CN112487612B - 基于分配因子和信息熵的母线负荷组合预测方法及系统 - Google Patents

基于分配因子和信息熵的母线负荷组合预测方法及系统 Download PDF

Info

Publication number
CN112487612B
CN112487612B CN202011262956.0A CN202011262956A CN112487612B CN 112487612 B CN112487612 B CN 112487612B CN 202011262956 A CN202011262956 A CN 202011262956A CN 112487612 B CN112487612 B CN 112487612B
Authority
CN
China
Prior art keywords
day
prediction
load
determining
days
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
Application number
CN202011262956.0A
Other languages
English (en)
Other versions
CN112487612A (zh
Inventor
蒋燕
何金定
李秀峰
高道春
段睿钦
吴洋
赵珍玉
周彬彬
陈凯
王有香
周涵
张聪通
栾毅
尹成全
吴东平
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202011262956.0A priority Critical patent/CN112487612B/zh
Publication of CN112487612A publication Critical patent/CN112487612A/zh
Application granted granted Critical
Publication of CN112487612B publication Critical patent/CN112487612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (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

本发明公开了一种基于分配因子和信息熵的母线负荷组合预测方法系统，涉及电网技术领域。该方法包括：确定预测日，根据电网中的负荷确定预测日的相似日；根据相似日的各类型负荷的历史数据确定分配因子；确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据权重向量对每个预测模型进行加权，得到组合预测模型；根据分配因子对历史数据进行处理后，输入到组合预测模型中，得到预测日的母线负荷预测结果。本发明适用于母线负荷预测，提高了类型负荷预测精度，能够同时保证预测精度、稳定性并降低计算的规模和时间。

Description

基于分配因子和信息熵的母线负荷组合预测方法及系统
技术领域
本发明涉及电网技术领域，尤其涉及一种基于分配因子和信息熵的母线负荷组合预测方法及系统。
背景技术
与传统的负荷总量预测不同，母线负荷预测更加关注电网调度的精益化水平，是各地区底层调度控制的重要参考。但是，由于母线体量众多，负荷基数小，负荷特性各异，且存在较大的波动性和随意性，导致目前还没有一种特别有效的母线负荷预测方法，能够同时保证预测精度、稳定性并降低计算的规模和时间。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种基于分配因子和信息熵的母线负荷组合预测方法及系统。
本发明解决上述技术问题的技术方案如下：
一种基于分配因子和信息熵的母线负荷组合预测方法，包括：
确定预测日，根据电网中的负荷确定所述预测日的相似日；
根据所述相似日的各类型负荷的历史数据确定分配因子；
确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据所述权重向量对每个所述预测模型进行加权，得到组合预测模型；
根据所述分配因子对所述历史数据进行处理后，输入到所述组合预测模型中，得到所述预测日的母线负荷预测结果。
本发明解决上述技术问题的另一种技术方案如下：
一种基于分配因子和信息熵的母线负荷组合预测系统，包括：
相似日确定单元，用于确定预测日，根据电网中的负荷确定所述预测日的相似日；
分配因子确定单元，用于根据所述相似日的各类型负荷的历史数据确定分配因子；
预测模型确定单元，用于确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据所述权重向量对每个所述预测模型进行加权，得到组合预测模型；
预测单元，用于根据所述分配因子对所述历史数据进行处理后，输入到所述组合预测模型中，得到所述预测日的母线负荷预测结果。
本发明的有益效果是：本发明适用于母线负荷预测，通过先根据电网中的负荷确定相似日，得到分配因子，再结合信息熵确定多个预测模型的权重，结合了分配因子和信息熵对母线负荷进行预测，提高了类型负荷预测精度，能够同时保证预测精度、稳定性并降低计算的规模和时间。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明母线负荷组合预测方法的实施例提供的流程示意图；
图2为本发明母线负荷组合预测系统的实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
目前，母线负荷预测可以分为两类方法。一类是基于历史数据的预测方法，已经有众多成熟的模型，如支持向量机、灰色模型、马尔可夫链、组合预测模型等，其中组合预测被认为是保障预测稳定性的重要方法。基于历史数据的方法预测精度较高，但需要对各个母线单独建模，大大的增加了预测的工作量，不利于实际工作的开展。另一类方法是基于负荷分配的方法，首先对系统总负荷进行预测，然后根据配比模型分配到每一母线上，这类方法耗时短，但对单个母线负荷自身特性的考虑有所欠缺，且分配因子的确定较为主观，无法保证预测精度。
基于此，本发明提供了一种新的母线负荷预测方法，下面详细说明。
如图1所示，为本发明母线负荷组合预测方法的实施例提供的流程示意图，该母线负荷组合预测方法基于分配因子和信息熵实现，适用于母线负荷预测，该方法包括：
S1，确定预测日，根据电网中的负荷确定预测日的相似日；
母线负荷不仅具有日周期性，还具有周周期性，因此，可以根据日周期性或周周期性选取相似日，例如，假设电网中负荷每隔7日变会呈现周期性变化，那么假设预测下一天的母线负荷，那么可以选取7天之前的那天作为相似日。
通过筛选与预测日情况较为相似的相似日，从而使历史负荷数据也是确定分配因子和组合预测模型权重的重要依据。
S2，根据相似日的各类型负荷的历史数据确定分配因子；
应理解，分配因子即各负荷的分配系数，假设前n天每小时的母线负荷为已知数据，应该最小二乘模型对n天已知的历史数据进行分析，进而预测第n+1天各负荷的分配系数。
设PA，k，i(t)为第i天k类型在t时刻的类型负荷，利用最小二乘模型中的一次曲线y＝p+q·i，对前n天的历史数据进行计算，由最小乘法的相关公式，可得：
Figure BDA0002775224990000041
Figure BDA0002775224990000042
其中，k和t在每次计算中都是定值。
这样就得到一次曲线y＝p+q·i，这条曲线能够很好的度量前n天负荷的变化趋势，然后利用这个变化趋势来预测n+1天的值。可得到n+1天的初步母线负荷为：
PA，k，i(t)＝p+q(n+1)
应理解，初步母线负荷不是最终的预测值，而母线负荷不仅具有日周期性，还具有周周期性，对于第i天的母线负荷预测，这里可以取前n天中同类型日的历史数据作为预测依据，但这样所依据的预测数据的量会大幅减少，增加母线负荷随机性对预测结果的影响，所以需要进行相似日的选取，降低计算工作量和准确率。
通过改变t的取值，重复应用上述过程，就可以确定n+1天的类型负荷数据。利用这些数据，就可以计算出n+1天k类型t时刻的类型负荷分配系数KA，k，n+1(t)：
Figure BDA0002775224990000043
式中C表示预测系统中划分类型的类型，c为计数变量。
S3，确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据权重向量对每个预测模型进行加权，得到组合预测模型；
需要说明的是，预测模型的数据和类型可以根据实际需求进行选择，例如，可以包括：支持向量机、灰色模型、马尔可夫链和组合预测模型等。
应理解，组合预测模型是由K个单一预测模型组成，通过历史数据确定单一预测模型在组合预测模型中的相对有效度，假设yt是在t时刻的组合预测值，ωit是t时刻第i个预测模型的权重，
Figure BDA0002775224990000051
是t时刻第i个预测模型的预测值。则组合预测的问题表述如下
Figure BDA0002775224990000052
Figure BDA0002775224990000053
由该式可知，影响最终组合预测模型的因素有两个，一个是单一模型的预测值，另一个是单一预测模型的权重。本实施例采用的单一预测模型均为当前预测精度较为良好且应用广泛的模型，可以包括灰色模型、支持向量机、和人工神经网络。求误差ec的平方和最小：
Figure BDA0002775224990000054
其中，y(t)是在t时刻的实际预测值，
Figure BDA0002775224990000055
为t时刻第i个预测模型的预测值，ωi(t)是t时刻第i个预测模型的权重。
上式中追求的目标是在历史预测过程中所有误差的平方和最小。这样做的弊端是没有考虑个别异常时刻误差过大导致的整个模型失效。而信息熵由香龙于1948年提出，是信息论中信息无序程度的度量。某属性信息熵越大，信息无序度越高，信息量越小，其在评价中的权重越小，因此信息熵可用于评估组合预测模型中权重的大小。
具体地，可以以组合预测的预测精度为目标属性，待求量为各预测模型的权重，将相似日序列各预测模型的预测值作为评估对象。
S4，根据分配因子对历史数据进行处理后，输入到组合预测模型中，得到预测日的母线负荷预测结果。
本实施例适用于母线负荷预测，通过先根据电网中的负荷确定相似日，得到分配因子，再结合信息熵确定多个预测模型的权重，结合了分配因子和信息熵对母线负荷进行预测，提高了类型负荷预测精度，能够同时保证预测精度、稳定性并降低计算的规模和时间。
可选地，在一些可能的实施方式中，根据电网中的负荷确定预测日的相似日，具体包括：
确定至少两个负荷相关因素，根据全部负荷相关因素确定每个历史日和预测日的特征向量，根据特征向量之间的几何空间距离确定每个历史日与预测日的日特征相似度；
应理解，负荷相关因素可以为与电网负荷相关的影响因素，例如，可以为温度，降雨，日类型等。
确定预设日周期，根据预设日周期确定每个历史日和预测日的平均负荷序列，根据平均负荷序列确定每个历史日与预测日的趋势相似度；
应理解，平均负荷序列指的是一定时期内平均负荷的集合，可以从一定程度上反映负荷的变化趋势，从而用于判断不同日的相似性。
根据日特征相似度和趋势相似度确定总相似度，根据总相似度从全部历史日中选择预测日的相似日。
可选地，可以对日特征相似度和趋势相似度进行加权后求和，得到总相似度，也可以直接将二者相加，得到总相似度。
可选地，在一些可能的实施方式中，根据以下公式计算总相似度：
Tij＝βFij+λOij
λ+β＝1
Figure BDA0002775224990000071
Figure BDA0002775224990000072
其中，Tij表示第i日和第j日的总相似度，Oij表示第i日和第j日的日特征相似度，Fij表示第i日和第j日的趋势相似度，λ和β为已知参数，H表示负荷相关因素的数量，第i日的日特征向量为(ui1，ui2，…，uiH)T，第j日的日特征向量为(uj1，uj2，…，ujH)T，u表示负荷相关因素，
Figure BDA0002775224990000073
表示第i日的预设日周期的平均负荷序列，
Figure BDA0002775224990000074
表示第j日的预设日周期的平均负荷序列，
Figure BDA0002775224990000075
表示第i日负荷序列的平均负荷，
Figure BDA0002775224990000076
为第j日负荷序列的平均负荷，K为预设日周期的天数，E()表示数学期望，D()表示方差。
Figure BDA0002775224990000077
表示求
Figure BDA00027752249900000712
的数学期望，
Figure BDA00027752249900000711
表示求
Figure BDA00027752249900000713
的数学期望，
Figure BDA00027752249900000714
表示求
Figure BDA00027752249900000715
的数学期望，
Figure BDA0002775224990000078
表示求
Figure BDA00027752249900000716
的方差，
Figure BDA0002775224990000079
表示求
Figure BDA00027752249900000710
的方差。
优选地，预设日周期可以为第i日之前(包含第i日)的K日，或者第j日(包含第j日)之前的K日，K一般取为4～7日。
应理解，λ和β可以通过预测日和历史日已知的趋势相似度及日特征相似度，应用最小二乘法求得。Tij越小，则表示ij两日的时间序列越相似，可以选取Tij最小值对应的历史日作为相似日。
可选地，在一些可能的实施方式中，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据权重向量对每个预测模型进行加权，得到组合预测模型，具体包括：
构造决策矩阵，计算决策矩阵的特征值，得到特征值矩阵；
对特征值矩阵进行规范化处理和归一化处理，得到标准矩阵；
根据标准矩阵计算目标属性的信息熵，通过信息熵确定每个预测模型的权重向量。
例如，构造预测时刻t下的决策矩阵C＝(cpq)m×s，其中cpq为第p个模型在第q相似日的预测值，m表示预测模型的数量，s表示相似日的总天数。
求取矩阵C的特征值，并将对应的特征值向量组成特征值矩阵：
Figure BDA0002775224990000081
然后对特征值矩阵进行规范化处理，然后对每一行进行归一化处理，得到矩阵R，计算公式为：
Figure BDA0002775224990000082
R＝(rpq)m×s
可选地，在一些可能的实施方式中，根据以下公式计算权重向量：
Figure BDA0002775224990000083
Figure BDA0002775224990000084
Figure BDA0002775224990000085
R＝(rpq)m×s
其中，ωpt表示第p个预测模型在t时刻的权重向量，Ep表示第p个预测模型的信息熵，R表示标准矩阵，m表示预测模型的数量，s表示相似日的总天数，rpq表示规范化处理和归一化处理后的第p个预测模型在第q相似日的特征向量，r′pq表示中间变量。
应理解，考虑到对数函数的性质，规定当r′pq＝0时，r′pqlnr′pq＝0。模型意义是某些时刻熵权特别小的模型其权重值可以为0。
通过各属性的信息熵可以得到各预测模型在t时刻的权重，更改t的数值，就可以得到一整天各个时刻的预测权重值。权重乘以预测结果，这样就得到了类型负荷的预测值。最终各母线的负荷值应为各分配因子和预测值的乘积。
应理解，在一些可能的实施方式中，在能够实现的前提下，一些其他的实施例可以包含上述任意实施方式的全部或部分。
如图2所示，为本发明母线负荷组合预测系统的实施例提供的结构框架图，该母线负荷组合预测系统基于分配因子和信息熵实现，适用于母线负荷预测，该系统包括：
相似日确定单元1，用于确定预测日，根据电网中的负荷确定预测日的相似日；
分配因子确定单元2，用于根据相似日的各类型负荷的历史数据确定分配因子；
预测模型确定单元3，用于确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据权重向量对每个预测模型进行加权，得到组合预测模型；
预测单元4，用于根据分配因子对历史数据进行处理后，输入到组合预测模型中，得到预测日的母线负荷预测结果。
本实施例适用于母线负荷预测，通过先根据电网中的负荷确定相似日，得到分配因子，再结合信息熵确定多个预测模型的权重，结合了分配因子和信息熵对母线负荷进行预测，提高了类型负荷预测精度，能够同时保证预测精度、稳定性并降低计算的规模和时间。
可选地，在一些可能的实施方式中，相似日确定单元1具体用于确定至少两个负荷相关因素，根据全部负荷相关因素确定每个历史日和预测日的特征向量，根据特征向量之间的几何空间距离确定每个历史日与预测日的日特征相似度；
确定预设日周期，根据预设日周期确定每个历史日和预测日的平均负荷序列，根据平均负荷序列确定每个历史日与预测日的趋势相似度；
根据日特征相似度和趋势相似度确定总相似度，根据总相似度从全部历史日中选择预测日的相似日。
可选地，在一些可能的实施方式中，相似日确定单元1具体根据以下公式计算总相似度：
Tij＝βFij+λOij
λ+β＝1
Figure BDA0002775224990000101
Figure BDA0002775224990000102
其中，Tij表示第i日和第j日的总相似度，Oij表示第i日和第j日的日特征相似度，Fij表示第i日和第j日的趋势相似度，λ和β为已知参数，H表示负荷相关因素的数量，第i日的日特征向量为(ui1，ui2，…，uiH)T，第j日的日特征向量为(uj1，uj2，…，ujH)T，u表示负荷相关因素，
Figure BDA0002775224990000103
表示第i日的预设日周期的平均负荷序列，
Figure BDA0002775224990000104
表示第j日的预设日周期的平均负荷序列，
Figure BDA0002775224990000105
表示第i日负荷序列的平均负荷，
Figure BDA0002775224990000106
为第j日负荷序列的平均负荷，K为预设日周期的天数，E()表示数学期望，D()表示方差。
可选地，在一些可能的实施方式中，预测模型确定单元3具体用于构造决策矩阵，计算决策矩阵的特征值，得到特征值矩阵；
对特征值矩阵进行规范化处理和归一化处理，得到标准矩阵；
根据标准矩阵计算目标属性的信息熵，通过信息熵确定每个预测模型的权重向量。
可选地，在一些可能的实施方式中，预测模型确定单元3具体根据以下公式计算权重向量：
Figure BDA0002775224990000111
Figure BDA0002775224990000112
Figure BDA0002775224990000113
R＝(rpq)m×s
其中，ωpt表示第p个预测模型在t时刻的权重向量，Ep表示第p个预测模型的信息熵，R表示标准矩阵，m表示预测模型的数量，s表示相似日的总天数，rpq表示规范化处理和归一化处理后的第p个预测模型在第q相似日的特征向量，r′pq表示中间变量。
应理解，在一些可能的实施方式中，在能够实现的前提下，一些其他的实施例可以包含上述任意实施方式的全部或部分。
应理解，以上实施例为与本发明方法实施例对应的产品实施例，二者技术方案对应，因此，上述产品实施例的具体说明可以参照上述各方法实施方式，在此不再赘述。
可以理解，本发明还可以提供一种存储介质，该存储介质中存储有指令，当计算机读取指令时，使计算机执行如上述任意实施方式公开的基于分配因子和信息熵的母线负荷组合预测方法。
可以理解，本发明还可以提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序，实现如上述任意实施方式公开的基于分配因子和信息熵的母线负荷组合预测方法。
读者应理解，在本说明书的描述中，参考术语″一个实施例″、″一些实施例″、″示例″、″具体示例″、或″一些示例″等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于分配因子和信息熵的母线负荷组合预测方法，其特征在于，包括：
确定预测日，根据电网中的负荷确定所述预测日的相似日；
根据所述相似日的各类型负荷的历史数据确定分配因子；
确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据所述权重向量对每个所述预测模型进行加权，得到组合预测模型；
根据所述分配因子对所述历史数据进行处理后，输入到所述组合预测模型中，得到所述预测日的母线负荷预测结果；
以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据所述权重向量对每个所述预测模型进行加权，得到组合预测模型，具体包括：
构造决策矩阵，计算所述决策矩阵的特征值，得到特征值矩阵；
对所述特征值矩阵进行规范化处理和归一化处理，得到标准矩阵；
根据所述标准矩阵计算目标属性的信息熵，通过所述信息熵确定每个所述预测模型的权重向量；
根据以下公式计算权重向量：
Figure FDA0003640341170000011
Figure FDA0003640341170000012
Figure FDA0003640341170000013
R＝(rpq)m×s
其中，ωpt表示第p个预测模型在t时刻的权重向量，Ep表示第p个预测模型的信息熵，R表示标准矩阵，m表示预测模型的数量，s表示相似日的总天数，rpq表示规范化处理和归一化处理后的第p个预测模型在第q相似日的特征向量，r′pq表示中间变量；
设PA，k，i(t)为第i天k类型在t时刻的类型负荷，利用最小二乘模型中的一次曲线y＝p+q·i，对前n天的历史数据进行计算，由最小乘法的相关公式，可得：
Figure FDA0003640341170000021
Figure FDA0003640341170000022
其中，k和t在每次计算中都是定值，
得到一次曲线y＝p+q·i，这条曲线能够度量前n天负荷的变化趋势，利用这个变化趋势来预测n+1天的值，得到n+1天的初步母线负荷为：
PA，k，i(t)＝p+q(n+1)
通过改变t的取值，重复应用上述过程，确定n+1天的类型负荷数据，计算出n+1天k类型t时刻的类型负荷分配系数KA，k，n+1(t)：
Figure FDA0003640341170000023
式中C表示预测系统中划分类型的类型总数，c为计数变量。
2.根据权利要求1所述的基于分配因子和信息熵的母线负荷组合预测方法，其特征在于，根据电网中的负荷确定所述预测日的相似日，具体包括：
确定至少两个负荷相关因素，根据全部所述负荷相关因素确定每个历史日和所述预测日的特征向量，根据特征向量之间的几何空间距离确定每个历史日与所述预测日的日特征相似度；
确定预设日周期，根据所述预设日周期确定每个历史日和所述预测日的平均负荷序列，根据所述平均负荷序列确定每个历史日与所述预测日的趋势相似度；
根据所述日特征相似度和所述趋势相似度确定总相似度，根据所述总相似度从全部历史日中选择所述预测日的相似日。
3.根据权利要求2所述的基于分配因子和信息熵的母线负荷组合预测方法，其特征在于，根据以下公式计算所述总相似度：
Tij＝βFij+λOij
λ+β＝1
Figure FDA0003640341170000031
Figure FDA0003640341170000032
其中，Tij表示第i日和第j日的总相似度，Oij表示第i日和第j日的日特征相似度，Fij表示第i日和第j日的趋势相似度，λ和β为已知参数，H表示负荷相关因素的数量，第i日的日特征向量为(ui1，ui2，…，uiH)T，第j日的日特征向量为(uj1，uj2，…，ujH)T，u表示负荷相关因素，
Figure FDA0003640341170000033
表示第i日的预设日周期的平均负荷序列，
Figure FDA0003640341170000034
表示第j日的预设日周期的平均负荷序列，
Figure FDA0003640341170000035
表示第i日负荷序列的平均负荷，
Figure FDA0003640341170000036
为第j日负荷序列的平均负荷，K为预设日周期的天数，E()表示数学期望，D()表示方差。
4.一种基于分配因子和信息熵的母线负荷组合预测系统，其特征在于，包括：
相似日确定单元，用于确定预测日，根据电网中的负荷确定所述预测日的相似日；
分配因子确定单元，用于根据所述相似日的各类型负荷的历史数据确定分配因子；
预测模型确定单元，用于确定至少两个预测模型，以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据所述权重向量对每个所述预测模型进行加权，得到组合预测模型；
预测单元，用于根据所述分配因子对所述历史数据进行处理后，输入到所述组合预测模型中，得到所述预测日的母线负荷预测结果；
以预测精度为目标属性，通过信息熵确定每个预测模型的权重向量，根据所述权重向量对每个所述预测模型进行加权，得到组合预测模型，具体包括：
构造决策矩阵，计算所述决策矩阵的特征值，得到特征值矩阵；
对所述特征值矩阵进行规范化处理和归一化处理，得到标准矩阵；
根据所述标准矩阵计算目标属性的信息熵，通过所述信息熵确定每个所述预测模型的权重向量；
根据以下公式计算权重向量：
Figure FDA0003640341170000041
Figure FDA0003640341170000042
Figure FDA0003640341170000043
R＝(rpq)m×s
其中，ωpt表示第p个预测模型在t时刻的权重向量，Ep表示第p个预测模型的信息熵，R表示标准矩阵，m表示预测模型的数量，s表示相似日的总天数，rpq表示规范化处理和归一化处理后的第p个预测模型在第q相似日的特征向量，r′pq表示中间变量；
设PA，k，i(t)为第i天k类型在t时刻的类型负荷，利用最小二乘模型中的一次曲线y＝p+q·i，对前n天的历史数据进行计算，由最小乘法的相关公式，可得：
Figure FDA0003640341170000051
Figure FDA0003640341170000052
其中，k和t在每次计算中都是定值，
得到一次曲线y＝p+q·i，这条曲线能够度量前n天负荷的变化趋势，利用这个变化趋势来预测n+1天的值，得到n+1天的初步母线负荷为：
PA，k，i(t)＝p+q(n+1)
通过改变t的取值，重复应用上述过程，确定n+1天的类型负荷数据，计算出n+1天k类型t时刻的类型负荷分配系数KA，k，n+1(t)：
Figure FDA0003640341170000053
式中C表示预测系统中划分类型的类型总数，c为计数变量。
5.根据权利要求4所述的基于分配因子和信息熵的母线负荷组合预测系统，其特征在于，所述相似日确定单元具体用于确定至少两个负荷相关因素，根据全部所述负荷相关因素确定每个历史日和所述预测日的特征向量，根据特征向量之间的几何空间距离确定每个历史日与所述预测日的日特征相似度；
确定预设日周期，根据所述预设日周期确定每个历史日和所述预测日的平均负荷序列，根据所述平均负荷序列确定每个历史日与所述预测日的趋势相似度；
根据所述日特征相似度和所述趋势相似度确定总相似度，根据所述总相似度从全部历史日中选择所述预测日的相似日。
6.根据权利要求5所述的基于分配因子和信息熵的母线负荷组合预测系统，其特征在于，所述相似日确定单元具体根据以下公式计算所述总相似度：
Tij＝βFij+λOij
λ+β＝1
Figure FDA0003640341170000061
Figure FDA0003640341170000062
其中，Tij表示第i日和第j日的总相似度，Oij表示第i日和第j日的日特征相似度，Fij表示第i日和第j日的趋势相似度，λ和β为已知参数，H表示负荷相关因素的数量，第i日的日特征向量为(ui1，ui2，…，uiH)T，第j日的日特征向量为(uj1，uj2，…，ujH)T，u表示负荷相关因素，
Figure FDA0003640341170000063
表示第i日的预设日周期的平均负荷序列，
Figure FDA0003640341170000071
表示第j日的预设日周期的平均负荷序列，
Figure FDA0003640341170000072
表示第i日负荷序列的平均负荷，
Figure FDA0003640341170000073
为第j日负荷序列的平均负荷，K为预设日周期的天数，E()表示数学期望，D()表示方差。
CN202011262956.0A 2020-11-12 2020-11-12 基于分配因子和信息熵的母线负荷组合预测方法及系统 Active CN112487612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011262956.0A CN112487612B (zh) 2020-11-12 2020-11-12 基于分配因子和信息熵的母线负荷组合预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011262956.0A CN112487612B (zh) 2020-11-12 2020-11-12 基于分配因子和信息熵的母线负荷组合预测方法及系统

Publications (2)

Publication Number Publication Date
CN112487612A CN112487612A (zh) 2021-03-12
CN112487612B true CN112487612B (zh) 2022-08-30

Family

ID=74930281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011262956.0A Active CN112487612B (zh) 2020-11-12 2020-11-12 基于分配因子和信息熵的母线负荷组合预测方法及系统

Country Status (1)

Country Link
CN (1) CN112487612B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377051B (zh) * 2018-10-24 2022-04-29 南方电网科学研究院有限责任公司 一种输配电单位可避免成本分配因子确定方法及相关产品
CN113361195B (zh) * 2021-06-04 2022-05-13 国网浙江省电力有限公司杭州供电公司 一种基于lstm和相似日的配电网线路超短期负荷预测方法
CN113592528A (zh) * 2021-06-22 2021-11-02 国网河北省电力有限公司营销服务中心 基线负荷估计方法、装置及终端设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205547A (zh) * 2015-08-25 2015-12-30 广西电网有限责任公司 一种基于多种不确定因素相似度匹配的母线负荷预测算法
WO2018045642A1 (zh) * 2016-09-09 2018-03-15 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN110489893A (zh) * 2019-08-23 2019-11-22 国网山东省电力公司莱芜供电公司 一种基于可变权值的母线负荷预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205547A (zh) * 2015-08-25 2015-12-30 广西电网有限责任公司 一种基于多种不确定因素相似度匹配的母线负荷预测算法
WO2018045642A1 (zh) * 2016-09-09 2018-03-15 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN110489893A (zh) * 2019-08-23 2019-11-22 国网山东省电力公司莱芜供电公司 一种基于可变权值的母线负荷预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Prediction Model of the Power System Frequency Using a Cross-Entropy Ensemble Algorithm;Yi Tang 等;《Entropy》;20171019;第19卷(第10期);第1-17页 *
基于最优交集相似日选取的短期母线负荷综合预测;孙谦 等;《中国电机工程学报》;20130205;第33卷(第4期);第126-134页 *

Also Published As

Publication number Publication date
CN112487612A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112487612B (zh) 基于分配因子和信息熵的母线负荷组合预测方法及系统
CN109272142A (zh) 基于事件的数据预测方法、装置、计算机设备和存储介质
CN112328395B (zh) 一种云资源容量规划方法和系统
Bekiros et al. Bayesian forecasting with small and medium scale factor-augmented vector autoregressive DSGE models
CN112884236A (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
Akhmetova Firm experimentation in new markets
Jesus et al. A model of anytime algorithm performance for bi-objective optimization
Wright The emergence of the law of value in a dynamic simple commodity economy
CN113393094A (zh) 能源系统评估方法、装置、设备及存储介质
Gerard et al. Combining multivariate density forecasts using predictive criteria
CN115473219A (zh) 负荷预测方法、装置、计算机设备和存储介质
Ganesh et al. Forecasting imbalance price densities with statistical methods and neural networks
CN112365039B (zh) 一种基于纵横相关性进行月度用电量预测的方法及系统
CN115358476A (zh) 需求响应潜力预测方法、装置、计算机设备和存储介质
CN115049458A (zh) 基于用户人群建模的商品推送方法及装置、介质、设备
CN115081856A (zh) 一种企业知识管理绩效评价装置及方法
CN114638405A (zh) 能源需求预测方法、装置及计算机设备
KR20230064389A (ko) 예측구간에 기반한 제조공정 파라미터의 구간 최적화 방법 및 시스템
CN114154697A (zh) 房屋维修资源的预测方法、装置、计算机设备和存储介质
CN108037979B (zh) 基于含隐变量贝叶斯网的虚拟机性能下降评估方法
Fershtman et al. Oligopolistic dynamics with asymmetric information: A framework for empirical work
Juwairiah et al. Prediction of IDR-USD Exchange Rate using the Cheng Fuzzy Time Series Method with Particle Swarm Optimization
CN114066491A (zh) 基于多周期的预测总销量确定物品补货策略的方法、装置
Scutaru et al. Predictability and complexity in Macroeconomics. The case of gross fixed capital formation in the Romanian economy
Huntley et al. Using DSGE Models

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