CN112633577A - 一种短期家庭用电负荷预测方法、系统、存储介质及设备 - Google Patents

一种短期家庭用电负荷预测方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN112633577A
CN112633577A CN202011541058.9A CN202011541058A CN112633577A CN 112633577 A CN112633577 A CN 112633577A CN 202011541058 A CN202011541058 A CN 202011541058A CN 112633577 A CN112633577 A CN 112633577A
Authority
CN
China
Prior art keywords
particle
error
training
prediction
threshold
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
CN202011541058.9A
Other languages
English (en)
Inventor
闫秀英
景媛媛
党苗苗
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202011541058.9A priority Critical patent/CN112633577A/zh
Publication of CN112633577A publication Critical patent/CN112633577A/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
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种短期家庭用电负荷预测方法、系统、存储介质及设备，确定BP神经网络的架构，选定训练集样本、测试集样本和相关参数；然后对粒子群进行初始化；根据初始化后的参数确定粒子个体历史极值和群体历史极值；根据计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbest位置为最优权值和阈值；对获得的最优权值和阈值进行BP神经网络训练；对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，当平均相对误差满足预先设定的误差允许范围，停止迭代，结束训练，通过误差判断输出预测结果，完成负荷预测。本发明结构简单，增强了预测结果的可靠性。

Description

一种短期家庭用电负荷预测方法、系统、存储介质及设备
技术领域
本发明属于电荷预测技术领域，具体涉及一种短期家庭用电负荷预测方法、系统、存储介质及设备。
背景技术
随着我国电力体制、机制逐渐深化改革，电力平台建设不断创新与实践，数字化和信息化的电网时代已经步入正轨，智能电网已进入千家万户。继而电力负荷预测领域也随之有了较大的进步，短期负荷预测因其具有自身的独特性，而且对电力网络安全平稳运行有着重要的影响，所以预测接下来的几个小时甚至几天的电能负荷，制定相应的短期调度计划，并且可以在出现意外情况时及时应对，这将对于电力系统在建设过程和可靠运行过程起到重要作用。因此，急需一种短期家庭用电负荷预测的新方法。
目前，智能家庭用电领域提出了多种短期家庭用电负荷预测的模型和优化算法，以推进用户侧用电优化的研究，但是当前智能用电数据环境下依然存在用电负荷预测精度不准确的问题。针对这个问题，考虑到粒子群算法(PSO)由于自学能力强，收敛速度快，且能以较大的概率收敛于全局最优解，与遗传算法等进化算法相比较，PSO采用的速度-位移模型操作简单，避免了复杂的交叉变异操作，经常会用于多种预测问题中，但在实际应用中容易出现算法陷入局部最优，导致所选的最优参数不准确的问题，对此需要对基本粒子群算法进行改进。除此之外，考虑到BP神经网络有着较为良好的非线性映射能力、高度的自适应自学习能力、良好的泛化能力，以及容错能力的优点常常应用于电力负荷预测中，但同时存在着隐含层神经元数目不易确定、输入量丢失导致预测精度下降的缺点。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种短期家庭用电负荷预测方法、系统、存储介质及设备，解决短期家庭负荷预测精度不高的问题。
本发明采用以下技术方案：
一种短期家庭用电负荷预测方法，包括以下步骤：
S1、确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；
S2、根据步骤S1设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；
S3、步骤S2初始化完成后计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；
S4、根据步骤S3计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbest位置为最优权值和阈值；
S5、对步骤S4获得的最优权值和阈值进行BP神经网络训练；
S6、根据步骤S5得到的训练结果对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，当平均相对误差满足预先设定的误差允许范围，停止迭代，结束训练，通过误差判断输出预测结果，完成负荷预测。
具体的，步骤S1中，将样本数据中的80％作为训练集，将样本数据中的20％作为测试集，对未来24小时进行预测。
具体的，步骤S3中，适应度函数F如下：
Figure BDA0002854590120000031
其中，T为训练样本总数，D为输出层节点数，Nij、Mij分别是预测输出数据和实际输出数据。
具体的，步骤S4中，粒子通过跟踪两个极值进行更新，即个体的历史最优解和全局的历史最优解，分别得到个体极值和全局极值，找到当前两个最优值后，粒子更新自我位置和速度状态如下：
Figure BDA0002854590120000032
其中，vi+1是粒子的速度；xi是粒子的位置；pbest是各个粒子到目前迭代次数为止的最优位置；gbest是整个群体中所有粒子得到的最优位置；r1和r2是介于[0,1]的随机数；vi+1表示第i+1个粒子速度，xi+1表示第i+1个粒子的位置；c1和c2是学习因子；ω为惯性因子。
具体的，步骤S5具体为：
确定网络拓扑结构并初始化权值和阈值，更新权值及阈值，计算误差，对权值和阈值进行更新，如果满足条件，输出预测结果。
进一步的，选用平均绝对误差MAE、平均绝对百分误差MAPE和均方根误差RMSE进行综合评判，具体如下：
Figure BDA0002854590120000033
Figure BDA0002854590120000034
Figure BDA0002854590120000035
其中，n为预测点个数，即样本个数；Y(t)为预测时刻点t的实际负荷值；Y*(t)为t时刻负荷的预测值。
进一步的，更新权值及阈值具体为：
确定网络拓扑结构并初始化权值和阈值，把学习方式提供给网络，然后计算隐含层、输出层各单元输入和输出，通过计算输出层和隐含层各单元一般化误差，先对隐含层至输出层各单元连接权值和输出层各单元阈值进行更新，再对输入层至隐含层各单元连接权值和隐含层各单元阈值进行更新。
本发明的另一个技术方案是，一种短期家庭用电负荷预测系统，包括：
预处理模块，确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；
初始化模块，根据设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；
评价模块，根据初始化后的参数计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；
迭代模块，根据计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbest位置为最优权值和阈值；
训练模块，对获得的最优权值和阈值进行BP神经网络训练；
比较模块，根据BP神经网络训练结果，对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，当平均相对误差满足预先设定的误差允许范围，停止迭代，结束训练，通过误差判断输出预测结果，完成负荷预测。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明针对当前智能用电数据环境下存在的用电负荷预测精度不准确的问题，提出了一种基于改进PSO-BP的短期负荷预测新方法。该方法对传统PSO算法的学习因子和惯性权重同时进行改进，并将其用于BP神经网络的预测模型参数的确定，实现了对短期家庭负荷的精确预测。其具有以下优点：
第一、提出基于改进PSO-BP算法的短期家庭负荷预测方法，使得改进PSO-BP的电能预测模型更加具有实用性和可操作性，具有很强的现实意义。
第二、采用非线性的动态惯性权重系数来平衡PSO算法的局部改良能力和全局搜索能力，加强了算法在种群进化前期的全局搜索能力和后期的局部搜索能力，在避免算法过早收敛的同时也保存了种群的多样化，继而保证了模型的预测精度。
第三、提出随迭代次数增加来改进学习因子的方法，在搜索前期c_1取较大值，c_2取较小值，目的是让粒子全局搜索能力增强；而在后期恰恰相反，c_1取较小值，c_2取较大值，使粒子主要向全局最优个体最佳位置靠拢，使粒子局部搜索能力增强。
第四、把提出的改进PSO-BP的短期负荷预测的方法应用于BP神经网络的预测模型参数的确定，有效提高了模型的准确性、稳定性和鲁棒性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的改进粒子群算法的学习因子趋势图；
图2为本发明的3层BP神经网络模型拓扑结构图；
图3为本发明的基于改进PSO-BP算法流程图；
图4为本发明的预测结果图，其中，(a)为BP模型预测结果，(b)为PSO-BP模型预测结果，(c)为改进PSO-BP模型预测结果对比图；
图5为本发明的BP、PSO-BP以及改进PSO-BP模型连续五天负荷预测结果RMSE对比柱状图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
1、标准粒子群算法
粒子群算法是一种进行高效并行搜索的新兴优化算法，它基于群体智能理论，是对简单社会系统的模拟，通过群体中粒子间的合作与竞争来指导优化搜索。
粒子群算法基本思想是：初始化m个随机粒子，然后把所有的粒子统一放到一个D维的目标搜索空间中，其中第i个粒子的位置表示为一个D维的向量，表示为xi＝(x1,x2,...xi)i＝1,2,...m；第i个粒子的“飞行”速度也是一个D维的向量，记为vi＝(v1,v2,...vi)i＝1,2,...m，种群中每个粒子的位置xi代表目标在D维搜索空间中的一个可行解。之后再将xi代入相应的目标函数里求出每个粒子的适应度值，通过所求适应度值的大小评判xi是否为当前最优解。随后逐步迭代直至找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己，即个体的历史最优解和全局的历史最优解，当找到当前两个最优值后，粒子根据下面的公式来更新自我位置和速度状态：
Figure BDA0002854590120000071
其中，vi+1是粒子的速度；xi是粒子的位置；pbest是各个粒子到目前迭代次数为止的最优位置；gbest是整个群体中所有粒子得到的最优位置；r1和r2是介于[0,1]的随机数；vi+1表示第i+1个粒子速度，xi+1表示第i+1个粒子的位置；c1和c2是学习因子，分别决定了局部搜索能力和全局搜索能力；w为惯性因子，取值介于[0,1]，会随着迭代循环逐渐减小。
2、改进粒子群算法
(1)惯性权重的改进
惯性权重w用于控制上一次迭代对下一次迭代粒子速度的影响，当w越大，全局搜索能力越强，不易陷入局部最优；当w越小，局部搜索能力越强，算法收敛速度越快，因此它的取值对PSO整体的收敛性有很大影响。本发明采用非线性的动态惯性权重系数来平衡PSO算法的局部改良能力和全局搜索能力，具体公式如下：
Figure BDA0002854590120000081
其中，wmax,wmin分别表示w的最大值和最小值，fmean表示粒子当前的适应度值，fv和fmin分别表示当前全部粒子的平均适应度值和最小适应度值，w随着粒子的适应度值变化也发生改变。当粒子的fmean趋于局部最优或者一致时w增加，反之减小。fmean优于fv的粒子，与其对应的w较小，从而保护了该粒子；而低于fv的粒子，与其对应的w较大，使得该粒子会朝较好的搜索区域移动。
(2)学习因子的改进
学习因子c1和c2分别代表粒子对自身和对群体学习认知的能力，随着算法迭代次数的增加,c1减小可以提高迭代初期粒子的个体学习能力；c2增加可以提高迭代后期粒子对群体的学习能力。本发明改进学习因子的方法如下：
Figure BDA0002854590120000082
其中，t为当前迭代次数，Tmax为最大迭代次数。由1.3+1.2cosx＝2-1.2cos,x∈[0,π],解得x≈0.47π。因此，当1≤t≤0.47Tmax时，c1>c2；0.47Tmax≤t≤Tmax时，c1<c2。在搜索前期c1取较大值，c2取较小值，目的是让粒子自己多向最优的pbest学习，向gbest学习少一些，使粒子全局搜索能力增强；而在后期恰恰相反，c1取较小值，c2取较大值，使粒子主要向全局最优gbest位置靠拢，使粒子局部搜索能力增强。改进粒子群算法的学习因子的趋势图详见图1。
综合以上，对粒子群算法(PSO)惯性权重和学习因子2个方向的改进可以使算法在迭代初期的粒子群体大范围搜索解空间，后期快速聚拢于最优解，提高了算法各方面的性能。
3、改进PSO-BP电能预测模型的建立
(1)BP神经网络模型与结构
反向传播网络(Back propagation Network，BP)主要基于非线性规划中的梯度下降法的基本思想而生，在神经网络学习训练中被频繁地采用，是一种相对比较成熟的训练算法。
BP网络主要原理为：采用误差的反向传播来构建多层前馈神经网络，通过不断调整各神经元之间的权值和阈值，使误差沿梯度方向下降，经过反复的学习与训练，最终使得经过网络所产生的最终输出与预期结果间的误差平方和达到最小。其中，输入层的主要任务就是接收来自输入的训练样本的信号，并将这些输入信号传递到隐含层中；隐含层的任务是将输入层传递过来的信号进行权值的线性叠加，然后将其叠加后的结果作为隐含层的输入并交由隐含层的激活函数处理，最终将由激活函数处理后的结果传递到输出层。在最开始训练的时候首先要预先设定一个期望的输出量，再经过一次正向传播的训练后会产生实际的输出量，通过比较神经网络的实际输出量与预设的期望输出量，进而判断输出值与预期值之间的误差是否在设定的误差范围内，如果确定两者的误差在初始设定的误差范围内时，即意味着训练结束，网络参数也可以确定。典型的3层BP神经网络模型拓扑结构详见图2。
BP神经网络是一种多层前馈神经网络，它由输入层、隐含层和输出层组成，层与层之间采用全互连方式，同一层之间不存在相互连接。其中，隐含层神经元的个数可以通过如下公式确定其范围，之后再根据均方误差确定效果最佳的隐含层节点数。
Figure BDA0002854590120000101
其中，K、M、N分别为隐含层、输入层和输出层的节点数，D为范围[1,10]的常数。
(2)数据处理及评价指标
输入负荷样本数据的量纲和数据级别存在差异，因此为了提高模型的收敛速度，需要对训练样本进行归一化处理。本发明将样本按min-max标准化进行归一化处理，使每种影响因素在相同的数值变化范围内，具体公式如下：
Figure BDA0002854590120000102
其中，X′i为归一化处理后的数据；Xi为待处理的数据；Xmax为样本数据中的最大值；Xmin为样本数据的最小值。
为了更好地量化评估各个预测算法的优化效果，本发明共选用三个评估标准来进行综合评判：即平均绝对误差(Mean Absolute Error，MAE)、平均绝对百分误差(MeanAbsolute Percentage Error，MAPE)和均方根误差(Root mean squareerror，RMSE)，其计算公式如下：
Figure BDA0002854590120000111
Figure BDA0002854590120000112
Figure BDA0002854590120000113
其中，n为预测点个数，即样本个数；Y(t)为预测时刻点t的实际负荷值；Y*(t)为t时刻负荷的预测值。
(3)建立短期负荷预测模型
请参阅图3，本发明一种短期家庭用电负荷预测方法，包括以下步骤：
S1、确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集和测试集样本，设定目标误差、学习速率和最大迭代次数；
S2、根据步骤S1设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；
S3、根据步骤S2初始化完成设置的参数，计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；
适应度函数F如下：
Figure BDA0002854590120000114
其中，T为训练样本总数，D为输出层节点数，Nij、Mij分别是预测输出数据和实际输出数据。
S4、根据步骤S3计算得到的适应度值，用粒子群公式更新粒子的位置和速度，当到达预设的误差范围或者完成最大迭代次数，则完成迭代，此时的gbest位置为最优权值和阈值；否则返回步骤S3；
S5、从步骤S4中选出最优权值和阈值进行BP神经网络训练；
S6、根据步骤S5得到的训练结果，把实际负荷值和预测负荷值相比较，计算出预测日的平均相对误差。
基于改进PSO-BP算法的短期家庭负荷预测
针对传统BP神经网络在短期负荷预测应用中存在模型参数不易确定的问题，将改进权重的粒子群算法与BP神经网络相结合，不仅避免了PSO陷入局部最优和BP神经网络选参的盲目性，也增强了粒子群算法前后期的搜索能力，最后将其应用于短期负荷预测中，并通过预测值与真实值进行对比测试其性能。
本发明分别用BP、PSO-BP和改进PSO-BP对训练样本进行训练，结果中的预测和实际输出均为归一化后的值，测试结果如图4所示，可以明显看出改进后的PSO-BP电能预测模型及方法预测更加精准。
表1：BP、PSO-BP以及改进PSO-BP的预测结果对比
Figure BDA0002854590120000121
Figure BDA0002854590120000131
表1是三种算法预测误差结果的对比，可以看出PSO-BP预测的相对误差范围是[-1.25,0.67]，改进PSO-BP预测的相对误差范围是[-0.65,0.67]，这2种方法的预测结果都在短期电力负荷预测所能允许的误差范围内。但是未经优化的BP预测的相对误差范围是[-1.99,2.48]，误差较大，如果作为预测方法来进行最优选择，它缺乏负荷预测所需要的可靠性、稳定性，而且预测值波动性较大，这种方法则不可取。
本发明为了更好地量化评估各个预测算法的优化效果，选用平均绝对误差(MeanAbsolute Error，MAE)、平均绝对百分误差(Mean Absolute Percentage Error，MAPE)和均方根误差(Root mean squareerror，RMSE)三个评估标准来进行综合评判，3种预测算法分别对三个指标进行性能对比的预测结果如表2所示，可以明显看出改进后的PSO-BP模型预测曲线与目标曲线重合度更高，预测误差较小，预测结果更加准确。与BP方法相比，PSO-BP方法避免了选取参数时会出现由于人工经验不足而导致的模型参数不准确的问题，MAPE指标降低了0.8％，由此体现了采用智能优化算法选取模型参数的必要性；改进PSO-BP方法与PSO-BP方法比较，MAPE降低了0.08％，验证了本发明改进PSO-BP算法的有效性。
表2：BP、PSO-BP以及改进PSO-BP模型的三种评价指标结果对比
模型 MAE(％) MAPE(％) RMSE(％)
BP 1.72 1.05 0.0197
PSO-BP 0.48 0.30 0.0057
改进PSO-BP 0.37 0.22 0.0049
本发明为了验证该模型的泛用性，分别对11月8日～11月12日的前一日24h进行负荷预测，得到的各模型定量评价结果如表3和图5所示。
表3：各模型连续五天负荷预测MAPE结果
Figure BDA0002854590120000141
Figure BDA0002854590120000151
表3给出了3种方法连续5天负荷预测结果的MAPE值，可以明显看出改进PSO-BP方法5天预测结果的MAPE平均值比其他两种方法低，说明了改进PSO-BP方法用来预测短期负荷的泛化能力更强，精确度更高。图5给出了负荷预测结果RMSE对比柱状图，可以直观的看出改进PSO-BP模型的RMSE指标在所有日期都低于其他预测方法，鲁棒性更高。
本发明再一个实施例中，提供一种短期家庭用电负荷预测系统，该系统能够用于实现上述短期家庭用电负荷预测，具体的，该短期家庭用电负荷预测系统包括预处理模块、初始化模块、评价模块、迭代模块、训练模块以及比较模块。
其中，预处理模块，确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；
初始化模块，根据设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；
评价模块，根据初始化后的参数计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；
迭代模块，根据计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbest位置为最优权值和阈值；
训练模块，对获得的最优权值和阈值进行BP神经网络训练；
比较模块，根据BP神经网络训练结果，对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，当平均相对误差满足预先设定的误差允许范围，停止迭代，结束训练，通过误差判断输出预测结果，完成负荷预测；若不满足预设误差，则返回S4更新最优的权值和阈值，重新对BP神经网络进行训练。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于短期家庭用电负荷预测的操作，包括：确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；根据设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；根据初始化后的参数计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；根据计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbesti位置为最优权值和阈值；对获得的最优权值和阈值进行BP神经网络训练；根据BP神经网络训练结果，对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关短期家庭用电负荷预测的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；根据初始化后的参数计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；根据计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbesti位置为最优权值和阈值；对获得的最优权值和阈值进行BP神经网络训练；根据BP神经网络训练结果，对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，。
综上所述，本发明一种短期家庭用电负荷预测方法、系统、存储介质及设备，针对传统BP神经网络在短期负荷预测应用中存在模型参数不易确定以及粒子群算法容易陷入局部最优的问题，提出将改进权重的粒子群算法与BP神经网络相结合的新方法，整个预测模型不仅结构简单，同时具有非线性映射能力和全局搜索能力，增强了预测结果的可靠性，不仅避免了PSO陷入局部最优和BP神经网络选参的盲目性，也增强了粒子群算法前后期的搜索能力，最后将其应用于短期负荷预测中，具有适用性及预测的准确性。
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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种短期家庭用电负荷预测方法，其特征在于，包括以下步骤：
S1、确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；
S2、根据步骤S1设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；
S3、步骤S2初始化完成后计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；
S4、根据步骤S3计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbest位置为最优权值和阈值；
S5、对步骤S4获得的最优权值和阈值进行BP神经网络训练；
S6、根据步骤S5得到的训练结果对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，当平均相对误差满足预先设定的误差允许范围，停止迭代，结束训练，通过误差判断输出预测结果，完成负荷预测。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，将样本数据中的80％作为训练集，将样本数据中的20％作为测试集，对未来24小时进行预测。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，适应度函数F如下：
Figure FDA0002854590110000011
其中，T为训练样本总数，D为输出层节点数，Nij、Mij分别是预测输出数据和实际输出数据。
4.根据权利要求1所述的方法，其特征在于，步骤S4中，粒子通过跟踪两个极值进行更新，即个体的历史最优解和全局的历史最优解，分别得到个体极值和全局极值，找到当前两个最优值后，粒子更新自我位置和速度状态如下：
Figure FDA0002854590110000021
其中，vi+1是粒子的速度；xi是粒子的位置；pbest是各个粒子到目前迭代次数为止的最优位置；gbest是整个群体中所有粒子得到的最优位置；r1和r2是介于[0,1]的随机数；vi+1表示第i+1个粒子速度，xi+1表示第i+1个粒子的位置；c1和c2是学习因子；ω为惯性因子。
5.根据权利要求1所述的方法，其特征在于，步骤S5具体为：
确定网络拓扑结构并初始化权值和阈值，更新权值及阈值，计算误差，对权值和阈值进行更新，如果满足条件，输出预测结果。
6.根据权利要求5所述的方法，其特征在于，选用平均绝对误差MAE、平均绝对百分误差MAPE和均方根误差RMSE进行综合评判，具体如下：
Figure FDA0002854590110000022
Figure FDA0002854590110000023
Figure FDA0002854590110000024
其中，n为预测点个数，即样本个数；Y(t)为预测时刻点t的实际负荷值；Y*(t)为t时刻负荷的预测值。
7.根据权利要求5所述的方法，其特征在于，更新权值及阈值具体为：
确定网络拓扑结构并初始化权值和阈值，把学习方式提供给网络，然后计算隐含层、输出层各单元输入和输出，通过计算输出层和隐含层各单元一般化误差，先对隐含层至输出层各单元连接权值和输出层各单元阈值进行更新，再对输入层至隐含层各单元连接权值和隐含层各单元阈值进行更新。
8.一种短期家庭用电负荷预测系统，其特征在于，包括：
预处理模块，确定BP神经网络的架构，对样本数据进行归一化预处理，选定训练集样本和测试集样本，确定目标误差、学习速率和最大迭代次数；
初始化模块，根据设定的训练集样本、测试集样本以及目标误差、学习速率和最大迭代次数对粒子群进行初始化；包括粒子群规模N、每个粒子的位置xi和速度vi；
评价模块，根据初始化后的参数计算每个粒子的适应度值F，并对所有粒子进行评价，确定粒子个体历史极值和群体历史极值；
迭代模块，根据计算得到的适应度值F更新粒子的位置和速度，当到达预设的误差范围或完成最大迭代次数后迭代完成，此时的gbest位置为最优权值和阈值；
训练模块，对获得的最优权值和阈值进行BP神经网络训练；
比较模块，根据BP神经网络训练结果，对实际负荷值和预测负荷值进行比较，计算出预测日的平均相对误差，当平均相对误差满足预先设定的误差允许范围，停止迭代，结束训练，通过误差判断输出预测结果，完成负荷预测。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
CN202011541058.9A 2020-12-23 2020-12-23 一种短期家庭用电负荷预测方法、系统、存储介质及设备 Pending CN112633577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011541058.9A CN112633577A (zh) 2020-12-23 2020-12-23 一种短期家庭用电负荷预测方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011541058.9A CN112633577A (zh) 2020-12-23 2020-12-23 一种短期家庭用电负荷预测方法、系统、存储介质及设备

Publications (1)

Publication Number Publication Date
CN112633577A true CN112633577A (zh) 2021-04-09

Family

ID=75321850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011541058.9A Pending CN112633577A (zh) 2020-12-23 2020-12-23 一种短期家庭用电负荷预测方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112633577A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269365A (zh) * 2021-06-02 2021-08-17 西安建筑科技大学 一种基于麻雀优化算法的短期空调负荷预测方法及系统
CN113609767A (zh) * 2021-07-30 2021-11-05 中国传媒大学 一种基于粒计算的小样本学习方法
CN113887814A (zh) * 2021-10-18 2022-01-04 广东电网有限责任公司 一种趋势与波动分治的家庭负荷短期预测方法
CN113902191A (zh) * 2021-10-09 2022-01-07 国网江西省电力有限公司经济技术研究院 一种综合能源系统多元负荷中长期预测方法及装置
CN115967077A (zh) * 2022-08-30 2023-04-14 湖南农业大学 一种短期预测电力负荷预测方法及系统
CN116596044A (zh) * 2023-07-18 2023-08-15 华能山东发电有限公司众泰电厂 基于多源数据的发电负荷预测模型训练方法及装置
WO2024027503A1 (zh) * 2022-08-01 2024-02-08 万帮数字能源股份有限公司 家庭用电负荷预测方法和装置
CN117933099A (zh) * 2024-03-21 2024-04-26 深圳市智仁科技有限公司 一种主板电源的输出方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269365A (zh) * 2021-06-02 2021-08-17 西安建筑科技大学 一种基于麻雀优化算法的短期空调负荷预测方法及系统
CN113269365B (zh) * 2021-06-02 2023-06-16 西安建筑科技大学 一种基于麻雀优化算法的短期空调负荷预测方法及系统
CN113609767A (zh) * 2021-07-30 2021-11-05 中国传媒大学 一种基于粒计算的小样本学习方法
CN113902191A (zh) * 2021-10-09 2022-01-07 国网江西省电力有限公司经济技术研究院 一种综合能源系统多元负荷中长期预测方法及装置
CN113887814A (zh) * 2021-10-18 2022-01-04 广东电网有限责任公司 一种趋势与波动分治的家庭负荷短期预测方法
WO2024027503A1 (zh) * 2022-08-01 2024-02-08 万帮数字能源股份有限公司 家庭用电负荷预测方法和装置
CN115967077A (zh) * 2022-08-30 2023-04-14 湖南农业大学 一种短期预测电力负荷预测方法及系统
CN116596044A (zh) * 2023-07-18 2023-08-15 华能山东发电有限公司众泰电厂 基于多源数据的发电负荷预测模型训练方法及装置
CN116596044B (zh) * 2023-07-18 2023-11-07 华能山东泰丰新能源有限公司 基于多源数据的发电负荷预测模型训练方法及装置
CN117933099A (zh) * 2024-03-21 2024-04-26 深圳市智仁科技有限公司 一种主板电源的输出方法
CN117933099B (zh) * 2024-03-21 2024-06-07 深圳市智仁科技有限公司 一种主板电源的输出方法

Similar Documents

Publication Publication Date Title
CN112633577A (zh) 一种短期家庭用电负荷预测方法、系统、存储介质及设备
CN109102126B (zh) 一种基于深度迁移学习的理论线损率预测模型
CN113408648B (zh) 一种结合深度学习的机组组合计算方法
CN110504676B (zh) 一种基于apso-bp的配电网状态估计方法
CN103729695A (zh) 基于粒子群和bp神经网络的短期电力负荷预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113722980B (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN113420508B (zh) 一种基于lstm的机组组合计算方法
CN111553469A (zh) 一种无线传感器网络数据融合方法、装置和存储介质
CN111897240B (zh) 一种基于核动力系统运行的仿真方法及系统
CN115940294B (zh) 多级电网实时调度策略调整方法、系统、设备及存储介质
CN108182490A (zh) 一种大数据环境下的短期负荷预测方法
CN115085202A (zh) 电网多区域智能功率协同优化方法、装置、设备及介质
CN113141012A (zh) 基于深度确定性策略梯度网络的电网潮流调控决策推理方法
CN115860170A (zh) 一种考虑电力电子负载的配电系统电能质量优化方法
CN114384931B (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
Thangavelusamy et al. Comparison of PI controller tuning using GA and PSO for a Multivariable Experimental Four Tank System
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN115528750A (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
CN114386631A (zh) 电力负荷故障的抢修方法、装置及电子设备
Mahmudh et al. Improved Extreme Learning Machine Power Load Forecasting Based on Firefly Optimization Algorithms
CN113054653A (zh) 基于VGGNet-SVM的电力系统暂态稳定评估方法
Jia et al. Research on short term load forecasting model based on Adaptive Neuro Fuzzy Inference System
Shu et al. Short-term load forecasting based on RBFNN and QPSO
Ji et al. Neural Network Based on Immune Algorithm for Restoration in the Power Distribution System

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