CN112381315A - 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 - Google Patents
一种基于pso优化的ls-svm智能台区负荷预测方法及系统 Download PDFInfo
- Publication number
- CN112381315A CN112381315A CN202011344268.9A CN202011344268A CN112381315A CN 112381315 A CN112381315 A CN 112381315A CN 202011344268 A CN202011344268 A CN 202011344268A CN 112381315 A CN112381315 A CN 112381315A
- Authority
- CN
- China
- Prior art keywords
- svm
- prediction
- data
- load prediction
- algorithm
- 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 41
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000012843 least square support vector machine Methods 0.000 claims description 61
- 239000002245 particle Substances 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 60
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSO优化的LS‑SVM智能台区负荷预测方法及系统，其方法，包括：基于LS‑SVM的负荷预测，建立多元用户组合用电预测的模型；采用PSO算法优化的LS‑SVM用户用电预测算法；基于边缘计算的核函数自动更新。本发明有效弥补了现有基于SVM的负荷预测方法核函数唯一，无法适应不同区域、不同环境的用户负荷预测，且现有方法核函数一旦设置则无法更替的缺点，可有效应对未来电网改造以及环境变化对负荷预测结果带来的影响。
Description
技术领域
本发明涉及负荷预测领域，具体涉及了一种基于PSO优化的LS-SVM智能台区负荷预测方法及系统。
背景技术
近年来，随着低压台区中智能电表的普及，用户用电数据可以更准确、更方便地采集和保存，为负荷预测提供了重要的数据基础，被广泛应用。现有基于SVM的负荷预测方法核函数唯一，无法适应不同区域、不同环境的用户负荷预测，且现有方法核函数一旦设置则无法更替，无法有效应对未来电网改造以及环境变化对负荷预测结果带来的影响。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于PSO优化的LS-SVM智能台区负荷预测方法及系统，通过智能台区布置的智能网关可不断滚动更新历史负荷数据，并据此修正预测模型核函数，采用PSO算法优化的LS-SVM用户用电预测算法，适应不同区域、不同环境的用户负荷预测。
为了解决上述技术问题，本发明实施例提供了一种基于PSO优化的LS-SVM智能台区负荷预测方法，其方法，包括：
基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型；
采用PSO算法优化的LS-SVM用户用电预测算法；
基于边缘计算的核函数自动更新。
所述建立多元用户组合用电预测的模型，包括:
根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型；
对原始样本数据进行预处理；
利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价。
所述采用PSO算法优化的LS-SVM用户用电预测算法，包括：
历史负荷数据异常数据的辨识与处理；
将处理过的数据归一化，形成训练样本矩阵；
根据PSO算法流程进行参γ和σ优化选择；
将优化的参数赋给LS-SVM预测模型，求得所需的回归方程；
利用上一步所求的回归方程，对负荷进行预测。
所述基于边缘计算的核函数自动更新，包括：
定期滚动更新历史负荷数据和气象数据；
全域物联网根据历史数据自主开展数据分析，自适应选择核函数；
智能网关按照新的核函数，更新内置的负荷预测算法，应用边缘计算技术在下一个滚动更新周期内采用新的负荷预测方法进行负荷预测；
智能网关定期将负荷预测的结果数据反馈给全域物联网，全域物联网智能分析预测结果，根据误差分析不断调整核函数选择模块的策略和关键参数，实现智能台区负荷预测精度自主提升，加强智能台区负荷预测算法对环境变化的适应性。
所述最小二乘支持向量机算法，包括：
利用非线性映射φ(·)将样本从原空间Rn映射到特征空间φ(xi)，在高维特征空间中构造最优决策函数：
式中：
为核空间映射函数；ω为权向量；b为常数；
利用结构风险最小化原则，寻找ω，b就是最小化，目标优化函数为：
其约束条件为：
式中：γ为正规化参数；ek为松弛变量；
为求解上述问题，定义拉格朗日函数：
其中，拉格朗日乘子αk∈R；对上式进行优化，即ω,b,ek,αk的偏导数等于0；
上述问题转化为求解线性方程：
式中y＝[y,…,yt]T，It＝[1,…,1]T，a＝[a1,…at]T，
其中a,b通过求解上式可得；
最小二乘支持向量机的函数估计为：
式中K(x,xk)为核函数，此函数式满足Mercer定理的对称函数。
所述PSO算法，包括：
①初始化设置粒子群的规模、惯性因子、加速因子的参数；
②在搜索空间内随机初始化每个粒子的位置，并初始化粒子的速度向量，将每个粒子的个体历史最优位置设置为当前粒子的位置；并按式(3-16)计算群体最优位置；
③按式(3-12)，更新每个粒子的速度；按式(3-14)约束粒子速度，按式(3-13)更新每个粒子的位置，重置超出搜索空间粒子的位置；
④计算每个粒子位置的目标函数值，并按式(3-15)和(3-16)更新每个离子的个体历史最优位置与整个群体的最有位置；
⑤若满足停止条件，则停止搜索，输出搜索结果，否则返回第③步继续搜索；
所述公式：
一种基于PSO优化的LS-SVM智能台区负荷预测系统，其系统，包括：
LS-SVM模块基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型；
PSO优化模块采用PSO算法优化的LS-SVM用户用电预测算法；
自动更新模块基于边缘计算的核函数自动更新。
所述LS-SVM模块，包括：
根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型；
对原始样本数据进行预处理；
利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价。
所述PSO优化模块，包括：
历史负荷数据异常数据的辨识与处理；
将处理过的数据归一化，形成训练样本矩阵；
根据PSO算法流程进行参γ和σ优化选择；
将优化的参数赋给LS-SVM预测模型，求得所需的回归方程；
利用上一步所求的回归方程，对负荷进行预测。
所述自动更新模块，包括：
定期滚动更新历史负荷数据和气象数据；
全域物联网根据历史数据自主开展数据分析，自适应选择核函数；
智能网关按照新的核函数，更新内置的负荷预测算法，应用边缘计算技术在下一个滚动更新周期内采用新的负荷预测方法进行负荷预测；
智能网关定期将负荷预测的结果数据反馈给全域物联网，全域物联网智能分析预测结果，根据误差分析不断调整核函数选择模块的策略和关键参数，实现智能台区负荷预测精度自主提升，加强智能台区负荷预测算法对环境变化的适应性。
本发明提供了一种基于PSO优化的LS-SVM智能台区负荷预测方法及系统，通过智能台区布置的智能网关可不断滚动更新历史负荷数据，并据此修正预测模型核函数，采用PSO算法优化的LS-SVM用户用电预测算法，适应不同区域、不同环境的用户负荷预测，且解决了核函数一旦设置则无法更替的问题，可有效应对未来电网改造以及环境变化对负荷预测结果带来的影响。
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，显而易见的，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它的附图。
图1是一种基于PSO优化的LS-SVM智能台区负荷预测方法的流程示意图。
图2是LS-SVM预测预测值与实际值示意图。
图3是PSO-LSSVM预测预测值与实际值示意图。
图4是一种基于PSO优化的LS-SVM智能台区负荷预测系统的结构示意图。
具体实施方式
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它实施例，都属于本发明保护的范围。
实施例
参阅图1，图1是一种基于PSO优化的LS-SVM智能台区负荷预测方法的流程示意图。
一种基于PSO优化的LS-SVM智能台区负荷预测方法，其方法，包括：
S101基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型。根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型；对原始样本数据进行预处理；利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价。
需要说明的是，根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型。
所述最小二乘支持向量机算法：
利用非线性映射φ(·)将样本从原空间Rn映射到特征空间φ(xi)，在高维特征空间中构造最优决策函数：
式中：
为核空间映射函数；ω为权向量；b为常数；
利用结构风险最小化原则，寻找ω，b就是最小化，目标优化函数为：
其约束条件为：
式中：γ为正规化参数；ek为松弛变量；
为求解上述问题，定义拉格朗日函数：
其中，拉格朗日乘子αk∈R；对上式进行优化，即ω,b,ek,αk的偏导数等于0；
上述问题转化为求解线性方程：
式中y＝[y,…,yt]T，It＝[1,…,1]T，a＝[a1,…at]T，
其中a,b通过求解上式可得；
最小二乘支持向量机的函数估计为：
式中K(x,xk)为核函数，此函数式满足Mercer定理的对称函数。
根据上文提到的最小二乘支持向量机的算法，选用合适的核函数，本文选用高斯径向基函数(Radial Basis Function，RBF)核构造LS-SVM模型，即：
RBF核函数是满足上述Mercer定理的对称函数，其核值范围为(0,1)，这会使计算过程变得简单，且在没有先验知识时，这种核函数训练而成的模型具有更好的总体性能，更适用于用电平稳性较好的用户负荷预测。确定核函数后，对数据序列进行相空间重构，确定模型的输入输出变量。预测模型的输入有日期类型、对应点的前一天的负荷数据、最高气温、平均气温和最低气温，输出为对应点的负荷数据。其中日期类型中0.5表示工作日，1表示周六和周日。
需要说明的是，对原始样本数据进行预处理。对原始样本数据进行预处理，本文采用归一化的处理方法：
式中
为归一化后的第i个数据值；xminmax分别为原始数据样本的最大值和最小值。这种预处理有助于加快模型的样本训练速度和收敛速度。
需要说明的是，利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价，选用平均相对误差来评价：
式中，
分别为第i个实际值和预测值。
S102采用PSO算法优化的LS-SVM用户用电预测算法。提出的LS-SVM的预测模型预测精度较低，主要原因是正规化参数γ和核函数参数σ的选择，需要预测人员具有丰富的实际经验。因此采用粒子群算法(PSO)对原算法的两个参数进行优化选择，选择最优的参数，进行负荷预测，从而建立基于PSO算法的LS-SVM预测模型。
基于PSO-LSSVM预测模型的步骤：
①历史负荷数据异常数据的辨识与处理；
②将处理过的数据归一化，形成训练样本矩阵；
③根据PSO算法流程进行参γ和σ优化选择；
④将优化的参数赋给LS-SVM预测模型，求得所需的回归方程；
⑤利用上一步所求的回归方程，对负荷进行预测。
PSO算法是一种基于迭代优化的群体智能的计算方法，PSO算法初始化为一群随机粒子，然后通过迭代搜索找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新粒子自身的位置。一个是个体最优解pibest，是每个粒子自身所找到的最优解，另一个是群体最优解gbest，是整个群体目前找到的最优解。
假设在D维的搜索空间中，由m个粒子组成一个群体，Swarm＝(x1,x2,…,xm)，t时刻第i个粒子在搜索空间的位置向量xi (t)＝(xi1 (t),xi2 (t),…,xid (t))，i＝1,2,…m，即个体在D维的搜索空间中的位置，也可能是问题的一个解。与该粒子位置向量相对应的速度向量，记为vi (t)＝(vi1 (t),vi2 (t),…,vid (t))，该个体搜索到的最优位置为pi＝(pi1,pi2,…,pid)，该个体在整个种群搜索到的最优位置为pg＝(pg1,pg2,…,pgd)。
标准PSO算法中第i个粒子在t+1时刻的第d维邻域函数计算公式如下：
式中，ω为惯性因子，c1和c2是加速常数，c1是用来调节粒子飞向其最优位置的步长；c2则是用来调节粒子飞向整个群体最优位置的步长。r1和r2是[0,1]之间的随机数。
在邻域函数产生新的粒子向量时，还需满足速度向量约束条件：
标准PSO算法中，ω最初一般设为常数，若要更好地找到寻优结果，在研究中发现动态惯性权重比固定值更好。因此，在标准PSO算法搜索，一般用线性递减权重方法，来处理动态惯性权重，这样可以获得比较理想的结果。方法如下：
式中：Tmax为最大迭代数，ωmin为初始惯性权重，ωmax为最大惯性权重。通常取ωmin，ωmax。
标准PSO算法有很多优点，方法简洁实用，需要调节的参数较少。随着其在各个领域被广泛的应用，标准PSO算法的优势越来越突出，非常适用于参数优化选择。
标准PSO算法的基本流程如下：
①初始化设置粒子群的规模、惯性因子、加速因子的参数；
②在搜索空间内随机初始化每个粒子的位置，并初始化粒子的速度向量，将每个粒子的个体历史最优位置设置为当前粒子的位置；并按式(3-16)计算群体最优位置；
③按式(3-12)，更新每个粒子的速度；按式(3-14)约束粒子速度，按式(3-13)更新每个粒子的位置，重置超出搜索空间粒子的位置；
④计算每个粒子位置的目标函数值，并按式(3-15)和(3-16)更新每个离子的个体历史最优位置与整个群体的最有位置；
⑤若满足停止条件，则停止搜索，输出搜索结果，否则返回第③步继续搜索。
由此运用PSO算法对LS-SVM模型的关键参数进行优化选择，将优化所得的结果赋给LS-SVM模型进行负荷预测。
S103基于边缘计算的核函数自动更新。
定期滚动更新历史负荷数据和气象数据。智能网关收集智能电表的上传的用户负荷数据后，定期(例如每40天更新一次，可根据实际需要进行设置)将数据上传至全域物联网，实现历史负荷数据更新；气象系统可将历史气温数据传递至智能网关，也可以直接与全域物联网进行通信，实现历史气温数据的更新。
全域物联网根据历史数据自主开展数据分析，自适应选择核函数。全域物联网中内置核函数选择模块，可从模型算法库中提取预设的多种类型核函数选择算法，历史数据更新后，可根据数据变化特征自动选择核函数并将选择结果传递至智能网关。
智能网关按照新的核函数，更新内置的负荷预测算法，应用边缘计算技术在下一个滚动更新周期内采用新的负荷预测方法进行负荷预测。
智能网关定期将负荷预测的结果数据反馈给全域物联网，全域物联网智能分析预测结果，根据误差分析不断调整核函数选择模块的策略和关键参数，实现智能台区负荷预测精度自主提升，加强智能台区负荷预测算法对环境变化的适应性。
发明提供了一种基于PSO优化的LS-SVM智能台区负荷预测方法，通过智能台区布置的智能网关可不断滚动更新历史负荷数据，并据此修正预测模型核函数，采用PSO算法优化的LS-SVM用户用电预测算法，适应不同区域、不同环境的用户负荷预测。
参阅图2、3图，图2是LS-SVM预测预测值与实际值示意图，图3是PSO-LSSVM预测预测值与实际值示意图。
针对用电平稳性较好的用户负荷波动较小，负荷曲线较平滑的特点，运用本节提出的PSO算法优化的最小二乘支持向量机(LS-SVM)方法建立用电预测模型，采用MATLAB软件LS-SVM工具箱编写代码，选用南方电网某市2017年3月1日至3月31日，某商场综合体的用电数据。前24天作为训练样本，后7天作为预测样本结果。选用平均相对误差对预测效果进行评价。
图2给出了3月25日该商业综合体的预测结果和实际用电负荷。可见运用最小二乘支持向量机(LS-SVM)的方法建立用电预测模型在预测时误差较大。
表1负荷预测结果比较
利用LS-SVM建立的模型，并将其用于电力负荷的负荷预测，在用LS-SVM建立的模型用于预测的结果中，平均相对误差其中最大的达到5.926％，最低误差为1.45％，平均相对误差的平均值为2.697％。
利用提出的PSO优化LS-SVM预测模型对该商业综合体进行负荷预测得到的3月25日预测结果如图3所示。
表2负荷预测结果比较
参数γ和σ不是固定的，而是由粒子群优化算法优化所得，该预测模型比依赖预测人员经验确定的预测模型的预测精度有较大提高。
从平均相对误差的比较来看，对用电平稳性较好的用户进行用电预测，用PSO-LSSVM建立的预测模型的预测精度要好于用LSSVM建立的模型。PSO-LSSVM模型的预测结果看出，平均相对误差最小的为1.207％，平均相对误差最大的为1.996％，平均相对误差的平均值为1.539％。由此可见，PSO-LSSVM算法在预测用电波动较小、负荷曲线较平滑的用户类型中具有较高的预测精度
参阅图3，图3是一种基于PSO优化的LS-SVM智能台区负荷预测系统的结构示意图。
一种基于PSO优化的LS-SVM智能台区负荷预测系统，其系统，包括：
LS-SVM模块401基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型；
PSO优化模块402采用PSO算法优化的LS-SVM用户用电预测算法；
自动更新模块403基于边缘计算的核函数自动更新。
所述LS-SVM模块401，包括：根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型；对原始样本数据进行预处理；利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价。
所述PSO优化模块402，包括：历史负荷数据异常数据的辨识与处理；将处理过的数据归一化，形成训练样本矩阵；根据PSO算法流程进行参γ和σ优化选择；将优化的参数赋给LS-SVM预测模型，求得所需的回归方程；利用上一步所求的回归方程，对负荷进行预测。
所述自动更新模块403，包括：定期滚动更新历史负荷数据和气象数据；全域物联网根据历史数据自主开展数据分析，自适应选择核函数；智能网关按照新的核函数，更新内置的负荷预测算法，应用边缘计算技术在下一个滚动更新周期内采用新的负荷预测方法进行负荷预测；智能网关定期将负荷预测的结果数据反馈给全域物联网，全域物联网智能分析预测结果，根据误差分析不断调整核函数选择模块的策略和关键参数，实现智能台区负荷预测精度自主提升，加强智能台区负荷预测算法对环境变化的适应性。
本发明提供了一种基于PSO优化的LS-SVM智能台区负荷预测方法及系统，通过智能台区布置的智能网关可不断滚动更新历史负荷数据，并据此修正预测模型核函数，采用PSO算法优化的LS-SVM用户用电预测算法，适应不同区域、不同环境的用户负荷预测，且解决了核函数一旦设置则无法更替的问题，可有效应对未来电网改造以及环境变化对负荷预测结果带来的影响。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于PSO优化的LS-SVM智能台区负荷预测方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于PSO优化的LS-SVM智能台区负荷预测方法，其特征在于，所述方法，包括：
基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型；
采用PSO算法优化的LS-SVM用户用电预测算法；
基于边缘计算的核函数自动更新。
2.根据权利要求1所述的方法，其特征在于，所述建立多元用户组合用电预测的模型，包括:
根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型；
对原始样本数据进行预处理；
利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价。
3.根据权利要求1所述的方法，其特征在于，所述采用PSO算法优化的LS-SVM用户用电预测算法，包括：
历史负荷数据异常数据的辨识与处理；
将处理过的数据归一化，形成训练样本矩阵；
根据PSO算法流程进行参γ和σ优化选择；
将优化的参数赋给LS-SVM预测模型，求得所需的回归方程；
利用上一步所求的回归方程，对负荷进行预测。
4.根据权利要求1所述的方法，其特征在于，所述基于边缘计算的核函数自动更新，包括：
定期滚动更新历史负荷数据和气象数据；
全域物联网根据历史数据自主开展数据分析，自适应选择核函数；
智能网关按照新的核函数，更新内置的负荷预测算法，应用边缘计算技术在下一个滚动更新周期内采用新的负荷预测方法进行负荷预测；
智能网关定期将负荷预测的结果数据反馈给全域物联网，全域物联网智能分析预测结果，根据误差分析不断调整核函数选择模块的策略和关键参数，实现智能台区负荷预测精度自主提升，加强智能台区负荷预测算法对环境变化的适应性。
5.根据权利要求2所述的方法，其特征在于，所述最小二乘支持向量机算法，包括：
利用非线性映射φ(·)将样本从原空间Rn映射到特征空间φ(xi)，在高维特征空间中构造最优决策函数：
式中：
为核空间映射函数；ω为权向量；b为常数；
利用结构风险最小化原则，寻找ω，b就是最小化，目标优化函数为：
其约束条件为：
式中：γ为正规化参数；ek为松弛变量；
为求解上述问题，定义拉格朗日函数：
其中，拉格朗日乘子αk∈R；对上式进行优化，即ω,b,ek,αk的偏导数等于0；
上述问题转化为求解线性方程：
式中y＝[y,…,yt]T，It＝[1,…,1]T，a＝[a1,…at]T，
其中a,b通过求解上式可得；
最小二乘支持向量机的函数估计为：
式中K(x,xk)为核函数，此函数式满足Mercer定理的对称函数。
6.根据权利要求3所述的方法，其特征在于，所述PSO算法，包括：
①初始化设置粒子群的规模、惯性因子、加速因子的参数；
②在搜索空间内随机初始化每个粒子的位置，并初始化粒子的速度向量，将每个粒子的个体历史最优位置设置为当前粒子的位置；并按式(3-16)计算群体最优位置；
③按式(3-12)，更新每个粒子的速度；按式(3-14)约束粒子速度，按式(3-13)更新每个粒子的位置，重置超出搜索空间粒子的位置；
④计算每个粒子位置的目标函数值，并按式(3-15)和(3-16)更新每个离子的个体历史最优位置与整个群体的最有位置；
⑤若满足停止条件，则停止搜索，输出搜索结果，否则返回第③步继续搜索；
所述公式：
7.一种基于PSO优化的LS-SVM智能台区负荷预测系统，其特征在于，所述系统，包括：
LS-SVM模块基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型；
PSO优化模块采用PSO算法优化的LS-SVM用户用电预测算法；
自动更新模块基于边缘计算的核函数自动更新。
8.根据权利要求7所述的系统，其特征在于，所述LS-SVM模块，包括：
根据最小二乘支持向量机算法，选用合适的核函数，构造LS-SVM模型；
对原始样本数据进行预处理；
利用建立的模型，对预处理后的样本数据进行处理，并对预测效果进行评价。
9.根据权利要求7所述的系统，其特征在于，所述PSO优化模块，包括：
历史负荷数据异常数据的辨识与处理；
将处理过的数据归一化，形成训练样本矩阵；
根据PSO算法流程进行参γ和σ优化选择；
将优化的参数赋给LS-SVM预测模型，求得所需的回归方程；
利用上一步所求的回归方程，对负荷进行预测。
10.根据权利要求7所述的系统，其特征在于，所述自动更新模块，包括：
定期滚动更新历史负荷数据和气象数据；
全域物联网根据历史数据自主开展数据分析，自适应选择核函数；
智能网关按照新的核函数，更新内置的负荷预测算法，应用边缘计算技术在下一个滚动更新周期内采用新的负荷预测方法进行负荷预测；
智能网关定期将负荷预测的结果数据反馈给全域物联网，全域物联网智能分析预测结果，根据误差分析不断调整核函数选择模块的策略和关键参数，实现智能台区负荷预测精度自主提升，加强智能台区负荷预测算法对环境变化的适应性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011344268.9A CN112381315A (zh) | 2020-11-26 | 2020-11-26 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011344268.9A CN112381315A (zh) | 2020-11-26 | 2020-11-26 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112381315A true CN112381315A (zh) | 2021-02-19 |
Family
ID=74587794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011344268.9A Pending CN112381315A (zh) | 2020-11-26 | 2020-11-26 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381315A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884358A (zh) * | 2021-03-16 | 2021-06-01 | 国网河北省电力有限公司电力科学研究院 | 一种电采暖设备有序用电优化调度方法及终端 |
| CN113516291A (zh) * | 2021-05-24 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 电力负荷预测方法、装置及设备 |
| CN118244729A (zh) * | 2024-05-29 | 2024-06-25 | 沈阳宏远电磁线股份有限公司 | 基于mes的生产车间动态管理方法与系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
| CN109638964A (zh) * | 2018-12-26 | 2019-04-16 | 国网陕西省电力公司电力科学研究院 | 一种基于边缘计算架构的多元电网信息交互系统及方法 |
| 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 |
| CN110082579A (zh) * | 2019-05-21 | 2019-08-02 | 国网湖南省电力有限公司 | 一种台区智能反窃电监测方法、系统、设备及介质 |
| CN110837857A (zh) * | 2019-10-31 | 2020-02-25 | 杭州中恒云能源互联网技术有限公司 | 工业用电负荷预测方法、系统及其存储介质 |
-
2020
- 2020-11-26 CN CN202011344268.9A patent/CN112381315A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
| CN109638964A (zh) * | 2018-12-26 | 2019-04-16 | 国网陕西省电力公司电力科学研究院 | 一种基于边缘计算架构的多元电网信息交互系统及方法 |
| 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 |
| CN110082579A (zh) * | 2019-05-21 | 2019-08-02 | 国网湖南省电力有限公司 | 一种台区智能反窃电监测方法、系统、设备及介质 |
| CN110837857A (zh) * | 2019-10-31 | 2020-02-25 | 杭州中恒云能源互联网技术有限公司 | 工业用电负荷预测方法、系统及其存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘鹏娟: "智能配电网环境下的短期负荷预测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884358A (zh) * | 2021-03-16 | 2021-06-01 | 国网河北省电力有限公司电力科学研究院 | 一种电采暖设备有序用电优化调度方法及终端 |
| CN112884358B (zh) * | 2021-03-16 | 2023-01-24 | 国网河北省电力有限公司电力科学研究院 | 一种电采暖设备有序用电优化调度方法及终端 |
| CN113516291A (zh) * | 2021-05-24 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 电力负荷预测方法、装置及设备 |
| CN118244729A (zh) * | 2024-05-29 | 2024-06-25 | 沈阳宏远电磁线股份有限公司 | 基于mes的生产车间动态管理方法与系统 |
| CN118244729B (zh) * | 2024-05-29 | 2024-08-13 | 沈阳宏远电磁线股份有限公司 | 基于mes的生产车间动态管理方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563610B (zh) | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
| EP3576029B1 (en) | Method and device for determining energy system operating scenarios | |
| CN102682220A (zh) | 一种短期电力负荷预测方法 | |
| CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
| CN110490429A (zh) | 基于ssa算法智能楼宇微电网家用负荷快速调度方法 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
| CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
| CN110309965A (zh) | 一种基于改进支持向量机的电网投资需求预测方法及系统 | |
| CN115689069B (zh) | 基于人工智能的电网调度控制方法及系统 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| CN116454928A (zh) | 一种考虑多时间尺度的多类型储能协同调度方法 | |
| CN112329995B (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
| CN114336739A (zh) | 基于云边协同的光储电站储能功率配置方法和系统 | |
| CN112801356A (zh) | 一种基于ma-lssvm的电力负荷预测方法 | |
| CN115688535A (zh) | 基于波形相似性分析的功率数据组合插值方法及系统 | |
| CN116090608A (zh) | 一种基于动态加权组合的短期风电功率预测方法及系统 | |
| CN109934394A (zh) | 一种基于灰色和马尔科夫理论的需求侧响应预测方法 | |
| CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
| CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |
|
| RJ01 | Rejection of invention patent application after publication |