CN112348236B - 用于智能用电监测终端的异常日负荷需求预测系统与方法 - Google Patents
用于智能用电监测终端的异常日负荷需求预测系统与方法 Download PDFInfo
- Publication number
- CN112348236B CN112348236B CN202011147994.1A CN202011147994A CN112348236B CN 112348236 B CN112348236 B CN 112348236B CN 202011147994 A CN202011147994 A CN 202011147994A CN 112348236 B CN112348236 B CN 112348236B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- neural network
- load
- daily load
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000005611 electricity Effects 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 95
- 238000012937 correction Methods 0.000 claims abstract description 46
- 230000010354 integration Effects 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 230000000875 corresponding effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 239000002245 particle Substances 0.000 claims description 21
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 18
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000009966 trimming Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明公开了一种用于智能用电监测终端的异常日负荷需求预测系统与方法,包括数据预处理层、数据解构层、多元神经网络、数据重构层与预测结果整合输出层;数据预处理层根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联度较大的指标数据,并能将异常日负荷数据与相应的指标数据构建为样本数据;预测结果整合输出层用于根据修正整合算法将各个负荷预测值整合为一个负荷预测修正值,并作为异常日负荷需求的预测结果进行输出;将外生变量数据输入训练完成的预测系统中以预测未来的异常日负荷需求。本发明解决如何综合优化预测系统整体预测性能的技术问题,考虑了各个预测模型的性能差异,提高预测结果准确性。
Description
技术领域
本发明涉及电力负荷预测领域,具体涉及用于智能用电监测终端的异常日负荷需求预测系统与方法。
背景技术
泛在电力物联网的大力建设推进了用户侧计量装置的研发与应用。在物联网技术的发展下,配电物联网的智能感知能力得到了大幅提升,用户侧的监测终端能够实现海量电力数据的智能监测,并构建用户用电大数据池,如何从中挖掘负荷数据实现更为精准的以用户为中心的负荷需求预测,对推进实现智能用电具有一定的意义。
电力系统负荷预测是一种通过某种计算方法分析历史负荷数据,以此推测未来负荷的变化和发展趋势的工程方法。日负荷预测,即短时负荷预测与电网调度、电价调整、维修计划等电网运行问题息息相关,准确的日负荷预测结果能确保电力系统安全稳定运行,正确引导电网规划建设,实现经济与社会效益最大化。
随着可再生能源的不断接入与负荷容量的不断增加,易受自然条件、社会因素变化影响的传统日负荷预测方法变得不再适用,而基于机器学习负荷预测方法因其可通过训练精确模拟负载和影响变量之间未指定的非线性关系的特点受到广泛的关注与研究。机器学习方面的技术较多,主要包括人工神经网络、SVM支持向量机、深度学习等。
目前基于机器学习的日负荷预测方法在选定的几个时间点内预测性能表现良好,但在较长时间跨度中的预测性能表现不够稳定,在节假日等负荷表现异常日中出现较大的偏差,不能很好地指导电网调度运行。此外,由于特定机器学习方法存在局限性,单个模型在更换预测场景后的日负荷预测表现也可能出现偏离,影响电网运行,带来经济损失。虽然,出现了一些基于多个预测模型进行综合预测的电力负荷预测技术,例如中国发明专利“基于同源异构神经网络的电流负荷概率预测方法及装置(CN1112226877A)”,但是只是简单的将多个预测模型的预测结果取平均值,并没有考虑到各个预测模型的性能差异,不能取长补短的进行综合性优化。
发明内容
针对上述技术的不足,本发明提供了一种用于智能用电监测终端的异常日负荷需求预测系统,解决如何综合优化预测系统整体预测性能的技术问题,考虑了各个预测模型的性能差异,提高预测结果准确性。
为解决上述技术问题,本发明提供一种用于智能用电监测终端的异常日负荷需求预测系统,包括数据预处理层、数据解构层、多元神经网络、数据重构层以及预测结果整合输出层;
所述数据预处理层用于根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联程度较大的指标数据,并能将异常日负荷数据与相应的指标数据构建为样本数据;
所述数据解构层用于将输入的指标数据或样本数据解构为离散数据,并发送给多元神经网络;
所述多元神经网络包括若干并行的不同类型的子神经网络,各个子神经网络同步接收数据解构层输出的离散数据,并能够根据所述离散数据输出相应的预测数据;
所述数据重构层用于对多元神经网络中的各个子神经网络的预测数据进行重构,以将预测数据还原为相应的负荷预测值;
所述预测结果整合输出层用于根据修正整合算法将各个负荷预测值整合为一个负荷预测修正值,并作为异常日负荷需求的预测结果进行输出;修正整合算法采用如下公式计算负荷预测修正值:
式中,Load表示负荷预测修正值;ntotal表示负荷预测值的总个数;为按照从小到大顺序排列的负荷预测值;ntirm表示需要修剪的数据量;α表示修正量,α为整数,α∈{0,1,2......,100};符号[]代表向下取整;当/>为整数时,修剪掉/>序列中正数的前/>个负荷预测值以及倒数的后/>个负荷预测值,再对剩余负荷预测值计算平均值;当为整数时,修剪掉/>序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余负荷预测值中的最小值与最大值进行偏差值处理,即分别乘以/>最后对处理后的最大值、最小值及其余负荷预测值计算平均值。
进一步的,多元神经网络包括FNN神经网络、Elman神经网络与RBF神经网络。
本发明还提供一种用于智能用电监测终端的异常日负荷需求预测方法,包括以下步骤:
采集异常日负荷数据及相应的外生变量数据并输入数据预处理层中;
数据预处理层根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联程度较大的指标数据,并将异常日负荷数据与相应的指标数据构建为样本数据;
利用样本数据对多元神经网络与预测结果整合输出层级联形成的多元组合神经网络进行迭代训练:样本数据输入给多元神经网络中的各个并行的子神经网络进行训练,并利用各个子神经网络输出的各个负荷预测值对预测结果整合输出层进行训练,直到预测结果整合输出层的异常日负荷的预测误差达到目标值,从而使得多元神经网络的内部参数以及预测结果整合输出层的修正量α得到优化;
将历史外生变量数据或实时采集的外生变量数据通过数据预处理层处理为指标数据后,输入训练完成的多元组合神经网络中以预测未来的异常日负荷需求。
进一步的,采用全局粒子群优化算法对所述多元组合神经网络进行叠代训练。
进一步的,每次对预测结果整合输出层进行训练时,按如下方式进行:
Step1:配置以下参数:
α表示修正量,α为整数,α∈{0,1,2......,100};ntotal表示输入数据的总个数,即负荷预测值的总个数;ntrim表示需要修剪的数据量;
Step2:遍历集合{0,1,2......,100}依次为α取值,并在每次取值后,依次计算ntrim、以及MAPEα,按如下公式:
式中,y表示样本数据中对应的异常日负荷数据;为按照从小到大顺序排列的输入数据值;ntirm表示需要修剪的数据量;ntotal表示输入数据值的总个数;符号[]代表向下取整;MAPEα表示在修正量α下修剪掉ntrim个数据量后的输出值与样本数据之间的误差值;
表示在修正量α下修剪掉ntrim个数据量后的输出值,即剩余输入数据的平均值;当/>为整数时,修剪掉y1~ytotal序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余数据计算平均值;当/>为整数时,修剪掉y1~ytotal序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余数据中的最小值与最大值进行偏差值处理,即分别乘以/>最后对处理后的最大值、最小值及其余剩余数据计算平均值;
Step3:比较各个修正量α下的MAPEα,以最小MAPEα对应的修正量α作为每次训练的修正量优化参数。
进一步的,样本数据通过小波变换处理为离散数据后同步输入到多元神经网络中的各子神经网络中;各子神经网络根据所述离散输出相应的预测数据,预测数据再通过小波逆变换重构为相应的负荷预测值后输出给预测结果整合输出层。
与现有技术相比,本发明具有的优点包括:
1、本发明针对异常日负荷预测不准的问题,将影响异常日负荷的各类外生因素纳入预测输入变量考虑范围,根据相关性分析选择对异常日负荷影响较大的因素作为神经网络预测的输入值,更加全面地考虑了各方面因素的影响,能够更为准确地对进行异常日负荷预测。
2、本发明建立的多元组合神经网络,综合了FNN神经网络、Elman神经网络与RBF神经网络的优点,FNN神经网络与RBF神经网络运算速度较快,而Elman神经网络的精度更高,通过小波变换分解输入信号、逆小波变换还原输出信号、再通过修正整合算法整合三种神经网络的输出信号值,规避了特定神经网络在不同场景下可能出现的预测结果偏差、波动等问题,提升了神经网络在异常日负荷预测中的性能表现,避免了针对负荷预测不准造成电网运行的损失。
3、本发明提出的基于全局粒子群优化算法的神经网络训练方法通过将带有不同输入信号的粒子代入多元组合神经网络进行迭代训练,避免了传统粒子群优化算法陷入局部最优的缺点,使得本发明提出的基于多元组合神经网络的专变用户异常日负荷预测方法在异常日负荷预测中更为准确,性能更为优异。
附图说明
图1为本具体实施方式中用于智能用电监测终端的异常日负荷需求预测的原理图;
图2为基于全局粒子群优化算法的神经网络训练方法。
具体实施方式
参考图1所示,一种用于智能用电监测终端的异常日负荷需求预测系统,包括数据预处理层、数据解构层、多元神经网络、数据重构层以及预测结果整合输出层。
数据预处理层用于根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联程度较大的指标数据,并能将异常日负荷数据与相应的指标数据构建为样本数据。
相关性分析算法采用现有技术即可,例如中国专利(CN111553465A)一种基于VMD-GRU网络的公共建筑冷负荷预测方法中的相关性分析算法。
数据解构层用于将输入的指标数据或样本数据解构为离散数据,并发送给多元神经网络;数据解构层采用小波变换进行数据解构。
多元神经网络包括若干并行的不同类型的子神经网络,各个子神经网络同步接收数据解构层输出的离散数据,并能够根据所述离散数据输出相应的预测数据;多元神经网络包括FNN神经网络、Elman神经网络与RBF神经网络,共3个子神经网络。
数据重构层用于对多元神经网络中的各个子神经网络的预测数据进行重构,以将预测数据还原为相应的负荷预测值;数据重构层采用逆小波变换进行数据重构。
所述预测结果整合输出层用于根据修正整合算法将各个负荷预测值整合为一个负荷预测修正值,并作为异常日负荷需求的预测结果进行输出;修正整合算法采用如下公式计算负荷预测修正值:
式中,Load表示负荷预测修正值;ntotal表示负荷预测值的总个数;为按照从小到大顺序排列的负荷预测值;ntirm表示需要修剪的数据量;α表示修正量,α为整数,α∈{0,1,2......,100};符号[]代表向下取整;当/>为整数时,修剪掉/>序列中正数的前个负荷预测值以及倒数的后/>个负荷预测值,再对剩余负荷预测值计算平均值;当为整数时,修剪掉/>序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余负荷预测值中的最小值与最大值进行偏差值处理,即分别乘以/>最后对处理后的最大值、最小值及其余负荷预测值计算平均值。
在构建出上述用于智能用电监测终端的异常日负荷需求预测系统后,对该系统进行训练,以优化系统参数(包括多元神经网络的内部参数与修正量α),训练完成后的预测系统就可以很好的适用于异常日负荷需求的预测:将历史外生变量数据或实时采集的外生变量数据通过数据预处理层处理为指标数据后,输入训练完成的多元组合神经网络中以预测未来的异常日负荷需求。
本具体实施方式中,系统训练包括以下步骤:
采集异常日负荷数据及相应的外生变量数据并输入数据预处理层中。
数据预处理层根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联程度较大的指标数据,并将异常日负荷数据与相应的指标数据构建为样本数据。外生变量数据包括气象参数、社会特征与预测时段;所述气象参数包括干球温度、露点温度与风力等级;所述社会特征包括工作日、周末、节假日、纪念日与特殊事件发生日。
样本数据通过小波变换处理为离散数据后同步输入到多元神经网络中的各子神经网络中;各子神经网络根据所述离散输出相应的预测数据,预测数据再通过小波逆变换重构为相应的负荷预测值后输出给预测结果整合输出层。
本具体实施方案中所述的小波变换用于移除输入数据中偏离较大的峰值、数据波动等异常信号的影响,其原理如以下公式所示:
其中ψa,b(t)代表小波函数,a代表尺度因子,b代表平移因子,*代表共轭复数,f(x)输入值,Wf(a,b)代表输入信号的小波变换信号。
利用样本数据对多元神经网络与预测结果整合输出层级联形成的多元组合神经网络进行迭代训练:样本数据输入给多元神经网络中的各个并行的子神经网络进行训练,并利用各个子神经网络输出的各个负荷预测值对预测结果整合输出层进行训练,直到预测结果整合输出层的异常日负荷的预测误差(预测结果与样本数据中的真实异常日负荷数据的差值)达到目标值,从而使得多元神经网络的内部参数以及预测结果整合输出层的修正量α得到优化。
通过将全局粒子群优化算法用于多元组合神经网络的迭代训练,实现全局粒子群优化算法,粒子群优化算法原理如以下公式所示:
其中,c1、c2是学习因子,r1、r2是(0,1)之间的随机数,分别代表粒子上一次与这一次迭代的速度,/>分别代表粒子上一次与这一次迭代的位置,/>分别代表该粒子以往迭代的最优目标值(局部最优值)与所有粒子以往迭代的最优目标值(全局最优值)。
参照图2,全局粒子群优化算法的训练步骤包括:1)为所有粒子赋予初始位置数据;2)(将子神经网络的输入值作为各粒子初始位置),输入上述多元组合神经网络,通过网络计算输出结果;3)根据计算结果得到学习误差,设定各粒子的最优目标值与所有粒子的全局最优目标值;4)根据局部最优值与全局最优值更新所有粒子位置与速度数据;5)利用更新后的粒子位置数据继续训练多元组合神经网络;6)重复步骤4)、5)、3),直到预测结果整合输出层的异常日负荷的预测误差达到目标值,确定多元组合神经网络内部参数,结束全局粒子群优化算法。
每次对预测结果整合输出层进行训练时,按如下方式进行:
Step1:配置以下参数:
α表示修正量,α为整数,α∈{0,1,2......,100};ntotal表示输入数据的总个数,即负荷预测值的总个数;ntrim表示需要修剪的数据量;
Step2:遍历集合{0,1,2......,100}依次为α取值,并在每次取值后,依次计算ntrim、以及MAPEα,按如下公式:
式中,y表示样本数据中对应的异常日负荷数据;为按照从小到大顺序排列的输入数据值;ntirm表示需要修剪的数据量;ntotal表示输入数据值的总个数;符号[]代表向下取整;MAPEα表示在修正量α下修剪掉ntrim个数据量后的输出值与样本数据之间的误差值;
表示在修正量α下修剪掉ntrim个数据量后的输出值,即剩余输入数据的平均值;当/>为整数时,修剪掉y1~ytotal序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余数据计算平均值;当/>为整数时,修剪掉y1~ytotal序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余数据中的最小值与最大值进行偏差值处理,即分别乘以/>最后对处理后的最大值、最小值及其余剩余数据计算平均值;
Step3:比较各个修正量α下的MAPEα,以最小MAPEα对应的修正量α作为每次训练的修正量优化参数。
由于多元神经网络与预测结果整合输出层级联形成的多元组合神经网络,预测结果整合输出层是以多元神经网络的输出作为输入,预测结果整合输出层的预测结果的精度既受到多元神经网络的网络参数的影响,又受到预测结果整合输出层的修正量α的影响,在训练过程中多元神经网络的不同网络参数,会影响到修正量α的优化取值,通过不断迭代训练,最终形成网络参数与修正量α的最佳优化组合,即预测结果整合输出层的异常日负荷的预测误差达到目标值。
Claims (9)
1.一种用于智能用电监测终端的异常日负荷需求预测系统,其特征在于,包括数据预处理层、数据解构层、多元神经网络、数据重构层以及预测结果整合输出层;
所述数据预处理层用于根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联程度较大的指标数据,并能将异常日负荷数据与相应的指标数据构建为样本数据;
所述数据解构层用于将输入的指标数据或样本数据解构为离散数据,并发送给多元神经网络;
所述多元神经网络包括若干并行的不同类型的子神经网络,各个子神经网络同步接收数据解构层输出的离散数据,并能够根据所述离散数据输出相应的预测数据;
所述数据重构层用于对多元神经网络中的各个子神经网络的预测数据进行重构,以将预测数据还原为相应的负荷预测值;
所述预测结果整合输出层用于根据修正整合算法将各个负荷预测值整合为一个负荷预测修正值,并作为异常日负荷需求的预测结果进行输出;修正整合算法采用如下公式计算负荷预测修正值:
式中,Load表示负荷预测修正值;ntotal表示负荷预测值的总个数;为按照从小到大顺序排列的负荷预测值;ntirm表示需要修剪的数据量;α表示修正量,α为整数,α∈{0,1,2......,100};符号[]代表向下取整;当/>为整数时,修剪掉/>序列中正数的前个负荷预测值以及倒数的后/>个负荷预测值,再对剩余负荷预测值计算平均值;当为整数时,修剪掉/>序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余负荷预测值中的最小值与最大值进行偏差值处理,即分别乘以/>最后对处理后的最大值、最小值及其余负荷预测值计算平均值。
2.根据权利要求1所述的用于智能用电监测终端的异常日负荷需求预测系统,其特征在于,多元神经网络包括FNN神经网络、Elman神经网络与RBF神经网络。
3.根据权利要求1所的用于智能用电监测终端的异常日负荷需求预测系统,其特征在于,多元神经网络中子神经网络的数量为3个。
4.根据权利要求1所的用于智能用电监测终端的异常日负荷需求预测系统,其特征在于,外生变量数据包括气象参数、社会特征与预测时段;所述气象参数包括干球温度、露点温度与风力等级;所述社会特征包括工作日、周末、节假日、纪念日与特殊事件发生日。
5.根据权利要求1所的用于智能用电监测终端的异常日负荷需求预测系统,其特征在于,数据解构层采用小波变换进行数据解构,数据重构层采用逆小波变换进行数据重构。
6.一种用于智能用电监测终端的异常日负荷需求预测方法,其特征在于,采用如权利要求1所述用于智能用电监测终端的异常日负荷需求预测系统执行,包括以下步骤:
采集异常日负荷数据及相应的外生变量数据并输入数据预处理层中;
数据预处理层根据相关性分析算法从与异常日负荷数据关联的外生变量数据中,筛选出与异常日负荷数据关联程度较大的指标数据,并将异常日负荷数据与相应的指标数据构建为样本数据;
利用样本数据对多元神经网络与预测结果整合输出层级联形成的多元组合神经网络进行迭代训练:样本数据输入给多元神经网络中的各个并行的子神经网络进行训练,并利用各个子神经网络输出的各个负荷预测值对预测结果整合输出层进行训练,直到预测结果整合输出层的异常日负荷的预测误差达到目标值,从而使得多元神经网络的内部参数以及预测结果整合输出层的修正量α形成优化组合;
将历史外生变量数据或实时采集的外生变量数据通过数据预处理层处理为指标数据后,输入训练完成的多元组合神经网络中以预测未来的异常日负荷需求。
7.根据权利要求6所述的用于智能用电监测终端的异常日负荷需求预测方法,其特征在于,采用全局粒子群优化算法对所述多元组合神经网络进行叠代训练。
8.根据权利要求7或6所述的用于智能用电监测终端的异常日负荷需求预测方法,其特征在于,每次对预测结果整合输出层进行训练时,按如下方式进行:
Step1:配置以下参数:
α表示修正量,α为整数,α∈{0,1,2......,100};ntotal表示输入数据的总个数,即负荷预测值的总个数;ntrim表示需要修剪的数据量;
Step2:遍历集合{0,1,2......,100}依次为α取值,并在每次取值后,依次计算ntrim、以及MAPEα,按如下公式:
式中,y表示样本数据中对应的异常日负荷数据;为按照从小到大顺序排列的输入数据值;ntirm表示需要修剪的数据量;ntotal表示输入数据值的总个数;符号[]代表向下取整;MAPEα表示在修正量α下修剪掉ntrim个数据量后的输出值与样本数据之间的误差值;
表示在修正量α下修剪掉ntrim个数据量后的输出值,即剩余输入数据的平均值;当为整数时,修剪掉y1~ytotal序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余数据计算平均值;当/>为整数时,修剪掉y1~ytotal序列中正数的前/>个数据以及倒数的后/>个数据,再对剩余数据中的最小值与最大值进行偏差值处理,即分别乘以/>最后对处理后的最大值、最小值及其余剩余数据计算平均值;
Step3:比较各个修正量α下的MAPEα,以最小MAPEα对应的修正量α作为每次训练的修正量优化参数。
9.根据权利要求6所述的用于智能用电监测终端的异常日负荷需求预测方法,其特征在于,样本数据通过小波变换处理为离散数据后同步输入到多元神经网络中的各子神经网络中;各子神经网络根据所述离散输出相应的预测数据,预测数据再通过小波逆变换重构为相应的负荷预测值后输出给预测结果整合输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147994.1A CN112348236B (zh) | 2020-10-23 | 2020-10-23 | 用于智能用电监测终端的异常日负荷需求预测系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147994.1A CN112348236B (zh) | 2020-10-23 | 2020-10-23 | 用于智能用电监测终端的异常日负荷需求预测系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348236A CN112348236A (zh) | 2021-02-09 |
CN112348236B true CN112348236B (zh) | 2023-12-26 |
Family
ID=74360132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011147994.1A Active CN112348236B (zh) | 2020-10-23 | 2020-10-23 | 用于智能用电监测终端的异常日负荷需求预测系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348236B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989705A (zh) * | 2021-03-30 | 2021-06-18 | 海尔数字科技(上海)有限公司 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
CN113094647B (zh) * | 2021-04-02 | 2023-06-20 | 新疆大学 | 一种台区最大负荷辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0573706A (ja) * | 1991-09-17 | 1993-03-26 | Hitachi Ltd | ニユーラルネツトワークによる時系列データの予測方法および予測装置 |
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 |
CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
-
2020
- 2020-10-23 CN CN202011147994.1A patent/CN112348236B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0573706A (ja) * | 1991-09-17 | 1993-03-26 | Hitachi Ltd | ニユーラルネツトワークによる時系列データの予測方法および予測装置 |
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 |
CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
CN109376950A (zh) * | 2018-11-19 | 2019-02-22 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的多元电网负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
基于模糊灰色聚类AMPSO-BP短期负荷预测;刘晓悦;孙海鹤;;微电子学与计算机(05);全文 * |
考虑气象因子的区域电网梅雨期负荷预测;苏宜靖;谷炜;赵依;董立;蒋琛;于竞哲;;浙江电力(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348236A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、系统及介质 | |
CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
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 |