t-1，x_t]+Ξ_c) (31)

C_t＝f*C_t-1+φ_t*a_t (32)

o_t＝σ(Γ_o·[h_t-1，x_t]+Ξ_o) (33)

h_t＝o_r*tanh(C_t) (34)

式(29)-(34)中，x_t和h_t分别表示输入向量和输出向量，f、φ、o分别表示遗忘门、输入门和输出门，C_t与C_t-1分别表示上一时刻与当前单元状态，h_t-1与h_t分别表示上一时刻与当前隐藏层单元的输出，σ表示sigmoid激活函数，tanh表示正切函数，Γ和Ξ表示权重矩阵和偏差向量。

进一步地，所述广义回归神经网络的模式层神经元传递函数为：

式(35)中，Υ为模式层神经元传递函数，Ω为网络输入变量；Ω_l为第l个神经元对应的学习样本；σ为权值；

求和层对所有模式层神经元的输出进行算术求和，计算公式为：

式(36)中，L为神经元总个数；

当连接函数为1，传递函数为：

其中，S_D为传递函数；

GRNN每个模式的单元输出为：

其中，Y_i为样本观测值，δ为平滑参数。

进一步地，将广义回归神经网络构建在果蝇优化算法的基础上，对果蝇位置(X_arisY_aris)进行随机初始化：

X_aris＝rand Y_aris＝rand (39)

其中，X_aris、Y_aris为果蝇未知的横纵坐标，rand代指随机数；

更新各子种群果蝇位置：

其中X_jM、Y_jM为果蝇个体新的位置，X_axis、Y_axis为更新前果蝇位置的横坐标和纵坐标；式(41)中，w表示惯性权重，R_max、R_min为定义域上下限，D为控制参数，maxgen为最大迭代次数，gen表示当前迭代次数；

各子种群果蝇到原点的距离表达式：

其中，S_jM为味道浓度判断值，Dist_jM为果蝇个体距离原点的距离，X_jM、Y_jM、Z_jM为果蝇位置在三维空间中的坐标；

各子种群果蝇个体适应度表达式为：

Smell_jM＝Function(S_jM) (43)

其中，Smell_jM为味道浓度值，Function为味道浓度判断函数；

计算总群局部最优位置和适应度值：

其中，Smellbest为最佳味道浓度值，BestIndex为该果蝇群体中味道浓度最高的果蝇，BestSmell为最佳味道浓度值对应的果蝇位置。

与现有技术相比，本发明具有以下有益效果：

1.本发明将有关于一个地区的搜索引擎指数纳入与电力负荷相关的因素考虑，为电力负荷预测领域提供了全新的视角。

2.本发明建立了搜索引擎指数的时间序列分解模型，有利于提高搜索引擎指数的预测精度。

3.本发明根据搜索引指数本身的特点建立了搜索引擎指数的时间序列分解模型的趋势项函数，趋势项部分作为一个独立的时间序列进行预测，有利于提高搜索引擎指数的预测精度。

4.本发明根据搜索引擎指数、电力负荷数据以及节假日三者的耦合关系构造了节假日效应函数，通过设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围，在这个影响及适用范畴中，又可以进一步细分为前影响范围和后影响范围。节假日项部分作为一个独立的时间序列进行预测，有利于提高搜索引擎指数的预测精度。

5.本发明建立了搜索引擎指数-气象数据联合预测电力负荷的模型，突破了传统上电力负荷预测因子只能考虑自然因素而不能将社会因素量化纳入因变量的限制。

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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中一种基于搜索引擎指数的电力负荷预测方法的流程图；

图2是本发明实施例中搜索引擎指数时间序列的趋势项函数示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

参见图1，其示出了一种基于搜索引擎指数的电力负荷预测方法的流程图，该方法包括以下步骤：

S1，确定至少一个与预设地区电力负荷相关的搜索引擎关键词；

其中，搜索引擎关键词具体包括但不限于：该预设地区的地名；该预设地区人流量大的风景名胜的名字；即将在该预设地区举行的大型活动的名字。

S2，获取这些关键词在预定历史时间段内的搜索引擎指数；

搜索引擎指数为如谷歌、百度等搜索引擎指数，在具体实施时，谷歌指数(GoogleIndex)可以直接在相应网站下载；百度指数(BaiduIndex)可以使用基于python的网络爬虫到相应网页爬取。

S3，获取相同历史时间段内该预设地区的电力负荷数据；

S4，使用Spearman秩相关检验分析该预设地区的电力负荷与搜索引擎指数的关系，剔除相关系数低于预设阈值的搜索关键词；

其中，Spearman秩相关检验的表达式为：

式(1)中，ρ_s表示Spearman等级系数，U表示进行检验的电力负荷和搜索引擎指数数据的组数，

表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方，对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。

S5，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解；

S6，构建搜索引擎指数时间序列的趋势项函数；

S7，构建搜索引擎指数时间序列的季节性函数；

S8，构建搜索引擎指数时间序列的节假日效应函数；

S9，对与预测对象地点相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎指数的线性组合；

S10，获取相同历史时间段内所述预设地区的天气数据，并使用基于粒子群优化算法的长短期记忆神经网络(PSO-LSTM)对天气数据进行预测，得到天气数据预测值；

S11，基于趋势项函数、季节性函数以及节假日效应函数，使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测，将趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值；

S12，基于果蝇优化算法的广义回归神经网络(FOA-GRNN)构建电力负荷数据预测模型，将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集；用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。

其中，步骤S5中，搜索引擎指数的时间序列的分解表达式为：

Y＝Q+Z+J+∈ (2)

式(2)中，Y为总的搜索引擎指数；Q为趋势项，是一个表征搜索引擎指数发展趋势的非周期性单调函数；Z为周期项，表征搜索引擎指数时间序列的周期性特征；J为预设时间点影响项，可以根据具体情况设置，在其上搜索引擎指数会有阶跃式波动的离散时间点，表征节假日对搜索引擎指数时间序列的影响；∈为误差项，可以采用但不限于高斯常态分布。

对搜索引擎指数的时间序列数据进行分解，具体包括：

用马尔科夫链拟合随机序列{x_t：t＝1，2，…}的状态概率表达为式(3)：p_ii＝p{X_t＝j} (3)

式(3)中，p_ii为转移矩阵，p表示满足后续表达式的概率，X_t为离散空间中的时间序列，j为预测方法序号，t为预测时段；

状态概率分布的表达式为式(4)(5)：

P_t＝[P_t1，P_t2，…，P_tv] (4)

式(4)中，P_t为t时刻的转移概率矩阵，P_tv为系统由状态t转化为状态v的概率；v是一个为表示系统状态序号而引入的符号；式(5)中，

为P_tj的估计值，s为可能发生转移的总次数，T为拟合时段，N为预测方法的种类；

随机序列的一步转移概率矩阵的估计表达式为：

B＝CG+E (6)

式(6)中，B为随机序列的估计矩阵，C为输入变量矩阵，G为随机序列的一步转移概率矩阵，E为误差矩阵，B＝[P₂，P₃，…，P_T]，C＝[P₁，P₂，…，P_T-1]；

E的估计的表达式为：

E＝(B-CG)(B-αG)/(T-1)＝[BB-BC(CC)^-1CB]/(T-1) (7)

式(7)中，α为转移概率矩阵系数。

状态概率的预测公式为(8)(9)：

P_t＝GP_t-1 (8)

式(9)中，

为负荷预测值的估计值，P_j为组合预测模型中各个对应模型的权重值，y_j为i时刻负荷预测值。

步骤S6中，满足搜索引擎指数发展规律的函数需要满足条件为：具有一定的增长空间且存在最大的饱和值，原则上当时间趋近于无穷时，搜索引擎指数的值无限接近但不等于设定的最大值，所述搜索引擎指数时间序列的趋势项函数如图2所示。

构建搜索引擎指数时间序列的趋势项函数的一种可能的实施方式如下：

对逻辑回归函数进行修正，可以得到适用于搜索引擎指数的回归增长函数表达式为：

式(10)中，Q(t)为趋势项函数，A表示曲线的最大渐近值，c表示曲线的增长率,m表示曲线的中点，h表示时间；

这一函数可以进一步扩展成动态函数如式(11)所示：

式(11)中，A(t)为曲线最大渐近值函数，δ、γ为增长率的变化量，a(t)为匹配维度的向量。

步骤S7中，构建搜索引擎指数时间序列的季节性函数的一种可能的实施方式如下：

将反映搜索引擎指数的周期性函数(如三角函数)转化为傅里叶级数，其表达式为：

式(12)中，G表示相加项的个数，Z(t)表示季节性函数，M表示时间序列的周期，a_n、b_n分别为余弦函数和正弦函数的幅度，特别地，当时间周期为年时，式(12)转为式(13)：

步骤S8中，构建搜索引擎指数时间序列的节假日效应函数的一种可能的实施方式如下：

使用指示函数，设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围，在这个影响及适用范畴中，可以进一步细分为前影响范围和后影响范围，节假日效应函数表达为式(14)(15)：

V(t)＝[1(t∈D₁)，...，1(t∈D_L)] (14)

F(t)＝V(t)k (15)

式(14)中，D₁，…,D_L表示以第1到L个节假日为中心的邻域时间段，V(t)为回归矩阵；式(15)中，k为节假日影响范围参数，F(t)为节假日效应矩阵。

步骤S9中，对与预测对象地点相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎信息的线性组合，包括：

对确定出的搜索关键词的搜索指数进行中心化，此过程的表达式为：

式(16)中，x表示搜索关键词的平均搜索指数，x^(Λ)表示搜索引擎指数时间序列中第Λ个数据，b为该搜索引擎指数出现的频数；

计算表征指数特征的协方差矩阵，协方差矩阵的表达式为：

H＝ψψ^T (17)

式(17)中，H为协方差矩阵，ψ为n维随机变量；

对式(17)的协方差矩阵进行特征值分解；

指定一个降维后的主成分比重阈值介于0到1之间，定义特征值数量参数η，则η的表达式满足：

式(18)中，λ_i为协方差矩阵的第i个特征值；

其中特征值需要满足式(19)：

λ₁≥λ₂≥…≥λ_i (19)

取出最大的η个特征值对应的特征向量(ρ₁，ρ₂，…，ρ_η)，将上述特征向量标准化后，组成特征向量矩阵；

对样本集中的每一个样本x⁽ⁱ⁾，转化为新的样本z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；W为样本转移矩阵；

得到输出样本集ξ＝(z⁽¹⁾，z⁽²⁾，....z⁽ⁱ⁾)。

步骤S10中，粒子群优化算法的速度更新公式为：

粒子群优化算法的位置更新公式为：

式(21)中w为惯性权重，μ₁和μ₂为学习因子，r₁和r₂为两个分布在[0,1]之间相互独立的随机数，

和

分别为在第S次迭代中，第α个粒子在第β维上的速度分量、位置分量、个体最优值和群体全局最优值；

负荷预测模型参数寻优的惯性权重表达为式(22)：

式(22)中，w(t)为负荷预测模型参数寻优的惯性权重，w_max和w_min分别为惯性权重的最大值和最小值；e为当前迭代次数；e_max为最大迭代次数；

基于标准柯西累积分布的扰动函数，其表达式为：

式(23)中，F(xm)表示扰动函数，xm为扰动函数的自变量；

粒子群整体凝聚度的表达式为式(24)：

式(24)中，coh为粒子群整体凝聚度，

表示第S次迭代中，第α个粒子在第β维上位置的平均值；

计算所有粒子的个体最优值pbest的平均值avg_pbest到当前最优值pbest在第β维上的距离χ(β)为：

自适应变异调节变量xm(j)定义为：

式(27)中，xm(β)为自适应变异调节变量，λ为一常数，r_max为各维间的最大距离；

自适应柯西变异操作更新方程为：

gbest^*＝gbest+F(xm) (28)

式(28)中，gbest^*为更新后的群体全局最优值；

长短期记忆神经网络基本单元的状态更新方程组表达为式(29)-(34)：

f_t＝σ(Γ_f·[h_t-1，x_t]+Ξ_φ) (29)

φ_t＝σ(Γi·[h_t-1，x_t]+Ξ_φ) (30)

a_t＝tanh(Γ_c·[h_t-1，x_t]+Ξ_c) (31)

C_t＝f*C_t-1+φ_t*a_t (32)

o_t＝σ(Γ_o·[h_t-1，x_t]+Ξ_o) (33)

h_t＝o_r*tanh(C_t) (34)

式(29)-(34)中，x_t和h_t分别表示输入向量和输出向量，f、φ、o分别表示遗忘门、输入门和输出门，C_t与C_t-1分别表示上一时刻与当前单元状态，h_t-1与h_t分别表示上一时刻与当前隐藏层单元的输出，σ表示sigmoid激活函数，tanh表示正切函数，Γ和Ξ表示权重矩阵和偏差向量。

步骤S11中，使用基于果蝇优化算法的广义回归神经网络(FOA-GRNN)，将搜索引擎指数和电力负荷数据以及其他因变量的历史数据作为训练集，用外推预测出的搜索引擎指数线性组合以及其他因变量的预测值作为输入量，对电力负荷数据进行预测。

广义回归神经网络的模式层神经元传递函数为：

式(35)中，Υ为模式层神经元传递函数，Ω为网络输入变量；Ω_l为第l个神经元对应的学习样本；σ为权值；

求和层对所有模式层神经元的输出进行算术求和，计算公式为：

式(36)中，L为神经元总个数；

当连接函数为1，传递函数为：

式(37)中，S_D为传递函数；

GRNN每个模式的单元输出为：

式(38)中，Y_i为样本观测值，δ为平滑参数；

将广义回归神经网络构建在果蝇优化算法的基础上，对果蝇位置(X_aris，Y_aris)进行随机初始化：

X_aris＝rand Y_aris＝rand (39)

式(39)中，X_aris、Y_aris为果蝇未知的横纵坐标，rand代指随机数；

更新各子种群果蝇位置：

式(40)中X_jM、Y_jM为果蝇个体新的位置，X_axis、Y_axis为更新前果蝇位置的横坐标和纵坐标；式(41)中，w表示惯性权重，R_max、R_min为定义域上下限，D为控制参数，maxgen为最大迭代次数，gen表示当前迭代次数；

各子种群果蝇到原点的距离表达式：

式(42)中，S_jM为味道浓度判断值，Dist_jM为果蝇个体距离原点的距离，X_jM、Y_jM、Z_jM为果蝇位置在三维空间中的坐标；

各子种群果蝇个体适应度表达式为：

Smell_jM＝Function(S_jM) (43)

式(43)中，Smell_jM为味道浓度值，Function为味道浓度判断函数；

计算总群局部最优位置和适应度值：

式(44)中，Smellbest为最佳味道浓度值，BestIndex为该果蝇群体中味道浓度最高的果蝇，BestSmell为最佳味道浓度值对应的果蝇位置。

本发明实施例具有以下有益效果：

1.本发明实施例将有关于一个地区的搜索引擎指数纳入与电力负荷相关的因素考虑，为电力负荷预测领域提供了全新的视角。

2.本发明实施例建立了搜索引擎指数的时间序列分解模型，有利于提高搜索引擎指数的预测精度。

3.本发明实施例根据搜索引指数本身的特点建立了搜索引擎指数的时间序列分解模型的趋势项函数，趋势项部分作为一个独立的时间序列进行预测，有利于提高搜索引擎指数的预测精度。

4.本发明实施例根据搜索引擎指数、电力负荷数据以及节假日三者的耦合关系构造了节假日效应函数，通过设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围，在这个影响及适用范畴中，又可以进一步细分为前影响范围和后影响范围。节假日项部分作为一个独立的时间序列进行预测，有利于提高搜索引擎指数的预测精度。

5.本发明实施例建立了搜索引擎指数-气象数据联合预测电力负荷的模型，突破了传统上电力负荷预测因子只能考虑自然因素而不能将社会因素量化纳入因变量的限制。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于搜索引擎指数的电力负荷预测方法，其特征在于，其包括以下步骤：

S1，确定至少一个与预设地区电力负荷相关的搜索引擎关键词；

S2，获取所述关键词在预定历史时间段内的搜索引擎指数；

S3，获取相同历史时间段内所述预设地区的电力负荷数据；

S4，使用Spearman秩相关检验分析所述预设地区的电力负荷与搜索引擎指数的关系，剔除相关系数低于预设阈值的搜索关键词；

S5，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解；

S6，构建搜索引擎指数时间序列的趋势项函数；

S7，构建搜索引擎指数时间序列的季节性函数；

S8，构建搜索引擎指数时间序列的节假日效应函数；

S9，对与所述预设地区相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎指数的线性组合；

S10，获取相同历史时间段内所述预设地区的天气数据，并使用基于粒子群优化算法的长短期记忆神经网络对未来时间段的天气数据进行预测，得到天气数据预测值；

S11，基于所述趋势项函数、所述季节性函数以及所述节假日效应函数，使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测，将所述趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值；

S12，基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型，将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集；用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。

2.根据权利要求1所述的方法，其特征在于，所述Spearman秩相关检验的表达式为：

其中，ρ_s表示Spearman等级系数，U表示进行检验的电力负荷和搜索引擎指数数据的组数，

表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方，对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。

3.根据权利要求1所述的方法，其特征在于，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解，包括：

所述搜索引擎指数的时间序列数据的分解表达式为：

Y＝Q+Z+J+∈ (2)

式(2)中，Y为总的搜索引擎指数；Q为趋势项，是一个表征搜索引擎指数发展趋势的非周期性单调函数；Z为周期项，表征搜索引擎指数时间序列的周期性特征；J为预设时间点影响项，可以根据具体情况设置，在其上搜索引擎指数会有阶跃式波动的离散时间点，表征节假日对搜索引擎指数时间序列的影响；∈为误差项；

对搜索引擎指数的时间序列数据进行分解，具体包括：

用马尔科夫链拟合随机序列{x_t：t＝1，2，…}的状态概率表达为式(3)：

p_ii＝p{X_t＝j} (3)

式(3)中，p_ii为转移矩阵，p表示满足后续表达式的概率，X_t为离散空间中的时间序列，j为预测方法序号，t为预测时段；

状态概率分布的表达式为式(4)(5)：

P_t＝[P_t1，P_t2，…，P_tv] (4)

式(4)中，p_t为t时刻的转移概率矩阵，P_tv为系统由状态t转化为状态v的概率；v是一个为表示系统状态序号而引入的符号；式(5)中，

为P_tj的估计值，s为可能发生转移的总次数，T为拟合时段，N为预测方法的种类；

随机序列的一步转移概率矩阵的估计表达式为：

B＝CG+E (6)

式(6)中，B为随机序列的估计矩阵，C为输入变量矩阵，G为随机序列的一步转移概率矩阵，E为误差矩阵，B＝[P₂，P₃，…，P_T]，C＝[P₁，P₂，…，P_T-1]；

E的估计的表达式为：

E＝(B-CG)(B-αG)/(T-1)＝[BB-BC(CC)^-1CB]/(T-1) (7)

式(7)中，α为转移概率矩阵系数。

状态概率的预测公式为(8)(9)：

P_t＝GP_t-1 (8)

式(9)中，

为负荷预测值的估计值，P_j为组合预测模型中各个对应模型的权重值，y_j为i时刻负荷预测值。

4.根据权利要求1所述的方法，其特征在于，构建搜索引擎指数时间序列的趋势项函数，包括：

对逻辑回归函数进行修正，得到适用于搜索引擎指数的回归增长函数表达式为：

其中，Q(t)为趋势项函数，A表示曲线的最大渐近值，c表示曲线的增长率,m表示曲线的中点，h表示时间；

进一步扩展成动态函数：

其中，A(t)为曲线最大渐近值函数，δ、γ为增长率的变化量，a(t)为匹配维度的向量。

5.根据权利要求1所述的方法，其特征在于，构建搜索引擎指数时间序列的季节性函数，包括：

特别地，当时间周期为年时，转为：

其中，G表示相加项的个数，Z(t)表示季节性函数，M表示时间序列的周期，a_n、b_n分别为余弦函数和正弦函数的幅度。

6.根据权利要求1所述的方法，其特征在于，构建搜索引擎指数时间序列的节假日效应函数包括：

使用指示函数，设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围，在这个影响及适用范畴中，进一步细分为前影响范围和后影响范围，节假日效应函数表达为：

V(t)＝[1(t∈D₁)，...，1(t∈D_L)] (14)

F(t)＝V(t)k (15)

其中，D₁，…,D_L表示以第1到L个节假日为中心的邻域时间段，V(t)为回归矩阵；k为节假日影响范围参数，F(t)为节假日效应矩阵。

7.根据权利要求1所述的方法，其特征在于，对与预测对象地点相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎信息的线性组合，对所选的搜索关键词的搜索指数进行中心化，此过程的表达式为

其中，x表示搜索关键词的平均搜索指数，x^(Λ)表示搜索引擎指数时间序列中第Λ个数据，b为该搜索引擎指数出现的频数；

计算表征指数特征的协方差矩阵，协方差矩阵的表达式为：

H＝ψψ^T (17)

式(17)中，H为协方差矩阵，ψ为n维随机变量；

对式(17)的协方差矩阵进行特征值分解；

指定一个降维后的主成分比重阈值介于0到1之间，定义特征值数量参数η，则η的表达式满足：

其中，λ_i为协方差矩阵的第i个特征值；

特征值需要满足式(19)：

λ₁≥λ₂≥…≥λ_i (19)

取出最大的η个特征值对应的特征向量(ρ₁，ρ₂，…，ρ_η)，将上述特征向量标准化后，组成特征向量矩阵；

对样本集中的每一个样本x⁽ⁱ⁾，转化为新的样本z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；W为样本转移矩阵；

得到输出样本集U＝(z⁽¹⁾，z⁽²⁾，...z⁽ⁱ⁾)。

8.根据权利要求1所述的方法，其特征在于，所述粒子群优化算法的速度更新公式为：

粒子群优化算法的位置更新公式为：

式(21)中w为惯性权重，μ₁和μ₂为学习因子，r₁和r₂为两个分布在[0,1]之间相互独立的随机数，

和

分别为在第S次迭代中，第α个粒子在第β维上的速度分量、位置分量、个体最优值和群体全局最优值；

负荷预测模型参数寻优的惯性权重表达为式(22)：

式(22)中，w(t)为负荷预测模型参数寻优的惯性权重，w_max和w_min分别为惯性权重的最大值和最小值；e为当前迭代次数；e_max为最大迭代次数；

基于标准柯西累积分布的扰动函数，其表达式为：

式(23)中，F(xm)表示扰动函数，xm为扰动函数的自变量；

粒子群整体凝聚度的表达式为式(24)：

式(24)中，coh为粒子群整体凝聚度，

表示第S次迭代中，第α个粒子在第β维上位置的平均值；

计算所有粒子的个体最优值pbest的平均值avg_pbest到当前最优值pbest在第β维上的距离χ(β)为：

自适应变异调节变量xm(j)定义为：

式(27)中，xm(β)为自适应变异调节变量，λ为一常数，r_max为各维间的最大距离；

自适应柯西变异操作更新方程为：

gbest^*＝gbest+F(xm) (28)

式(28)中，gbest^*为更新后的群体全局最优值；

长短期记忆神经网络基本单元的状态更新方程组表达为式(29)-(34)：

f_t＝σ(Γ_f·[h_t-1，x_t]+Ξ_φ) (29)

φ_t＝σ(Γ_i·[h_t-1，x_t]+Ξ_φ) (30)

a_t＝tanh(Γ_c·[h_t-1，x_t]+Ξ_c) (31)

C_t＝f*C_t-1+φ_t*a_t (32)

o_t＝σ(Γ_o·[h_t-1，x_t]+Ξ_o) (33)

h_t＝o_r*tanh(C_t) (34)

式(29)-(34)中，x_t和h_t分别表示输入向量和输出向量，f、φ、o分别表示遗忘门、输入门和输出门，C_t与C_t-1分别表示上一时刻与当前单元状态，h_t-1与h_t分别表示上一时刻与当前隐藏层单元的输出，σ表示sigmoid激活函数，tanh表示正切函数，Γ和Ξ表示权重矩阵和偏差向量。

9.根据权利要求1所述的方法，其特征在于，所述广义回归神经网络的模式层神经元传递函数为：

式(35)中，Υ为模式层神经元传递函数，Ω为网络输入变量；Ω_l为第l个神经元对应的学习样本；σ为权值；

求和层对所有模式层神经元的输出进行算术求和，计算公式为：

式(36)中，L为神经元总个数；

当连接函数为1，传递函数为：

其中，S_D为传递函数；

GRNN每个模式的单元输出为：

其中，Y_i为样本观测值，δ为平滑参数。

10.根据权利要求1所述的方法，其特征在于，将广义回归神经网络构建在果蝇优化算法的基础上，对果蝇位置(X_aris Y_aris)进行随机初始化：

X_aris＝rand Y_aris＝rand (39)

其中，X_aris、Y_aris为果蝇未知的横纵坐标，rand代指随机数；

更新各子种群果蝇位置：

其中X_jM、Y_jM为果蝇个体新的位置，X_axis、Y_axis为更新前果蝇位置的横坐标和纵坐标；式(41)中，w表示惯性权重，R_max、R_min为定义域上下限，D为控制参数，maxgen为最大迭代次数，gen表示当前迭代次数；

各子种群果蝇到原点的距离表达式：

其中，S_jM为味道浓度判断值，Dist_jM为果蝇个体距离原点的距离，X_jM、Y_jM、Z_jM为果蝇位置在三维空间中的坐标；

各子种群果蝇个体适应度表达式为：

Smell_jM＝Function(S_jM) (43)

其中，Smell_jM为味道浓度值，Function为味道浓度判断函数；

计算总群局部最优位置和适应度值：

其中，Smellbest为最佳味道浓度值，BestIndex为该果蝇群体中味道浓度最高的果蝇，BestSmell为最佳味道浓度值对应的果蝇位置。

Images