CN112508278A - 一种基于证据回归多模型的多联供系统负荷预测方法 - Google Patents
一种基于证据回归多模型的多联供系统负荷预测方法 Download PDFInfo
- Publication number
- CN112508278A CN112508278A CN202011431603.9A CN202011431603A CN112508278A CN 112508278 A CN112508278 A CN 112508278A CN 202011431603 A CN202011431603 A CN 202011431603A CN 112508278 A CN112508278 A CN 112508278A
- Authority
- CN
- China
- Prior art keywords
- evidence
- regression
- load
- model
- sub
- 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 32
- 238000004364 calculation method Methods 0.000 claims description 15
- 108020001568 subdomains Proteins 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013523 data management Methods 0.000 abstract 1
- 238000007418 data mining Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013076 uncertainty analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (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
本发明提供了一种基于证据回归多模型的多联供系统负荷预测方法,主要包括数据采集模块、数据管理模块、离线数据库、数据分析与处理模块、证据回归预测模块。本发明提出的多联供系统环境下基于证据回归多模型的负荷预测方法,是基于证据回归的用于负荷预测的数据挖掘算法。本发明所述系统考虑到影响负荷的多重不确定属性及其影响因素的模糊性,可以比较完整的掌握用户用电、用热、用气负荷规律。预测方法主要针对于负荷变化相关的各种关联因素,找出高关联度的影响因子,通过聚类挖掘用户用能行为,采用不同的结构参数反映不同负荷预测区域,为大规模可再生新能源并网后负荷高精度不确定预测提供新的解决思路。
Description
技术领域
本发明涉及多联供系统负荷预测技术领域,更具体的说,尤其涉及一种基于证据回归多模型的多联供系统负荷预测方法。
背景技术
为确保能源互联网下综合能源系统的安全和经济运行,对海量电、热、气负荷历史数据进行分析,发掘并利用数据中隐含的信息,有利于进行一步提高综合能源系统运行管理水平,提高日前、日内、实时调度的精度,保证系统安全可靠稳定运行。能源互联网下,生物质能、风能、光伏等可再生能源发电系统发电功率的随机性和不确定性,对系统安全稳定运行提出了挑战。基于此,精准负荷预测及其不确定性分析尤为重要。负荷预测基于负荷变化规律,综合考虑影响负荷变化的各种因素,挖掘其内在关联。由于负荷影响因素多元化,其非线性、大惯性、不确定性和参数时变性,使得建立精准的预测模型还难以实现。
发明内容
本发明的目的在于提供一种基于证据回归多模型的多联供系统负荷预测方法,以解决上述背景技术中提出的问题和不足。
为实现上述目的,本发明提供了一种基于证据回归多模型的多联供系统负荷预测方法,由以下具体技术手段所达成:
一种基于证据回归多模型的多联供系统负荷预测方法,主要包括:
S1.数据采集,即采集电、热、气负荷运行数据并进行聚类;
S2.数据预处理,即整理、筛选、清洗原始数据,基于聚类结果选取与电、热、气负荷相关的参数数据,构建离线数据库;
S3.关联性分析,即基于离线数据库,分析影响电、热、气负荷的影响因素,建立关联关系模型,用以确定电、热、气负荷影响因素;
S4.证据回归预测,即基于证据回归方法,建立多联供系统电、热、气负荷及其影响因素的证据库,从而对电、热、气负荷及其不确定区间进行预测。
在上述的S3.数据分析与处理模块,具体是指:
步骤1:通过灰色关联方法分析计算公式对电、热、气负荷和天气、工作日非工作日、时间、季节因素进行两两相关性计算,得到其关联相关系数,计算公式如下:
其中,ζi为变量xi与变量y之间的关联相关系数,ρ为分辨系数,其值在区间(0,1)之间,通常取ρ=0.5,i为数据库中某历史日,k为特征向量;
采用熵权法求客观权重ωk,并计算关联度γ,计算公式为:
其中,n为特征向量个数。
步骤2:采用主成分分析方法对输入的影响因素参数的数据进行降维处理;
步骤3:采用模糊C均值聚类方法,按聚类指标为xj,确定聚类数C、模糊加权参数m、阈值e,将样本集D={xj}划分为C个不同的子域,其中聚类中心集合表示为V0={vi|i=1,2,…,C},隶属度μij计算公式如下:
其中,dij表示dj与聚类中心vi的欧氏距离,dkj表示聚类中心vk与聚类中心vj的欧氏距离;
聚类中心集合计算公式为:
该算法目标函数计为:
在上述的S4.证据回归预测模块,具体是指:
步骤1:从历史数据库中划分C个子域,去掉位于子域过渡区域的样本及离群样本,得到C个子域的类心、不同训练样本对C个子域的隶属度、不同训练样本的识别框架隶属度;
步骤2:对步骤1所得C个子域,构建子区域证据回归模型,得到个局部子区域的局部模型结构参数;
步骤3:对新输入x进行子区域判别,计算其各个子域及识别框架的隶属度;
步骤4:计算预测输出,对于新输入x,若存在某个子域i,该输入隶属于该子域的隶属度mi很大,即该输入对应的识别框架隶属度mΩ很小,则根据该子区域证据回归模型计算输出;若其识别框架隶属度mΩ较大,则该输入所对应的输出为多个子域对应输出与识别框架输出的加权值。区分上述两种情况的mΩ的阈值记为m;
步骤5:证据回归多模型的更新校正。
由于上述技术方案的运用,本发明与现有技术相比具有下列优点:
本发明所述系统考虑到影响负荷的多重不确定属性及其影响因素的模糊性,可以比较完整的掌握用户用电、用热、用气负荷规律。预测方法主要针对于负荷变化相关的各种关联因素,找出高关联度的影响因子,通过聚类挖掘用户用能行为,采用不同的结构参数反映不同负荷预测区域,为大规模可再生新能源并网后负荷高精度不确定预测提供新的解决思路。
附图说明
图1为一种基于证据回归多模型的多联供系统负荷预测方法总体流程框图;
图2为一种基于证据回归多模型的多联供系统负荷预测装置流框图。
具体实施方式
下面将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。
参照图1,本发明提供一种基于证据回归多模型的多联供系统负荷预测方法的具体技术实施方案,主要步骤包括:
S1.数据采集,即采集电、热、气负荷运行数据并进行聚类;
S2.数据预处理,即整理、筛选、清洗原始数据,基于聚类结果选取与电、热、气负荷相关的参数数据,构建离线数据库;
S3.关联性分析,即基于离线数据库,分析影响电、热、气负荷的影响因素,建立关联关系模型,用以确定电、热、气负荷影响因素;
S4.证据回归预测,即基于证据回归方法,建立多联供系统电、热、气负荷及其影响因素的证据库,从而对电、热、气负荷及其不确定区间进行预测。
在上述的S3.数据分析与处理模块,具体是指:
步骤1:通过灰色关联方法分析计算公式对电、热、气负荷和天气、工作日非工作日、时间、季节因素进行两两相关性计算,得到其关联相关系数,计算公式如下:
其中,ζi为变量xi与变量y之间的关联相关系数,ρ为分辨系数,其值在区间(0,1)之间,通常取ρ=0.5,i为数据库中某历史日,k为特征向量;
采用熵权法求客观权重ωk,并计算关联度γ,计算公式为:
其中,n为特征向量个数;
步骤2:采用主成分分析方法对输入的影响因素参数的数据进行降维处理;
步骤3:采用模糊C均值聚类方法,按聚类指标为xj,确定聚类数C、模糊加权参数m、阈值e,将样本集D={xj}划分为C个不同的子域,其中聚类中心集合表示为V0={vi|i=1,2,…,C},隶属度μij计算公式如下:
其中,dij表示dj与聚类中心vi的欧氏距离,dkj表示聚类中心vk与聚类中心vj的欧氏距离;
聚类中心集合计算公式为:
该算法目标函数计为:
在上述的S4.证据回归预测模块,具体是指:
步骤1:从历史数据库中划分C个子域,去掉位于子域过渡区域的样本及离群样本,得到C个子域的类心、不同训练样本对C个子域的隶属度、不同训练样本的识别框架隶属度;
步骤2:对步骤1所得C个子域,构建子区域证据回归模型,得到个局部子区域的局部模型结构参数;
步骤3:对新输入x进行子区域判别,计算其各个子域及识别框架的隶属度;
步骤4:计算预测输出,对于新输入x,若存在某个子域i,该输入隶属于该子域的隶属度mi很大,即该输入对应的识别框架隶属度mΩ很小,则根据该子区域证据回归模型计算输出;若其识别框架隶属度mΩ较大,则该输入所对应的输出为多个子域对应输出与识别框架输出的加权值。区分上述两种情况的mΩ的阈值记为m;
步骤5:证据回归多模型的更新校正。
参照图2,一种基于证据回归多模型的多联供系统负荷预测装置,包括用于执行步骤S1的数据采集模块、用于执行步骤S2的数据预处理模块、用于执行步骤S3的关联性分析模块以及用于执行步骤S4的证据回归预测模块。
综上所述:本发明所述系统考虑到影响负荷的多重不确定属性及其影响因素的模糊性,可以比较完整的掌握用户用电、用热、用气负荷规律。预测方法主要针对于负荷变化相关的各种关联因素,找出高关联度的影响因子,通过聚类挖掘用户用能行为,采用不同的结构参数反映不同负荷预测区域,为大规模可再生新能源并网后负荷高精度不确定预测提供新的解决思路。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于证据回归多模型的多联供系统负荷预测方法,其特征在于,主要步骤包括:
S1.采集电、热、气负荷运行数据并进行聚类;
S2.整理、筛选、清洗原始数据,基于聚类结果选取与电、热、气负荷相关的参数数据,构建离线数据库;
S3.基于离线数据库,分析影响电、热、气负荷的影响因素,建立关联关系模型;
S4.基于关联关系模型建立多联供系统电、热、气负荷及其影响因素的证据库,从而对电、热、气负荷及其不确定区间进行预测。
2.根据权利要求1所述的一种基于证据回归多模型的多联供系统负荷预测方法,其特征在于,在步骤S3中,具体是指:
步骤1:通过灰色关联方法分析计算公式对电、热、气负荷和天气、工作日非工作日、时间、季节因素进行两两相关性计算,得到其关联相关系数,计算公式如下:
其中,ζi为变量xi与变量y之间的关联相关系数,ρ为分辨系数,其值在区间(0,1)之间,通常取ρ=0.5,i为数据库中某历史日,k为特征向量;
采用熵权法求客观权重ωk,并计算关联度γ,计算公式为:
其中,n为特征向量个数;
步骤2:采用主成分分析方法对输入的影响因素参数的数据进行降维处理;
步骤3:采用模糊C均值聚类方法,按聚类指标为xj,确定聚类数C、模糊加权参数m、阈值e,将样本集D={xj}划分为C个不同的子域,其中聚类中心集合表示为V0={vi|i=1,2,…,C},隶属度μij计算公式如下:
其中,dij表示dj与聚类中心vi的欧氏距离,dkj表示聚类中心vk与聚类中心vj的欧氏距离;
聚类中心集合计算公式为:
该算法目标函数计为:
3.根据权利要求1所述的一种基于证据回归多模型的多联供系统负荷预测方法,其特征在于,在步骤S4中,具体是指:
步骤1:从历史数据库中划分C个子域,去掉位于子域过渡区域的样本及离群样本,得到C个子域的类心、不同训练样本对C个子域的隶属度、不同训练样本的识别框架隶属度;
步骤2:对步骤1所得C个子域,构建子区域证据回归模型,得到个局部子区域的局部模型结构参数;
步骤3:对新输入x进行子区域判别,计算其各个子域及识别框架的隶属度;
步骤4:计算预测输出,对于新输入x,若存在某个子域i,该输入隶属于该子域的隶属度mi很大,即该输入对应的识别框架隶属度mΩ很小,则根据该子区域证据回归模型计算输出;若其识别框架隶属度mΩ较大,则该输入所对应的输出为多个子域对应输出与识别框架输出的加权值。区分上述两种情况的mΩ的阈值记为m;
步骤5:证据回归多模型的更新校正。
4.一种基于证据回归多模型的多联供系统负荷预测装置,包括用于执行步骤S1的数据采集模块、用于执行步骤S2的数据预处理模块、用于执行步骤S3的关联性分析模块以及用于执行步骤S4的证据回归预测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431603.9A CN112508278A (zh) | 2020-12-07 | 2020-12-07 | 一种基于证据回归多模型的多联供系统负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431603.9A CN112508278A (zh) | 2020-12-07 | 2020-12-07 | 一种基于证据回归多模型的多联供系统负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508278A true CN112508278A (zh) | 2021-03-16 |
Family
ID=74970353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431603.9A Pending CN112508278A (zh) | 2020-12-07 | 2020-12-07 | 一种基于证据回归多模型的多联供系统负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508278A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912720A (zh) * | 2022-07-15 | 2022-08-16 | 石家庄科林电气股份有限公司 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
-
2020
- 2020-12-07 CN CN202011431603.9A patent/CN112508278A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912720A (zh) * | 2022-07-15 | 2022-08-16 | 石家庄科林电气股份有限公司 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
CN115983448B (zh) * | 2022-12-14 | 2023-09-12 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pinto et al. | Transfer learning for smart buildings: A critical review of algorithms, applications, and future perspectives | |
Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
Li et al. | Self-attention ConvLSTM and its application in RUL prediction of rolling bearings | |
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Sheng et al. | Short-term load forecasting based on SARIMAX-LSTM | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
Gendeel et al. | Deterministic and probabilistic interval prediction for wind farm based on VMD and weighted LS-SVM | |
Li et al. | A two-tier wind power time series model considering day-to-day weather transition and intraday wind power fluctuations | |
Li et al. | Deep spatio-temporal wind power forecasting | |
Pei et al. | Short-term regional wind power forecasting based on spatial–temporal correlation and dynamic clustering model | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
Zhang et al. | Adaptive and dynamic adjustment of fault detection cycles in cloud computing | |
Wang et al. | Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
Kader et al. | Active power control strategy for wind farms based on power prediction errors distribution considering regional data | |
CN116485075A (zh) | 一种基于fts的电网负荷预测方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
Raghuvamsi et al. | Distribution system state estimation with Transformer-Bi-LSTM-based imputation model for missing measurements | |
Yu et al. | An anomaly detection method for spacecraft solar arrays based on the ILS-SVM model |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210316 |