CN112488399B - 电力负荷预测方法及装置 - Google Patents
电力负荷预测方法及装置 Download PDFInfo
- Publication number
- CN112488399B CN112488399B CN202011400686.5A CN202011400686A CN112488399B CN 112488399 B CN112488399 B CN 112488399B CN 202011400686 A CN202011400686 A CN 202011400686A CN 112488399 B CN112488399 B CN 112488399B
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- parameters
- load
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013213 extrapolation Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电力负荷预测方法及装置,涉及电力数据处理技术领域,该方法包括:获取目标负荷数据;根据目标负荷数据计算贝叶斯神经网络的目标参数;根据贝叶斯神经网络和目标参数生成电力负荷预测结果。本发明使用贝叶斯神经网络生成电力负荷预测结果,可以缓解在数据量较少的情况下存在的过拟合现象,提升电力负荷的预测精度。
Description
技术领域
本发明涉及电力数据处理技术领域,尤其是涉及一种电力负荷预测方法及装置。
背景技术
随着社会的不断发展,经济水平的不断提高,人们的用电需求越来越高,这对负荷预测精度提出了更高的要求,以尽量确保电能实时供需平衡。然而,考虑到再精确的预测也不可能完全达到供需平衡,并且,由于突发情况的存在以及各种因素的影响,电网当中会有备用容量。对电力负荷做出精确的预测可以减少电网当中使用的备用容量,提高电能的利用率,提高电网的安全性和可靠性,对发电、输电以及售电部门运作都有着重要的影响。
电力负荷的统预测方法的预测精度较低,很难满足电力部门的负荷预测精度要求。因此,逐渐兴起很多新的预测方法,又称为现代预测方法。而常用的现代预测方法在数据量较少的情况下存在严重的过拟合现象。
发明内容
本发明提供了一种电力负荷预测方法及装置,可以提升电力负荷的预测精度。
第一方面,本发明实施例提供了一种电力负荷预测方法,该方法包括:获取目标负荷数据;根据所述目标负荷数据计算贝叶斯神经网络的目标参数;根据所述贝叶斯神经网络和所述目标参数生成电力负荷预测结果。
第二方面,本发明实施例还提供一种电力负荷预测装置,该装置包括:获取模块,用于获取目标负荷数据;计算模块,用于根据所述目标负荷数据计算贝叶斯神经网络的目标参数;预测模块,用于根据所述贝叶斯神经网络和所述目标参数生成电力负荷预测结果。
第三方面,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述电力负荷预测方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述电力负荷预测方法的计算机程序。
本发明实施例带来了以下有益效果:本发明实施例提供了一种电力负荷预测方案,该方案首先获取目标负荷数据,之后,根据目标负荷数据计算贝叶斯神经网络的目标参数;最后,根据贝叶斯神经网络和目标参数生成电力负荷预测结果。本发明使用贝叶斯神经网络生成电力负荷预测结果,可以缓解在数据量较少的情况下存在的过拟合现象,提升电力负荷的预测精度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例提供的电力负荷预测方法流程图;
图2为本发明实施例提供的电力负荷预测方法实施流程图;
图3为本发明实施例提供的电力负荷预测方法效果图;
图4为本发明实施例提供的电力负荷预测装置结构框图;
图5为本发明实施例提供的计算机设备结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,传统预测方法如下:
(1)趋势外推法:
趋势外推法就是依据事物的发展变化趋势来进行推测的。正如电力负荷的变化就是具有一定的趋势,电力负荷具有日特性即同一类型的日期里负荷随着时间变化的趋势极其相似,同时还具有周周期性和年周期性,因此,可以用趋势外推的方法,根据负荷变化的趋势就可以完成我们想要预测的负荷变化。主要的电力负荷趋势外推法有水平、线性、多项式以及季节性趋势预测等方法。传统方法通常用在对预测精度要求不高的情况下。
(2)时间序列法
时间序列法其实就是将电力负荷值看做是一组时间序列,因为我们在取电力负荷值的时候不是随机乱取,而是依据时间的变化,比如每隔两小时取一次或者每隔一小时取一次。这样取出来的负荷数据就可以组成一个以时间为变量的数列。这样的一个时间序列我们就可以对其进行研究,并且能够找到一个合适的数学模型来描述此序列,这样就能对以后的负荷进行预测了。此方法同样对负荷预测比较粗略,也是没有考虑影响因素,因此目前应用很少。
(3)回归分析法
回归分析法不仅考虑历史负荷数据,不只对负荷数据统计分析,像上面两种方法就只考虑历史数据,此方法还要分析影响负荷变化的因素与负荷之间的相关关系,进而确立一种反应影响因素与负荷之间关系的数学模型,进而达到预测的目的。
由于传统的预测方法预测精度太低,早已经很难满足电力部门的负荷预测精度要求。因此,逐渐兴起很多新的预测方法,又称为现代预测方法,研究最多一种就是神经网络法,另外还有其他方法。
现代预测方法如下:
(1)灰色模型预测
此方法是由我国学者邓聚龙教授提出的,灰色模型法是将搜集到的原始数据进行累加或者累减生成,然后将这些本来杂乱无章的数据生成出有一定规律的数列,再进一步数据建模。灰色模型法与上面几种方法最大的不同之处在于,在应用上面谈论的几种方法时,需要搜集大量的历史数据,因为只有数据越多,得到的模型才越精确,预测误差也就更小,而灰色模型法不用大量的数据也能建立较为准确的预测模型。主要是因为此方法要对数据进行一定的累加或者累减处理之后建立微分方程来进行建模。灰色模型法虽然从理论上来讲可以应用于非线性变化的负荷预测,但是灰色模型是呈指数形式变化的模型,而负荷的变化受各种因素的影响可能会呈现不同形式的变化趋势,因此灰色模型法具有其片面性,不能在负荷预测方面得到很好的应用。
(2)专家系统法
专家系统法并不是真正的由专家来指导或者完成预测,而是一个计算软件系统,这个软件系统不是一般的软件系统,而是由一些特殊领域的知识建立起来的,这些知识的设计来自于专家,并且通过这样的程序软件,可以根据来自于专家的知识完成我们想要完成的工作。
(3)神经网络法
神经网络法又称人工神经网络法,此方法就是模仿了人的大脑神经,当然其功能只是处于低级效仿,不可能达到跟人一样的能力,但是神经网络法能够进行自己学习训练并且处理信息和储存信息并行,这足以让我们利用此优点来解决我们要解决的问题。理论证明神经网路模型可以通过自身的训练拟合出任何非线性函数,并且不用跟上面我们介绍的诸多方法一样还需要得出最后的数学模型,除了这个优点,最大的好处就在于能够将所能考虑到的影响因素作为输入代入训练网络一起训练,这就使得预测更加的精确,误差更小。神经网络包括多种网络模型,最常用的就是BP神经网络(Back Propagation NeuralNetwork)和RBF(Radial basis function,径向基函数)神经网络。目前,BP网络是在预测工作中用的最多的一种方法。而且不断地出现了对此方法的改进。对于一个神经网络来说,最为核心的是如何根据训练集的数据,得到各层的模型参数,使得损失函数最小,因其强大的非线性拟合能力而在各个领域有着重要应用。而其问题是在数据量较少的情况下存在严重的过拟合现象。
基于此,本发明实施例提供的一种电力负荷预测方法及装置,应用贝叶斯神经网络的方法对电力负荷进行预测,可以减少训练过程中陷入局部最小值或过度训练的情况。考虑到传统的权重阈值调整方法很难获得最优的网络参数,该方法进一步采用粒子群优化算法对贝叶斯神经网络的参数进行优化,以提高电力负荷的预测精度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种电力负荷预测方法进行详细介绍。
本发明实施例提供了一种电力负荷预测方法,参见图1所示的一种电力负荷预测方法流程图,该方法包括以下步骤:
步骤S102,获取目标负荷数据。
在本发明实施例中,目标负荷数据来源于历史负荷数据,从历史负荷数据中挑选与风力发电和光伏发电相关性较高的负荷数据作为目标负荷数据。
步骤S104,根据目标负荷数据计算贝叶斯神经网络的目标参数。
在本发明实施例中,将目标负荷数据作为训练样本数据,对贝叶斯神经网络中的参数进行训练,得到目标参数。
步骤S106,根据贝叶斯神经网络和目标参数生成电力负荷预测结果。
在本发明实施例中,在得到目标参数后,根据目标参数更新贝叶斯神经网络,利用更新后的贝叶斯神经网络生成电力负荷预测结果。
本发明实施例提供了一种电力负荷预测方案,该方案首先获取目标负荷数据,之后,根据目标负荷数据计算贝叶斯神经网络的目标参数;最后,根据贝叶斯神经网络和目标参数生成电力负荷预测结果。本发明使用贝叶斯神经网络生成电力负荷预测结果,可以缓解在数据量较少的情况下存在的过拟合现象,提升电力负荷的预测精度。
考虑到由于受负荷数据采集、传输和存贮的影响,负荷的历史数据中存在一定的异常数据,会对预测模型的训练造成影响。对负荷的历史数据进行搜索,定位存在数据点缺失、恒值等情况的日数据,并对其进行剔除,因此,获取目标负荷数据,可以按照如下步骤执行:
计算待处理负荷数据与风光发电数据的皮尔逊相关系数;若皮尔逊相关系数大于预设相关度值,则将待处理负荷数据作为目标负荷数据。
在本发明实施例中,同步光伏和将辖区内的风电数据作为特征信息输入到模型中。对不同负荷水平与风力发电和光伏发电的Pearson系数(皮尔逊相关系数)关系进行进一步分析。在这种情况下,分布发电在选定的地区达到很高的比例,相关因素影响分布式发电的输出与管辖范围内的负荷变化密切相关。分布式发电的普及率越高,对分布式的影响就越大。负荷预测结果与光伏发电和风电输出的关系。利用Pearson相关系数分析了二者之间的相关性,探究分布式发电输出和负载的实际价值。
需要说明的是,预设相关度值可以根据实际需求进行设置,本发明实施例对此不作具体限定。
目标参数包括正则化参数和权值参数;根据目标负荷数据计算贝叶斯神经网络的目标参数,可以按照如下步骤执行:
根据目标负荷数据,利用正则化方法计算贝叶斯神经网络的正则化参数;根据目标负荷数据,利用粒子群优化算法计算贝叶斯神经网络的权值参数。
在本发明实施例中,虽然贝叶斯神经网络通过修改错误提高了泛化能力。传统的神经网络参数优化方法在性能优化中无法获得。最优网络参数和基本粒子群优化算法具有早熟性,因此,提出了粒子群优化算法来优化贝叶斯的权值和阈值。PSO算法(Particleswarm optimization,粒子群优化算法)以其参数设置少、收敛速度快等优点得到了广泛的应用。但在优化过程中存在早熟和局部优化问题。粒子更新过程中产生最优极值和全局最优极值。个体最优极值是个体优化过程中的最优解。全局最优值是所有粒子优化过程中的最优解。
考虑到在贝叶斯分析框架下,传统的神经网络模型的目标函数被理解为数据的似然函数,正则化器对应于网络权上的先验概率分布,同时把网络的所有参数看作为随机变量,通过融入参数的先验概率分布的假设,在整个权空间上进行学习,将所有模型进行考虑,获取相关参数的后验条件概率,并基于后验分布的贝叶斯推理得出最优化参数。贝叶斯神经网络和传统神经网络的不同之处还在于贝叶斯学习着眼于整个参数空间的概率分布,预测结果是基于参数后验分布的平均,单个模型对应于参数空间的一个点,所有模型对应于整个参数空间,因此,在理论上增加了网络的泛化能力。因此,在一个实施例中,根据目标负荷数据,利用如下公式计算贝叶斯神经网络的正则化参数:
msereg=βEd+αEw
γ=N-2α′tr(H)-1
其中,msereg是误差函数,α和β是正则化参数,N是样本总数,ei是误差,ti是目标输出负荷值,ai是神经网络预测输出负荷值,Wi是网络权重,α′是迭代计算前的α,H是msereg的黑塞矩阵。
在本发明实施例中,Ew是网络所有权值的平方和的平均值。在网络训练过程,首先对正则化参数α和β进行初始化,通过等式对正则化参数进行自适应调整,从而使误差函数msereg最小化,以达到最优训练的目的。
需要说明的是,在本发明实施例中,tr()表示矩阵的迹,即为对角线元素之和。
本发明实施例中采用粒子群算法对贝叶斯神经网络的参数进行优化。粒子群算法即粒子群优化算法,是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法,其核心思想是利用群体中的个体对信息的共享从而使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的最优解。PSO与大多数启发式算法相似,例如遗传算法和蚁群算法。在算法迭代的后期,种群多样性将急剧下降并形成“聚集”现象,从而导致过早收敛。在本发明实施例中包括根据目标负荷数据,利用如下公式计算贝叶斯神经网络的权值参数:
其中,r1和r2是[0,1]之间的均匀分布的随机数,c1和c2是加速度因子,w是惯性权重,v是粒子的飞行速度,x是权值参数粒子,为预测负荷值;yi为实际负荷值,n为样本数量,Fitness是粒子适应度函数。
在本发明实施例中,粒子群优化算法根据适应度函数,确定优化的权值参数粒子即求出贝叶斯神经网络最优的网络权值。利用适应度函数Fitness评价利用公式和/>计算出的/>当适应度函数达到预设条件,例如,预设条件可以是在某一范围内Fitness为最小值,则将计算得到的/>作为贝叶斯神经网络的权值参数。
表1
本发明实施例提供了一种电力负荷预测方法及装置,参见表1、图2所示的电力负荷预测方法实施流程图以及图3所示的电力负荷预测方法效果图,为了得到贝叶斯神经网络的最优网络参数,该方法运用粒子群优化算法对贝叶斯神经网络的参数进行优化,通过融入参数的先验概率分布的假设,在整个权空间上进行学习,将所有模型进行考虑,获取相关参数的后验条件概率,最终得到优化后的负荷预测模型,利用优化后的负荷预测模型进行电力负荷预测,提升电力负荷的预测精度。
本发明实施例中还提供了一种电力负荷预测装置,如下面的实施例所述。由于该装置解决问题的原理与电力负荷预测方法相似,因此该装置的实施可以参见电力负荷预测方法的实施,重复之处不再赘述。参见图4所示的电力负荷预测装置结构框图,该装置包括:
获取模块71,用于获取目标负荷数据;计算模块72,用于根据目标负荷数据计算贝叶斯神经网络的目标参数;预测模块73,用于根据贝叶斯神经网络和目标参数生成电力负荷预测结果。
在一个实施例中,获取模块,具体用于:计算待处理负荷数据与风光发电数据的皮尔逊相关系数;若皮尔逊相关系数大于预设相关度值,则将待处理负荷数据作为目标负荷数据。
在一个实施例中,目标参数包括正则化参数和权值参数;计算模块,具体用于:根据目标负荷数据,利用正则化方法计算贝叶斯神经网络的正则化参数;根据目标负荷数据,利用粒子群优化算法计算贝叶斯神经网络的权值参数。
在一个实施例中,根据目标负荷数据,利用如下公式计算贝叶斯神经网络的正则化参数:msereg=βEd+αEw, γ=N-2α′tr(H)-1,其中,msereg是误差函数,α和β是正则化参数,N是样本总数;ei是误差,ti是目标输出负荷值;ai是神经网络预测输出负荷值,Wi是网络权重,α′是迭代计算前的α,H是msereg的黑塞矩阵。
在一个实施例中,包括根据目标负荷数据,利用如下公式计算贝叶斯神经网络的权值参数: 其中,r1和r2是[0,1]之间的均匀分布的随机数,c1和c2是加速度因子,w是惯性权重,v是粒子的飞行速度,x是权值参数粒子,/>为预测负荷值;yi为实际负荷值,n为样本数量,Fitness是粒子适应度函数。
本发明实施例还提供一种计算机设备,参见图5所示的计算机设备结构示意框图,该计算机设备包括存储器81、处理器82及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一种电力负荷预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的计算机设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任一种电力负荷预测方法的计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (4)
1.一种电力负荷预测方法,其特征在于,包括:
获取目标负荷数据;
根据所述目标负荷数据计算贝叶斯神经网络的目标参数;所述目标参数包括正则化参数和权值参数;
根据所述贝叶斯神经网络和所述目标参数生成电力负荷预测结果;
获取目标负荷数据,包括:计算历史负荷数据与风光发电数据的皮尔逊相关系数;若所述皮尔逊相关系数大于预设相关度值,则将所述历史负荷数据作为目标负荷数据;
根据所述目标负荷数据计算贝叶斯神经网络的目标参数,包括:
利用如下公式计算贝叶斯神经网络的正则化参数:
msereg=βEd+αEw
γ=N-2α′tr(H)-1
其中,msereg是误差函数,α和β是正则化参数,N是样本总数,ei是误差,ti是目标输出负荷值,ai是神经网络预测输出负荷值,Wi是网络权重,α′是迭代计算前的α,H是msereg的黑塞矩阵;Ew是网络所有权值的平方和的平均值;
在网络训练过程,对正则化参数α和β进行初始化,通过等式对正则化参数进行自适应调整,从而使误差函数msereg最小化;
根据所述目标负荷数据,利用如下公式计算贝叶斯神经网络的权值参数:
其中,r1和r2是[0,1]之间的均匀分布的随机数,c1和c2是加速度因子,w是惯性权重,v是粒子的飞行速度,x是权值参数粒子,为预测负荷值;yi为实际负荷值,n为样本数量,Fitness是粒子适应度函数;
根据适应度函数,确定优化的权值参数粒子利用适应度函数Fitness评价,利用公式/>和/>计算出的/>当适应度函数达到预设条件,将计算得到的/>作为贝叶斯神经网络的权值参数;预设条件为在指定范围内Fitness为最小值。
2.一种电力负荷预测装置,其特征在于,包括:
获取模块,用于获取目标负荷数据;
计算模块,用于根据所述目标负荷数据计算贝叶斯神经网络的目标参数;所述目标参数包括正则化参数和权值参数;
预测模块,用于根据所述贝叶斯神经网络和所述目标参数生成电力负荷预测结果;
获取模块,具体用于计算历史负荷数据与风光发电数据的皮尔逊相关系数;若所述皮尔逊相关系数大于预设相关度值,则将所述历史负荷数据作为目标负荷数据;
计算模块,具体用于利用如下公式计算贝叶斯神经网络的正则化参数:
msereg=βEd+αEw
γ=N-2α′tr(H)-1
其中,msereg是误差函数,α和β是正则化参数,N是样本总数,ei是误差,ti是目标输出负荷值,ai是神经网络预测输出负荷值,Wi是网络权重,α′是迭代计算前的α,H是msereg的黑塞矩阵;Ew是网络所有权值的平方和的平均值;
在网络训练过程,对正则化参数α和β进行初始化,通过等式对正则化参数进行自适应调整,从而使误差函数msereg最小化;
根据所述目标负荷数据,利用如下公式计算贝叶斯神经网络的权值参数:
其中,r1和r2是[0,1]之间的均匀分布的随机数,c1和c2是加速度因子,w是惯性权重,v是粒子的飞行速度,x是权值参数粒子,为预测负荷值;yi为实际负荷值,n为样本数量,Fitness是粒子适应度函数;
根据适应度函数,确定优化的权值参数粒子利用适应度函数Fitness评价,利用公式/>和/>计算出的/>当适应度函数达到预设条件,将计算得到的/>作为贝叶斯神经网络的权值参数;预设条件为在指定范围内Fitness为最小值。
3.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述电力负荷预测方法。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1所述电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400686.5A CN112488399B (zh) | 2020-12-04 | 2020-12-04 | 电力负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400686.5A CN112488399B (zh) | 2020-12-04 | 2020-12-04 | 电力负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488399A CN112488399A (zh) | 2021-03-12 |
CN112488399B true CN112488399B (zh) | 2024-04-23 |
Family
ID=74939613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400686.5A Active CN112488399B (zh) | 2020-12-04 | 2020-12-04 | 电力负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488399B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971090A (zh) * | 2022-07-27 | 2022-08-30 | 中国电力科学研究院有限公司 | 一种电供暖负荷预测方法、系统、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560134B1 (en) * | 2010-09-10 | 2013-10-15 | Kwangduk Douglas Lee | System and method for electric load recognition from centrally monitored power signal and its application to home energy management |
CN109002928A (zh) * | 2018-08-13 | 2018-12-14 | 中国电力科学研究院有限公司 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
CN109409614A (zh) * | 2018-11-16 | 2019-03-01 | 国网浙江瑞安市供电有限责任公司 | 一种基于贝叶斯正则化神经网络的电力负荷预测方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN110210670A (zh) * | 2019-06-03 | 2019-09-06 | 辽宁工程技术大学 | 一种基于电力系统短期负荷的预测方法 |
CN110991722A (zh) * | 2019-11-26 | 2020-04-10 | 广东电网有限责任公司 | 一种电力负荷预测方法 |
CN111006240A (zh) * | 2019-11-22 | 2020-04-14 | 华北电力大学 | 一种生物质锅炉炉膛温度和负荷预测方法 |
CN111461404A (zh) * | 2020-03-09 | 2020-07-28 | 华能四川水电有限公司 | 一种基于神经网络预测区间的短期负荷和水电预测方法 |
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
-
2020
- 2020-12-04 CN CN202011400686.5A patent/CN112488399B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560134B1 (en) * | 2010-09-10 | 2013-10-15 | Kwangduk Douglas Lee | System and method for electric load recognition from centrally monitored power signal and its application to home energy management |
CN109002928A (zh) * | 2018-08-13 | 2018-12-14 | 中国电力科学研究院有限公司 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
CN109409614A (zh) * | 2018-11-16 | 2019-03-01 | 国网浙江瑞安市供电有限责任公司 | 一种基于贝叶斯正则化神经网络的电力负荷预测方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN110210670A (zh) * | 2019-06-03 | 2019-09-06 | 辽宁工程技术大学 | 一种基于电力系统短期负荷的预测方法 |
CN111006240A (zh) * | 2019-11-22 | 2020-04-14 | 华北电力大学 | 一种生物质锅炉炉膛温度和负荷预测方法 |
CN110991722A (zh) * | 2019-11-26 | 2020-04-10 | 广东电网有限责任公司 | 一种电力负荷预测方法 |
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN111461404A (zh) * | 2020-03-09 | 2020-07-28 | 华能四川水电有限公司 | 一种基于神经网络预测区间的短期负荷和水电预测方法 |
Non-Patent Citations (3)
Title |
---|
BNC-PSO: structure learning of Bayesian networks by Particle Swarm Optimization;S. Gheisari et al.;《Information Sciences》;第348卷;272-289 * |
基于优化神经网络的短期电力负荷预测;吴桂峰;王轩;陈东雷;;计算机仿真(第11期);全文 * |
基于贝叶斯正则化BP神经网络的DEM趋势面逼近;陈再辉;江丽钧;朱晓燕;江伟勇;;海洋测绘(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112488399A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A new combined model based on multi-objective salp swarm optimization for wind speed forecasting | |
Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN109002942A (zh) | 一种基于随机神经网络的短期负荷预测方法 | |
Pan et al. | A comparison of neural network backpropagation algorithms for electricity load forecasting | |
Li et al. | Short-term economic environmental hydrothermal scheduling using improved multi-objective gravitational search algorithm | |
CN108876001B (zh) | 一种基于孪生支持向量机的短期电力负荷预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
Zou et al. | Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN112488399B (zh) | 电力负荷预测方法及装置 | |
Li et al. | A VVWBO-BVO-based GM (1, 1) and its parameter optimization by GRA-IGSA integration algorithm for annual power load forecasting | |
CN115766125A (zh) | 一种基于lstm和生成对抗网络的网络流量预测方法 | |
CN117543537A (zh) | 一种代理购电用户电量预测方法、装置、存储介质 | |
Xu et al. | A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network | |
CN111079902A (zh) | 基于神经网络的分解模糊系统优化方法及装置 | |
Osama et al. | An optimized support vector regression using whale optimization for long term wind speed forecasting | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
CN109063916A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
Li et al. | Adaptive Weighted Combination Approach for Wind Power Forecast Based on Deep Deterministic Policy Gradient Method |
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 |