CN112381664A - 电网短期负荷预测方法、预测装置及存储介质 - Google Patents

电网短期负荷预测方法、预测装置及存储介质 Download PDF

Info

Publication number
CN112381664A
CN112381664A CN202010999267.1A CN202010999267A CN112381664A CN 112381664 A CN112381664 A CN 112381664A CN 202010999267 A CN202010999267 A CN 202010999267A CN 112381664 A CN112381664 A CN 112381664A
Authority
CN
China
Prior art keywords
power grid
load
matrix
neural network
discrete random
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
Application number
CN202010999267.1A
Other languages
English (en)
Inventor
李允昭
刘陶
袁鸣峰
张建文
山宪武
史旭东
罗晨
张良
周宇
陶晓峰
付峰
吴少雄
陆春艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NARI Group Corp
NARI Nanjing Control System Co Ltd
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
State Grid Xinjiang Electric Power Co Ltd
Original Assignee
NARI Group Corp
NARI Nanjing Control System Co Ltd
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NARI Group Corp, NARI Nanjing Control System Co Ltd, Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd, State Grid Xinjiang Electric Power Co Ltd filed Critical NARI Group Corp
Priority to CN202010999267.1A priority Critical patent/CN112381664A/zh
Publication of CN112381664A publication Critical patent/CN112381664A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (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

本发明公开了一种电网短期负荷预测方法、预测装置及存储介质，旨在解决现有电网负荷预测精准度不足的技术问题。其包括：根据电网负荷时间序列计算离散随机变量的互信息熵，并利用互信息熵滤除松散相关的离散随机变量，获得负荷时间输入信号；根据负荷时间输入信号构建人工神经网络；基于差分进化算法利用人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。本发明能够避免人工经验选取数据的不足，获取最优的输入变量集合，同时利用差分进化算法获得最优的预测结果，提高负荷预测的效率和准确度。

Description

电网短期负荷预测方法、预测装置及存储介质
技术领域
本发明涉及一种电网短期负荷预测方法、预测装置及存储介质，属于电力系统负荷预测技术领域。
背景技术
电力系统负荷预测对电力系统的安全、经济和可靠运行具有重要的作用，机组调度、经济负荷分配等运行规划的优劣都与准确、快速的负荷预测密切相关。国内外学者对负荷预测方法的研究从未间断，现已形成两大类方法，一类是以时间序列法为代表的传统方法；另一类是以人工神经网络法为代表的人工智能方法。
在电网短期负荷预测建模过程中，输入变量的选取对模型预测结果有很大的影响，目前的负荷预测建模通常通过经验选取输入变量，但该做法高度依赖技术人员的主观经验，缺乏理论依据，同时，人工选择的输入变量维数过高，容易引入冗余变量，增加模型训练复杂度，降低了预测性能。而选择少量输入变量时，又难以获得足够的信息表征输出特性。因此，在训练模型前需要建立最优输入变量集合以克服人工经验选取的不足。
利用神经网络进行电力负荷预测时，前向神经网络可以通过学习，从复杂的样本数据中拟合出输入输出之间高维、非线性的映射关系，从而进行较高精度的预测。但是该方法不能明确区别影响因素对负荷数据的影响，网络结构不能自动寻优确定，易陷入局部最优的负荷预测结果。
发明内容
为了解决现有技术中电网短期负荷预测精准度不足的问题，本发明提供一种电网短期负荷预测方法、预测装置及存储介质，通过互信息熵进行负荷时间序列数据分级，选取最优输入变量，然后利用差分进化算法对人工神经网络进行优化，提高电网短期负荷预测效率和准确度。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于神经网络和差分进化算法的电网短期负荷预测方法，具体包括如下步骤：
步骤A、根据电网负荷时间序列计算离散随机变量的互信息熵，并利用互信息熵对负荷时间序列进行分级，滤除松散相关的离散随机变量，获得负荷时间输入信号；
步骤B、根据负荷时间输入信号构建人工神经网络；
步骤C、基于差分进化算法利用人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。
结合第一方面，进一步的，所述步骤A中的电网负荷时间序列的具体公式如下：
Figure BDA0002693686220000021
其中，P为从电网获取的负荷时间序列的矩阵，p(m,n)表示第n天的第m个小时电网消耗的有功功率，m∈[1，24]，n为大于等于1的自然数。
结合第一方面，进一步的，步骤A中利用互信息熵对负荷时间序列进行预选分级的方法包括如下步骤：
对矩阵P进行归一化处理，获得矩阵PD；
从矩阵PD中选取离散随机变量pi和
Figure BDA0002693686220000031
计算pi和
Figure BDA0002693686220000032
的联合熵H，具体公式如下：
Figure BDA0002693686220000033
其中，
Figure BDA0002693686220000034
表示离散随机变量pi和
Figure BDA0002693686220000035
的联合概率，i,j∈{1,2}，t∈[1，m]；
根据联合熵H计算离散随机变量pi和
Figure BDA0002693686220000036
的互信息熵MI(PD,p)，具体公式如下：
Figure BDA0002693686220000037
其中，pr(pi)表示离散随机变量pi的单一概率，即从矩阵PD中选取离散随机变量pi的概率，
Figure BDA0002693686220000038
表示离散随机变量
Figure BDA0002693686220000039
的单一概率；
基于二进制编码技术扩展互信息熵MI(PD,p)后计算MI(PD,p)的值；
根据互信息熵MI(PD,p)的值对负荷时间序列进行分级，提取矩阵PD中相关的离散随机变量，得到矩阵PD'；
计算矩阵PD中各列最大值和最小值的平均值，获得平均值集合
Figure BDA00026936862200000310
从矩阵PD中提取离散随机变量pc、pd，计算pc、pd和
Figure BDA00026936862200000311
的联合熵H'，并根据联合熵H'计算pc、pd和
Figure BDA00026936862200000312
的互信息熵MI(PD,p,pm)，具体公式如下：
Figure BDA00026936862200000313
其中，
Figure BDA00026936862200000314
表示离散随机变量pc、pd和
Figure BDA00026936862200000315
的联合概率，pr(pc)表示离散随机变量pc的单一概率，pr(pd)表示离散随机变量pd的单一概率，
Figure BDA00026936862200000316
表示
Figure BDA00026936862200000317
的单一概率，c,d∈{1,2}；
基于二进制编码技术扩展互信息熵MI(PD,p,pm)后计算MI(PD,p,pm)的值；
根据互信息熵MI(PD,p,pm)的值对负荷时间序列进行分级，提取矩阵PD中相关的离散随机变量，得到矩阵PD"；
取矩阵PD'和矩阵PD"的交集，进行二进制编码，得到负荷时间输入信号。
结合第一方面，进一步的，获得矩阵PD的方法包括如下步骤：
以列为单位提取矩阵P中的每一列数据，并计算每一列数据的最大值pn,max和最小值pn,min；
将每列中的数据依次除以该列的最大值pn,max，完成矩阵P中每一列数据的归一化处理，得到归一化后的矩阵PD。
结合第一方面，进一步的，矩阵PD'的获取方法包括如下步骤：
当MI(PD,p)＝0时，表示离散随机变量pi和
Figure BDA0002693686220000041
相互独立，即不相关；
当MI(PD,p)大于0.6时，表示离散随机变量pi和
Figure BDA0002693686220000042
为相关；
当MI(PD,p)小于等于0.6时，表示离散随机变量pi和
Figure BDA0002693686220000043
为松散相关；
依次提取矩阵PD中所有相关的离散随机变量pi和
Figure BDA0002693686220000044
获得矩阵PD'。
结合第一方面，进一步的，步骤B中人工神经网络的构建方法包括如下步骤：
根据负荷时间输入信号和矩阵P为人工神经网络构建24个级联的模块，每个模块的输出层对应第二天某个小时的功率预测值；
利用二进制编码处理后的负荷时间输入信号作为人工神经网络的输入层；
利用sigmoid激活函数构建人工神经网络的隐藏层和输出层中的每个神经元，sigmoid激活函数f的具体公式如下：
Figure BDA0002693686220000045
其中，S为输入信号，b为偏置值，b＝1-S，β表示sigmoid激活函数的陡度；
利用矩阵P中的数据作为人工神经网络的验证样本，以人工神经网络24个级联模块对应的24个验证样本的平均绝对百分比误差MAPE为训练误差，对输入信号S进行训练，获得训练后的人工神经网络，其中，训练误差MAPE的计算公式如下：
Figure BDA0002693686220000051
其中，MAPE(g)表示第g个级联模块的训练误差，g∈[1，24]，f为天数， f∈[1，n]，pactual(g,f)表示第f天第g个小时的实际负荷值，pforecast(g,f)表示第f天第g个小时的预测负荷值。
结合第一方面，进一步的，步骤C具体包括如下步骤：
301、将人工神经网络的电网负荷预测结果作为差分进化算法的个体，将训练误差MAPE的最优化目标函数作为差分进化算法的适应度函数，并设置迭代终止条件，其中，训练误差MAPE的最优化目标函数为：
Figure BDA0002693686220000052
其中，Rth表示冗余度，Ith表示不相关度；
302、根据初始电网负荷时间序列，利用人工神经网络进行电网负荷的初始预测，将初始预测结果作为差分进化算法的初始种群，并根据MAPE的最优化目标函数计算初始种群内每个个体的适应度；
303、对当前种群进行变异、交叉操作，得到中间种群；
304、在当前种群和中间种群中选择个体作为测试向量，进行种群更新，并令迭代次数l＝l+1，其中，第g个个体、第l代对应的测试向量yl′(g,f)的公式如下；
Figure BDA0002693686220000061
其中，g和l均为大于等于1的自然数，xl(g,f)表示测试向量y′l(g,f)的父辈向量，ul(g,f)表示xl(g,f)对应的突变向量，rand(f)为均匀分布的随机数， rand(f)∈[0,1]，FF(Ul(g))表示父辈向量xl(g,f)与其对应的突变向量ul(g,f)的归一化适应度函数，FF(Ul(g))的取值范围为[0,1]；
305、判断是否满足迭代终止条件，如果是，获取当前迭代过程中的父辈向量，该父辈向量即为电网负荷最优预测结果，否则重复步骤303、304，直到满足迭代终止条件。
第二方面，本发明提供了一种基于神经网络和差分进化算法的电网短期负荷预测装置，包括：
负荷时间序列输入模块，用于采集电网负荷时间序列，生成负荷时间序列矩阵；
互信息熵模块，用于根据负荷时间序列矩阵计算离散随机变量的互信息熵，并利用互信息熵滤除负荷时间序列中松散相关的离散随机变量，获得负荷时间输入信号；
人工神经网络模块，用于根据负荷时间输入信号构建人工神经网络；
优化模块，用于根据差分进化算法和人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。
第三方面，本发明提供了一种基于神经网络和差分进化算法的电网短期负荷预测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提出了一种电网短期负荷预测方法、预测装置及存储介质，通过互信息熵处理电网负荷时间序列，滤除不相关或松散相关的变量，提取相关变量作为人工神经网络的输入信号，可以有效避免人工经验选取的不足，在最优输入变量集合中建立负荷预测模型，一方面降低了人力成本，另一方面可以减少数据冗余变量、降低后续模型训练的复杂度，提高预测效率。
本发明通过差分进化算法和人工神经网络的混合优化算法进行电网负荷预测，从复杂的样本数据中拟合出输入输出之间高维、非线性的映射关系，同时明确区分影响因素对负荷数据的影响，在提供较高精度的预测效果的同时具有较强的全局收敛能力，相比于现有技术，本发明具有更好的电网短期负荷预测效率和准确度。
附图说明
图1是本发明实施例提供的一种基于神经网络和差分进化算法的电网短期负荷预测方法的步骤流程图。
图2是本发明实施例提供的一种基于神经网络和差分进化算法的电网短期负荷预测装置的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提供了一种基于神经网络和差分进化算法的电网短期负荷预测方法，如图1所示，具体包括如下步骤：
步骤A、根据电网负荷时间序列计算离散随机变量的互信息熵，并利用互信息熵对负荷时间序列进行分级，滤除松散相关的离散随机变量，获得负荷时间输入信号；
步骤B、根据负荷时间输入信号构建人工神经网络；
步骤C、基于差分进化算法利用人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。
步骤A的具体操作如下：
101、在进行电网负荷预测之前，需要先采集一部分电网负荷数据作为预测依据，采集到的电网负荷数据以序列形式输入到系统中并转换成矩阵格式，步骤A中的电网负荷时间序列的具体公式如下：
Figure BDA0002693686220000081
其中，P为从电网获取的负荷时间序列的矩阵，p(m,n)表示第n天的第m个小时电网消耗的有功功率，m∈[1，24]，n为大于等于1的自然数。
102、对矩阵P进行归一化处理，获得矩阵PD。以列为单位提取矩阵P中的每一列数据，并计算每一列数据的最大值pn,max和最小值pn,min；然后将每列中的每个数据依次除以该列的最大值pn,max，令矩阵P中的每个数据都变为小于等于1的数，完成矩阵P中每一列数据的归一化处理后，得到归一化后的矩阵PD，矩阵PD中的元素用p表示。
103、从矩阵PD中选取离散随机变量pi和
Figure BDA0002693686220000091
计算pi和
Figure BDA0002693686220000092
的联合熵H，具体公式如下：
Figure BDA0002693686220000093
其中，
Figure BDA0002693686220000094
表示离散随机变量pi和
Figure BDA0002693686220000095
的联合概率，即从矩阵PD中同时选取pi和
Figure BDA0002693686220000096
的概率，i,j∈{1,2}，t∈[1，m]；当i和j固定时，pi为一个固定数据，
Figure BDA0002693686220000097
为一组数据。
104、根据联合熵H计算离散随机变量pi和
Figure BDA0002693686220000098
的互信息熵MI(PD,p)，具体公式如下：
Figure BDA0002693686220000099
其中，pr(pi)表示离散随机变量pi的单一概率，即从矩阵PD中选取离散随机变量pi的概率，
Figure BDA00026936862200000910
表示离散随机变量
Figure BDA00026936862200000911
的单一概率，即从矩阵PD中选取离散随机变量
Figure BDA00026936862200000912
的概率。
105、基于二进制编码技术扩展互信息熵MI(PD,p)后计算MI(PD,p)的值。
106、根据互信息熵MI(PD,p)的值对负荷时间序列进行分级：
当MI(PD，p)＝0时，表示离散随机变量pi和
Figure RE-GDA00028932635400000913
相互独立，即不相关；当 MI(PD，p)大于0.6时，表示离散随机变量pi和
Figure RE-GDA00028932635400000914
为相关；当MI(PD，p)小于等于 0.6时，表示离散随机变量pi和
Figure RE-GDA00028932635400000915
为松散相关。
依次处理矩阵PD中所有的数据，提取其中所有相关的离散随机变量pi和
Figure BDA00026936862200000917
(即令MI(PD,p)大于0.6的变量)，获得矩阵P'D。
107、以列为单位，计算矩阵PD中各列的最大值和最小值，并计算最大值和最小值的平均值，获得平均值集合
Figure BDA00026936862200000918
108、从矩阵PD中提取离散随机变量pc、pd，计算pc、pd和
Figure BDA0002693686220000101
的联合熵H'：
Figure BDA0002693686220000102
其中，
Figure BDA0002693686220000103
表示离散随机变量pc、pd和
Figure BDA0002693686220000104
的联合概率，c,d∈{1,2}。
根据联合熵H'计算pc、pd和
Figure BDA0002693686220000105
的互信息熵MI(PD,p,pm)，具体公式如下：
Figure BDA0002693686220000106
其中，pr(pc)表示离散随机变量pc的单一概率，pr(pd)表示离散随机变量pd的单一概率，
Figure BDA0002693686220000107
表示
Figure BDA0002693686220000108
的单一概率。
109、基于二进制编码技术扩展互信息熵MI(PD,p,pm)后计算MI(PD,p,pm)的值。
基于二进制编码技术将互信息熵MI(PD,p,pm)的形式扩展为：
Figure BDA0002693686220000109
为了计算公式(14)中各项的值，本发明引入辅助变量Um：
Figure BDA0002693686220000111
其中，pc,pd,
Figure BDA0002693686220000112
Um∈{0,1,2,...,7}。
进一步的引入变量U0m、U1m、U2m、U3m、U4m、U5m、U6m、U7m，U0m表示 Um＝0、列长度为n时输入数据矩阵PD的元素值；U1m表示Um＝1、列长度为n 时输入数据矩阵PD的元素值；U2m表示Um＝2、列长度为n时输入数据矩阵PD的元素值；U3m表示Um＝3、列长度为n时输入数据矩阵PD的元素值；U4m表示 Um＝4、列长度为n时输入数据矩阵PD的元素值；U5m表示Um＝5、列长度为n 时输入数据矩阵PD的元素值；U6m表示Um＝6、列长度为n时输入数据矩阵PD的元素值；U7m表示Um＝7、列长度为n时输入数据矩阵PD的元素值。
由公式(15)可知，离散随机变量pc、pd和
Figure BDA0002693686220000113
的单一概率如下：
Figure BDA0002693686220000114
离散随机变量pc、pd和
Figure BDA0002693686220000115
的联合概率如下：
Figure BDA0002693686220000121
将公式(16)、(17)带入公式(14)，计算互信息熵MI(PD,p,pm)的值。
110、根据互信息熵MI(PD,p,pm)的值对负荷时间序列进行分级：
当MI(PD，p，pm)＝0时，表示离散随机变量pc、pd和
Figure RE-GDA0002893263540000122
相互独立，即不相关；当MI(PD，p，pm)大于0.6时，表示离散随机变量pc、pd和
Figure RE-GDA0002893263540000123
为相关；当 MI(PD，p，pm)小于等于0.6时，表示离散随机变量pc、pd和
Figure RE-GDA0002893263540000124
为松散相关。
依次处理矩阵PD中所有的数据，提取其中所有相关的离散随机变量pc、pd和
Figure BDA0002693686220000126
(即令MI(PD,p)大于0.6的变量)，获得矩阵PD"。
111、取矩阵P'D和矩阵P"D的交集，进行二进制编码，得到负荷时间输入信号。
步骤B中人工神经网络的构建方法包括如下步骤：
201、根据负荷时间输入信号和矩阵P为人工神经网络构建24个级联的模块，每个模块的输出层对应第二天某个小时的功率预测值。
202、利用二进制编码处理后的负荷时间输入信号作为人工神经网络的输入层，并利用sigmoid激活函数构建人工神经网络的隐藏层和输出层中的每个神经元，sigmoid激活函数f的具体公式如下：
Figure BDA0002693686220000131
其中，S为输入信号，b为偏置值，b＝1-S，β表示sigmoid激活函数的陡度。
203、利用矩阵P中的数据作为人工神经网络的验证样本，以人工神经网络 24个级联模块对应的24个验证样本的平均绝对百分比误差MAPE为训练误差，对输入信号S进行训练，获得训练后的人工神经网络，其中，训练误差MAPE 的计算公式如下：
Figure BDA0002693686220000132
其中，MAPE(g)表示第g个级联模块的训练误差，g∈[1，24]，f为天数， f∈[1，n]，由于级联模块与一天中的24个小时一一对应，所以g作为数值也可以指小时数，pactual(g,f)表示第f天第g个小时的实际负荷值，即为实际测量到的、矩阵P中的数据，pforecast(g,f)表示第f天第g个小时的预测负荷值，即为本发明方法需要的预测结果。
步骤C的具体操作如下：
301、将人工神经网络的电网负荷预测结果作为本发明差分进化算法的个体，将训练误差MAPE的最优化目标函数作为差分进化算法的适应度函数，同时，设置迭代终止条件，比如设置最大迭代次数。
训练误差MAPE的最优化目标函数为：
Figure BDA0002693686220000133
其中，Rth表示冗余度，Ith表示不相关度。由公式(20)可知，当MAPE(g) 最小的时候，人工神经网络中该级联模块的预测结果最准确。
302、根据所需的预测时段获取初始电网负荷时间序列，通过步骤A获得人工神经网络的输入信号，并利用人工神经网络进行电网负荷的初始预测，获得初始预测结果，将初始预测结果作为差分进化算法的初始种群，根据公式(20) 计算初始种群内每个个体的适应度。
初始电网负荷时间序列应该与需要预测的结果对应，比如需要预测2020年 7月16日12:00的电网负荷，则初始电网负荷时间序列中应包含2020年6月16 日至7月15日每天12:00的电网负荷值。
303、对当前种群进行变异、交叉等操作，得到中间种群。在第一次迭代时，当前种群即为初始种群，后续迭代中当前种群会不断进行更新。
304、在当前种群和中间种群中选择个体，进行种群更新，并令迭代次数l＝l +1。具体的，在每次迭代过程时，以当前种群中的个体(即前一代中人工神经的预测结果)作为父辈向量计算新种群中的个体(即当前代的测试向量)，第g 个个体、第l代对应的测试向量y′l(g,f)的公式如下；
Figure BDA0002693686220000141
其中，g为个体标号，对应人工神经网络中的级联模块，l为迭代次数，g和 l均为大于等于1的自然数，xl(g,f)表示测试向量y′l(g,f)的父辈向量，即第l-1 代中人工神经网络的预测结果，ul(g,f)表示xl(g,f)对应的突变向量，即中间种群中的个体，rand(f)为均匀分布的随机数，rand(f)∈[0,1]，FF(Ul(g))表示父辈向量xl(g,f)与其对应的突变向量ul(g,f)的归一化适应度函数。
FF(Ul(g))的计算公式如下：
FF(Ul(g))＝MAPEl(g)×fl(S,b) (22)
其中，MAPEl(g)表示第l代、第g个个体对应的训练误差，fl(S,b)表示第l 代、第g个个体对应的sigmoid激活函数，FF(Ul(g))的取值范围在0和1之间。
305、判断是否满足迭代终止条件，如果是，获取当前迭代过程中的父辈向量，该父辈向量即为电网负荷最优预测结果，否则重复步骤303、304，直到满足迭代终止条件。
本发明还提供了一种基于神经网络和差分进化算法的电网短期负荷预测装置，如图2所示，包括负荷时间序列输入模块、互信息熵模块、人工神经网络模块和优化模块。负荷时间序列输入模块主要用于采集电网负荷时间序列，生成负荷时间序列矩阵；互信息熵模块主要用于根据负荷时间序列矩阵计算离散随机变量的互信息熵，并利用互信息熵滤除负荷时间序列中松散相关的离散随机变量，获得负荷时间输入信号；人工神经网络模块主要用于根据负荷时间输入信号构建人工神经网络；优化模块主要用于根据差分进化算法和人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。
本发明还提供了一种基于神经网络和差分进化算法的电网短期负荷预测装置，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据所述指令进行操作以执行第一方面基于神经网络和差分进化算法的电网短期负荷预测方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于神经网络和差分进化算法的电网短期负荷预测方法的步骤。
本发明通过互信息熵处理电网负荷时间序列，滤除不相关或松散相关的变量，提取相关变量作为人工神经网络的输入信号，可以有效避免人工经验选取的不足，在最优输入变量集合中建立负荷预测模型，一方面降低了人力成本，另一方面可以减少数据冗余变量、降低后续模型训练的复杂度，提高预测效率。此外，本发明通过差分进化算法和神经网络的混合优化算法进行电网负荷预测，从复杂的样本数据中拟合出输入输出之间高维、非线性的映射关系，同时明确区分影响因素对负荷数据的影响，在提供较高精度的预测效果的同时具有较强的全局收敛能力。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，包括如下步骤：
步骤A、根据电网负荷时间序列计算离散随机变量的互信息熵，并利用互信息熵对负荷时间序列进行分级，滤除松散相关的离散随机变量，获得负荷时间输入信号；
步骤B、根据负荷时间输入信号构建人工神经网络；
步骤C、基于差分进化算法利用人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。
2.根据权利要求1所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，所述步骤A中的电网负荷时间序列的具体公式如下：
Figure FDA0002693686210000011
其中，P为从电网获取的负荷时间序列的矩阵，p(m,n)表示第n天的第m个小时电网消耗的有功功率，m∈[1，24]，n为大于等于1的自然数。
3.根据权利要求2所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，步骤A中利用互信息熵对负荷时间序列进行分级的方法包括如下步骤：
对矩阵P进行归一化处理，获得矩阵PD；
从矩阵PD中选取离散随机变量pi和
Figure FDA0002693686210000012
计算pi和
Figure FDA0002693686210000013
的联合熵H，具体公式如下：
Figure FDA0002693686210000021
其中，
Figure FDA0002693686210000022
表示离散随机变量pi和
Figure FDA0002693686210000023
的联合概率，i,j∈{1,2}，t∈[1，m]；
根据联合熵H计算离散随机变量pi和
Figure FDA0002693686210000024
的互信息熵MI(PD,p)，具体公式如下：
Figure FDA0002693686210000025
其中，pr(pi)表示离散随机变量pi的单一概率，即从矩阵PD中选取离散随机变量pi的概率，
Figure FDA0002693686210000026
表示离散随机变量
Figure FDA0002693686210000027
的单一概率；
基于二进制编码技术扩展互信息熵MI(PD,p)后计算MI(PD,p)的值；
根据互信息熵MI(PD,p)的值对负荷时间序列进行分级，提取矩阵PD中相关的离散随机变量，得到矩阵P′D；
计算矩阵PD中各列最大值和最小值的平均值，获得平均值集合
Figure FDA0002693686210000028
从矩阵PD中提取离散随机变量pc、pd，计算pc、pd和
Figure FDA0002693686210000029
的联合熵H'，并根据联合熵H'计算pc、pd和
Figure FDA00026936862100000210
的互信息熵MI(PD,p,pm)，具体公式如下：
Figure FDA00026936862100000211
其中，
Figure FDA00026936862100000212
表示离散随机变量pc、pd和
Figure FDA00026936862100000213
的联合概率，pr(pc)表示离散随机变量pc的单一概率，pr(pd)表示离散随机变量pd的单一概率，
Figure FDA00026936862100000214
表示
Figure FDA00026936862100000215
的单一概率，c,d∈{1,2}；
基于二进制编码技术扩展互信息熵MI(PD,p,pm)后计算MI(PD,p,pm)的值；
根据互信息熵MI(PD,p,pm)的值对负荷时间序列进行分级，提取矩阵PD中相关的离散随机变量，得到矩阵P"D；
取矩阵P′D和矩阵P″D的交集，进行二进制编码，得到负荷时间输入信号。
4.根据权利要求3所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，获得矩阵PD的方法包括如下步骤：
以列为单位提取矩阵P中的每一列数据，并计算每一列数据的最大值pn,max和最小值pn,min；
将每列中的数据依次除以该列的最大值pn,max，完成矩阵P中每一列数据的归一化处理，得到归一化后的矩阵PD。
5.根据权利要求3所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，矩阵P′D的获取方法包括如下步骤：
当MI(PD,p)＝0时，表示离散随机变量pi和
Figure FDA0002693686210000031
相互独立，即不相关；
当MI(PD,p)大于0.6时，表示离散随机变量pi和
Figure FDA0002693686210000032
为相关；
当MI(PD,p)小于等于0.6时，表示离散随机变量pi和
Figure FDA0002693686210000033
为松散相关；
依次提取矩阵PD中所有相关的离散随机变量pi和
Figure FDA0002693686210000034
获得矩阵P′D。
6.根据权利要求3所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，步骤B中人工神经网络的构建方法包括如下步骤：
根据负荷时间输入信号和矩阵P为人工神经网络构建24个级联的模块，每个模块的输出层对应第二天某个小时的功率预测值；
利用二进制编码处理后的负荷时间输入信号作为人工神经网络的输入层；
利用sigmoid激活函数构建人工神经网络的隐藏层和输出层中的每个神经元，sigmoid激活函数f的具体公式如下：
Figure FDA0002693686210000035
其中，S为输入信号，b为偏置值，b＝1-S，β表示sigmoid激活函数的陡度；
利用矩阵P中的数据作为人工神经网络的验证样本，以人工神经网络24个级联模块对应的24个验证样本的平均绝对百分比误差MAPE为训练误差，对输入信号S进行训练，获得训练后的人工神经网络，其中，训练误差MAPE的计算公式如下：
Figure FDA0002693686210000041
其中，MAPE(g)表示第g个级联模块的训练误差，g∈[1，24]，f为天数，f∈[1，n]，pactual(g,f)表示第f天第g个小时的实际负荷值，pforecast(g,f)表示第f天第g个小时的预测负荷值。
7.根据权利要求6所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，步骤C具体包括如下步骤：
301、将人工神经网络的电网负荷预测结果作为差分进化算法的个体，将训练误差MAPE的最优化目标函数作为差分进化算法的适应度函数，并设置迭代终止条件，其中，训练误差MAPE的最优化目标函数为：
Figure FDA0002693686210000042
其中，Rth表示冗余度，Ith表示不相关度；
302、根据初始电网负荷时间序列，利用人工神经网络进行电网负荷的初始预测，将初始预测结果作为差分进化算法的初始种群，并根据MAPE的最优化目标函数计算初始种群内每个个体的适应度；
303、对当前种群进行变异、交叉操作，得到中间种群；
304、在当前种群和中间种群中选择个体作为测试向量，进行种群更新，并令迭代次数l＝l+1，其中，第g个个体、第l代对应的测试向量y′l(g,f)的公式如下；
Figure FDA0002693686210000051
其中，g和l均为大于等于1的自然数，xl(g,f)表示测试向量y′l(g,f)的父辈向量，ul(g,f)表示xl(g,f)对应的突变向量，rand(f)为均匀分布的随机数，rand(f)∈[0,1]，FF(Ul(g))表示父辈向量xl(g,f)与其对应的突变向量ul(g,f)的归一化适应度函数，FF(Ul(g))的取值范围为[0,1]；
305、判断是否满足迭代终止条件，如果是，获取当前迭代过程中的父辈向量，该父辈向量即为电网负荷最优预测结果，否则重复步骤303、304，直到满足迭代终止条件。
8.一种基于神经网络和差分进化算法的电网短期负荷预测装置，其特征在于，包括：
负荷时间序列输入模块，用于采集电网负荷时间序列，生成负荷时间序列矩阵；
互信息熵模块，用于根据负荷时间序列矩阵计算离散随机变量的互信息熵，并利用互信息熵滤除负荷时间序列中松散相关的离散随机变量，获得负荷时间输入信号；
人工神经网络模块，用于根据负荷时间输入信号构建人工神经网络；
优化模块，用于根据差分进化算法和人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。
9.一种基于神经网络和差分进化算法的电网短期负荷预测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
CN202010999267.1A 2020-09-22 2020-09-22 电网短期负荷预测方法、预测装置及存储介质 Pending CN112381664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010999267.1A CN112381664A (zh) 2020-09-22 2020-09-22 电网短期负荷预测方法、预测装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010999267.1A CN112381664A (zh) 2020-09-22 2020-09-22 电网短期负荷预测方法、预测装置及存储介质

Publications (1)

Publication Number Publication Date
CN112381664A true CN112381664A (zh) 2021-02-19

Family

ID=74586629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010999267.1A Pending CN112381664A (zh) 2020-09-22 2020-09-22 电网短期负荷预测方法、预测装置及存储介质

Country Status (1)

Country Link
CN (1) CN112381664A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919578A (zh) * 2021-10-18 2022-01-11 四川大学 一种基于图神经网络的个人用户短期负载预测方法
CN114418358A (zh) * 2021-12-31 2022-04-29 新奥数能科技有限公司 锅炉调度方法及装置
CN116484201A (zh) * 2023-04-28 2023-07-25 中国长江三峡集团有限公司 新能源电网负载预测方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111429027A (zh) * 2020-04-15 2020-07-17 国网福建省电力有限公司经济技术研究院 一种基于大数据的地区输电网运行多维度分析方法
CN111445078A (zh) * 2020-03-31 2020-07-24 国网河北省电力有限公司 基于长短期记忆神经网络的综合能源系统多元负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111445078A (zh) * 2020-03-31 2020-07-24 国网河北省电力有限公司 基于长短期记忆神经网络的综合能源系统多元负荷预测方法
CN111429027A (zh) * 2020-04-15 2020-07-17 国网福建省电力有限公司经济技术研究院 一种基于大数据的地区输电网运行多维度分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G. HAFEEZ 等: "Electric load forecasting based on deep learning and optimized by heuristic algorithm in smart grid", 《APPLIED ENERGY》 *
李思琦 等: "基于改进BP神经网络的供热负荷预测模型", 《软件导刊》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919578A (zh) * 2021-10-18 2022-01-11 四川大学 一种基于图神经网络的个人用户短期负载预测方法
CN113919578B (zh) * 2021-10-18 2022-10-04 四川大学 一种基于图神经网络的个人用户短期负载预测方法
CN114418358A (zh) * 2021-12-31 2022-04-29 新奥数能科技有限公司 锅炉调度方法及装置
CN116484201A (zh) * 2023-04-28 2023-07-25 中国长江三峡集团有限公司 新能源电网负载预测方法、装置及电子设备
CN116484201B (zh) * 2023-04-28 2024-05-17 中国长江三峡集团有限公司 新能源电网负载预测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN112381664A (zh) 电网短期负荷预测方法、预测装置及存储介质
CN111861013B (zh) 一种电力负荷预测方法及装置
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN117076931B (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN114169416B (zh) 一种基于迁移学习的小样本集下短期负荷预测方法
CN116502774B (zh) 一种基于时间序列分解和勒让德投影的时间序列预测方法
CN117334271B (zh) 一种基于指定属性生成分子的方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112508286A (zh) 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
CN115034426B (zh) 一种基于相空间重构与多模型融合Stacking集成学习方式的滚动负荷预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN110807508A (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN117034780B (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN117194918A (zh) 基于自注意力回声状态网络的气温预测方法及系统
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN115587625A (zh) 一种在特征空间内进行多维时序数据建模的神经网络方法及装置
CN115879590A (zh) 一种基于小波特征提取与集成学习模型的负荷预测方法
CN114638421A (zh) 一种发电机组备件需求的预测方法
CN114548479A (zh) 一种基于指数平滑的时序数据预测方法
CN113283638A (zh) 一种基于融合模型的负荷极值曲线预测方法及系统
CN111476408A (zh) 一种电力通信设备状态预测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210219