CN113011680A - 一种电力负荷预测方法及系统 - Google Patents
一种电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN113011680A CN113011680A CN202110414529.8A CN202110414529A CN113011680A CN 113011680 A CN113011680 A CN 113011680A CN 202110414529 A CN202110414529 A CN 202110414529A CN 113011680 A CN113011680 A CN 113011680A
- Authority
- CN
- China
- Prior art keywords
- power load
- parameters
- data
- prediction model
- load prediction
- 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
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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
Abstract
本发明公开了一种电力负荷预测方法及系统。过初步分析,初选影响电力负荷的影响因素;从历史数据库中获得影响因素的长期历史数据,借助于互信息关联分析,去掉冗余的相关变量和与电力负荷关联性不大的变量,筛选岀电力负荷预测模型的输入变量;在此基础上,采用支持向量机和自适应模拟退火粒子群算法建立电力负荷的预测模型,实现对未来电力负荷的实时预测。通过本发明,能够有效地及时地指导电厂对于电力的合理分配,提高电力运输效率。
Description
技术领域
本发明涉及电力负荷预测领域,特别涉及一种电力负荷预测方法及系统。
背景技术
电力负荷预测是电力系统运行和规划的基础,准确的负荷预测可以保证电力系统安全稳定运行,降低发电成本,提高经济效益。随着电力行业的发展、分布式能源的增多,短期负荷预测工作显得愈发重要。考虑到电力负荷数据的非线性、异方差、非平稳等特点,短期负荷预测难度也显著增加。
然而,电力负荷数据一般具有一定的周期性如周周期性、月周期性和年周期性,同时电力负荷也会受到多方面外界因素如温度、天气、节假日以及用户行为等的影响,而表现出一定的随机性。这样的随机性导致的不确定性显著增加了短期负荷预测的难度。
发明内容
本发明的目的在于提供一种电力负荷预测方法及系统,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种电力负荷预测方法,其特征在于,包括以下步骤:
收集电力负荷影响因子:采集电力负荷在时间段T内的原始历史负荷数据,以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N,其中,T的单位为天;
采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷预测模型,将电力负荷数据集N以9:1的比例划分为训练集以及测试集。将训练集中对应电力负荷历史数据的影响参数作为输入变量,输入电力负荷模型中进行训练,训练完成后通过测试集,对训练结果进行测试;
选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型,输出对应的电力负荷。
进一步的,数据集N包括最高温度、最低温度和平均温度,相对湿度和降雨量以及日期类型。
进一步的,筛选对应电力负荷的历史数据的影响参数的步骤包括:
根据电力负荷的基本参数,初选8个负荷参数作为电力负荷的影响参数;其中,8个负荷参数分别为最高温度、最低温度和平均温度,相对湿度和降雨量,负荷地区,天气类型以及日期类型;
对影响参数进行数据去重和异常值去除,删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据;
根据互信息理论,对初选的影响参数进行数据特征量的提取,计算各影响参数的权重,选取权重大于预设阈值的影响参数作为电力负荷测量模型的输入变量。
进一步的,作为飞灰含碳量测量模型的输入变量的六个影响参数分别为:最高温度、最低温度和平均温度,相对湿度和降雨量以及日期类型。
进一步的,在采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷测量模型的步骤中,构建支持向量机的电力负荷预测模型,通过自适应模拟退火粒子群优化算法对电力负荷预测模模型进行优化,构建支持向量机的电力负荷预测模具体包括步骤:
步骤1:支持向量机核函数的内积公式如下所示:
Φ(xi)T·Φ(xj)=K(xi,xj)
其中,Φ(x)为非映射关系,K(xi,xj)为支持向量机的核函数。
ε决定了SVM支持向量的泛化能力和个数,若预测值和实测值的误差在ε范围内,则定义损失为0;
步骤3:通过将样本空间映射到另一高维空间并实现相应的线性回归分析后,利用反向还原使初始样本数据完成回归运算,该过程所表达的函数关系如以下公式所示:
f(x)=w·Φ(x)+b
步骤4:通过加入松弛因子ξi=(ξ1,···ξn),i=1,2,···,n,将带约束的最优化目标函数问题做如以下公式表达:
其中,w,b为权向量和偏置量,c为与拟合度保持正相关性的惩罚参数;
步骤5:拉格朗日因子L的极值应符合Karush-Kuhn-Tucker条件(KKT条件),即将Lagrange乘数法所处理涉及等式的约束优化问题推广至不等式,最佳解的必要条件包括Lagrange函数的定常方程式、原始可行性、对偶可行性以及互补松弛性,以期达到对的最大化;
转换成相应的对偶问题,如下公式所述:
把w,b代入f(x)=w·Φ(x)+b中。从而得到具有核函数的非线性SVM表达式:
进一步的,通过自适应模拟退火粒子群优化算法对电力负荷预测模型进行优化的步骤中,是通过自适应模拟退火粒子群优化算法对电力负荷预测模型的SVM表达式中的径向基核函数参数g、惩罚系数C进行调整优化。
进一步的,通过自适应模拟退火粒子群优化算法对电力负荷预测模型进行优化的步骤包括:
1):粒子群参数初始化;其中,设置搜索空间及搜索速度的边界值,设置种群规模Size及最大迭代次数kmax;随机产生种群中所有粒子的初始位置和初始速度;
2):确定适应度函数;其中,适应度函数为通过电力负荷预测模型预测的电力负荷和数据集中对应的真实电力负荷的均方差;
3):评价全局粒子的适应度值并记录Gmax,并根据以下公式设置模拟退火的初始温度.
其中T为初始温度.每次迭代后计算更新后位置的内能(适应度)与种群最优点内能的差距;
4):根据以下公式自适应改变粒子群算法中惯性权重系数ω,自身认知因子c1和社会认知因子c2.
ω=(ωmax+ωmin)/2+tanh(-4+8*(kmax-k)/kmax)(ωmax-ωmin)/2
其中,ωmax,ωmin是惯性权重系数的最大值和最小值,k是当前迭代次数,kmax是最大迭代次数;
c1=c1max-k(c1max-c1min)/kmax
c2=c2min-k(c2min-c2max)/kmax
其中,c1max,c1min是自我学习因子的最大值和最小值,c2max,c2min分别社会学习因子的最大值和最小值;
5):根据以下公式改变粒子速度,再进行一次迭代寻优,计算移动后粒子的适应度
vi(k+1)=ωvi(k)+c1r1(Pbest.i(k)-xi(k))+c2r2(Gbest-xi(k))
其中,ω为惯性权重系数;c1、c2分别是自身认知因子和社会认知因子,是控制PSO的迭代最重要参数.;xi(k)和vi(k)分别代表第i个粒子第k次迭代时的位置和速度;r1和r2为rand();Pbest.i为第i个粒子个体最优位置;Gbest为种群最佳位置;
6):根据以下公式更新粒子的自身的历史最优位置;
7):根据以下公式计算接受新解的概率pi(k);
其中,Ei(k)表示第i个粒子在第k次迭代时的内能,即当前粒子的适应度值,Eg表示当前种群最优点的内能,Ti表示当前温度;
8):以模拟退火算法中的Metropolis准则为依据,对比概率pi(k)与rand()判断是否由产生的新解替代全局最优解进行退火操作,更新温度;
9):判断是否达到最大迭代次数kmax,若未达到返回步骤4;
10):输出当前最优粒子,即寻优结果,当优化结束,支持向量机回归的电力负荷预测模型将利用自适应模拟退火粒子群优化算法所寻得的在适应度函数意义下的最优参数组合预测电力负荷。
进一步的,一种电力负荷预测系统,包括:
电力负荷影响因子收集模块用于采集电力负荷在时间段T内的原始历史负荷数据,以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N,其中,T的单位为天;
电力负荷预测模型建立模块用于采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷预测模型,将训练集中对应电力负荷历史数据的影响参数作为输入变量,输入电力负荷模型中进行训练,训练完成后通过测试集,对训练结果进行测试;
电力负荷输入模块用于选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型,输出对应的电力负荷。
与现有技术相比,本发明有以下技术效果:
本发明为充分考虑负荷的自身变化规律以及外界因素的影响,从预测的准确性和可靠性两个方面出发,收集电力负荷影响因子,建立负荷的点预测模型,并对建立的点预测模型进行优化,选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型,输出对应的电力负荷,有效提高负荷预测的精度。
本发明的基于自适应模拟退火粒子群优化算法优化的电力负荷预测方法,根据电力负荷的实时参数,通过机理分析,初选影响电力负荷的影响因素;获得影响因素的长期历史数据,借助于互信息关联分析,去掉冗余的相关变量和与电力负荷关联性不大的变量,筛选出电力负荷预测模型的输入变量;在此基础上,采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷的预测模型,实现对电力负荷的实时预测。通过本发明,能够有效地及时地指导电厂配送电力,提高电厂的配送效率。
附图说明
图1是本发明提供的一种基于粒子群参数优化的飞灰含碳量预测方法的流程示意图。
图2是本发明提供的一种基于粒子群参数优化的飞灰含碳量预测方法的飞灰含碳量测量模型建立的逻辑示意图。
图3是本发明提供的一种基于自适应模拟退火粒子群优化算法优化的电力负荷预测方法的算法流程示意图。
具体实施方式
以下结合附图对本发明进一步说明:
参阅图1,本发明提供了一种基于自适应模拟退火粒子群优化算法优化的电力负荷预测方法,包括从数据库中提取电力负荷的历史数据,筛选对应电力负荷的历史数据的影响参数,并划分训练集和测试集;
采用支持向量机和粒子群优化算法建立电力负荷预测模型,将训练集中对应电力负荷历史数据的影响参数作为输入变量,输入电力负荷预测模型中进行训练,训练完成后通过测试集,对训练结果进行测试;
电力负荷预测是电力部门的重要工作之一,准确的负荷预测,可以经济合理地安排电网内部发电机组的启停,保持电网运行的安全稳定性,减少不必要的旋转储备容量,合理安排机组检修计划,保障社会的正常生产和生活,有效地降低发电成本,提高经济效益和社会效益。负荷预测的结果,还可以有利于决定未来新的发电机组的安装,决定装机容量的大小、地点和时间,决定电网的增容和改建,决定电网的建设和发展。因此,电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一,尤其在我国电力事业空前发展的今天,用电管理走向市场,电力负荷预测问题的解决已经成为我们面临的重要而又艰巨的任务。
根据电力负荷影响参数,初选8个负荷参数作为电力负荷的影响参数;其中,8个负荷参数分别为最高温度、最低温度和平均温度,相对湿度和降雨量,负荷地区,天气类型以及日期类型;
其中,筛选电力负荷的历史数据的影响参数的步骤包括:
根据电力负荷运行参数,初选8个影响参数作为电力负荷的影响参数;对影响参数进行数据去重和异常值去除,删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据。
数据去重又称重复数据删除,找出重复的数据并将其删除,只保存唯一的数据单元。在删除的同时,要考虑数据重建,即虽然文件的部分内容被删除,但当需要时,仍然将完整的文件内容重建出来,这就需要保留文件与唯一数据单元之间的索引信息。对数据进行去除异常值,目的是把数据中由于噪声干扰等因素引起的输出值超出正常范围的数据去掉。
根据互信息理论,对初选的影响参数进行数据特征量的提取,计算各影响参数的权重,选取权重大于预设阈值的影响参数作为电力负荷预测模型的输入变量。
互信息是信息论中的一个基本概念,通常用于描述两个系统间的统计相关性,或者是一个系统中所包含另一个系统中信息的多少。我们本次进行电力负荷预测模型的影响因素共有8个,其中要从8个影响因素种提取影响电力负荷的主要因素,即确定电力负荷模型中所包含的每一种影响因素所占的信息量多少,采用互信息的方法进行数据特征量的提取,分别找到飞灰含碳量模型中各影响因素的权重。
作为飞灰含碳量测量模型的输入变量的六个影响参数分别为:最高温度、最低温度和平均温度,相对湿度和降雨量以及日期类型。
本发明采用支持向量机SVM((Support Vector Machines)结合自适应模拟退火粒子群优化算法来辨识飞灰含碳量测量模型。将采集到的现场运行数据分为训练数据和测试数据;针对训练数据建立了电力负荷预测模型,并利用自适应模拟退火粒子群优化算法完成电力负荷多输入单输出的非线性模型参数辨识;最后将测试数据用于辨识出来的模型来检验模型泛化能力,论证建立的电力负荷预测模型能够较为准确地反映电力负荷。软测量模型建立的基本框图如图2所示。
支持向量机作为一种崭新的机器学习算法,它是SRM原则的一个实现,能够得到使结构风险最小的模型,从而保证了模型最大的推广能力。SVM算法最初是从模式识别问题的研究中产生出来的,进而推广到回归估计问题中。SVM实质上是求解一个凸最优化问题,理论上能够得到全局最优解,因此不存在局部极值问题。SVM基于统计学习理论,适于小样本问题,并且由于它采用结构风险最小化原则,能够在学习机器的复杂度和推广能力之间寻求最佳折中,从而有效地避免了“过学习”问题。SVM引入了核函数,避免了Hiblert空间中的高维内积运算,使得算法复杂度与Hilbert空间的维数无关,从而避免了“维数灾难”问题。正是由于这些优良的性质,SVM在模式识别、回归估计等领域逐渐取代了神经网络的统治地位。
在采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷测量模型的步骤中,构建支持向量机的电力负荷预测模型,通过自适应模拟退火粒子群优化算法对电力负荷预测模模型进行优化,构建支持向量机的电力负荷预测模具体包括步骤:
支持向量机核函数的内积公式如下所示:
Φ(xi)T·Φ(xj)=K(xi,xj)
其中,Φ(x)为非映射关系,K(xi,xj)为支持向量机的核函数。
ε决定了SVM支持向量的泛化能力和个数,若预测值和实测值的误差在ε范围内,则定义损失为0;
通过将样本空间映射到另一高维空间并实现相应的线性回归分析后,利用反向还原使初始样本数据完成回归运算,该过程所表达的函数关系如以下公式所示:
f(x)=w·Φ(x)+b
通过加入松弛因子ξi=(ξ1,···ξn),i=1,2,···,n,将带约束的最优化目标函数问题做如以下公式表达:
其中,w,b为权向量和偏置量,c为与拟合度保持正相关性的惩罚参数;
拉格朗日因子L的极值应符合Karush-Kuhn-Tucker条件(KKT条件),即将Lagrange乘数法所处理涉及等式的约束优化问题推广至不等式,最佳解的必要条件包括Lagrange函数的定常方程式、原始可行性、对偶可行性以及互补松弛性,以期达到对的最大化;转换成相应的对偶问题,如下公式所述:
把w,b代入f(x)=w·Φ(x)+b中。从而得到具有核函数的非线性SVM表达式:
通过自适应模拟退火粒子群优化算法对电力负荷预测模型进行优化的步骤中,是通过自适应模拟退火粒子群优化算法对电力负荷预测模型的SVM表达式中的径向基核函数参数g、惩罚系数C进行调整优化。
通过自适应模拟退火粒子群优化算法对电力负荷预测模型进行优化的步骤包括:
粒子群参数初始化;其中,设置搜索空间及搜索速度的边界值,设置种群规模Size及最大迭代次数kmax;.随机产生种群中所有粒子的初始位置和初始速度;
确定适应度函数;其中,适应度函数为通过电力负荷预测模型预测的电力负荷和数据集中对应的真实电力负荷的均方差;
评价全局粒子的适应度值并记录Gmax,并根据以下公式设置模拟退火的初始温度.
其中T为初始温度.每次迭代后计算更新后位置的内能(适应度)与种群最优点内能的差距。
根据以下公式自适应改变粒子群算法惯性权重系数ω,自身认知因子c1和社会认知因子c2.
ω=(ωmax+ωmin)/2+tanh(-4+8*(kmax-k)/kmax)(ωmax-ωmin)/2
其中,ωmax,ωmin是惯性权重系数的最大值和最小值,k是当前迭代次数,kmax是最大迭代次数。
c1=c1max-k(c1max-c1min)/kmax
c2=c2min-k(c2min-c2max)/kmax
其中,c1max,c1min是自我学习因子的最大值和最小值,c2max,c2min分别社会学习因子的最大值和最小值。
根据以下公式改变粒子速度,再进行一次迭代寻优,计算移动后粒子的适应度。
vi(k+1)=ωvi(k)+c1r1(Pbest.i(k)-xi(k))+c2r2(Gbest-xi(k))
其中,ω为惯性权重系数;c1、c2分别是自身认知因子和社会认知因子,是控制PSO的迭代最重要参数.xi(k)和vi(k)分别代表第i个粒子第k次迭代时的位置和速度;r1和r2为rand();Pbest.i为第i个粒子个体最优位置;Gbest为种群最佳位置。
根据以下公式更新粒子的自身的历史最优位置。
根据以下公式计算接受新解的概率pi(k).
其中,Ei(k)表示第i个粒子在第k次迭代时的内能,即当前粒子的适应度值,Eg表示当前种群最优点的内能,Ti表示当前温度。
以模拟退火算法中的Metropolis准则为依据,对比概率pi(k)与rand()判断是否由产生的新解替代全局最优解进行退火操作,更新温度。
判断是否达到最大迭代次数kmax,若未达到返回步骤72.
输出当前最优粒子,即寻优结果,当优化结束,支持向量机回归的电力负荷预测模型将利用自适应模拟退火粒子群优化算法所寻得的在适应度函数意义下的最优参数组合预测电力负荷.
应用自适应模拟退火粒子群优化算法优化支持向量机算法对电力负荷进行预测建模。根据前文所选择出的模型输入变量为:最高温度、最低温度和平均温度,相对湿度和降雨量以及日期类型。针对电厂的运行数据建立电力负荷预测模型,取该地区中近两个月的负荷数据。选取该数据的前70%作为训练数据,后30%作为测试数据。
为了衡量神经网络模型的训练和测试效果,使用控制理论中具有代表性的平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标。
评价结果表明,模型拟合程度较好,具有较高的准确性,能够实现对电力负荷建立准确的模型并进行准确预估。
电力负荷预测与电厂运作效率密切相关,然而电力负荷预测特性受多种因素影响,且关系复杂,电力负荷的精确预测较为困难。本项目采用自适应模拟退火粒子群优化算法对训练数据进行辨识获取学习参数,有效地减少建模过程中人为因素的影响和精度不确定性的问题,具有精度高、泛化能力好等优点。采用自适应模拟退火粒子群优化算法优化支持向量机算法对电力负荷进行建模,通过将测试数据输入辨识出来的模型,验证了基于自适应模拟退火粒子群优化算法优化支持向量机算法算法的电力负荷预测模型具有很好的泛化能力,能较为准确地预测不同地区的电力负荷。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种电力负荷预测方法,其特征在于,包括以下步骤:
收集电力负荷影响因子:采集电力负荷在时间段T内的原始历史负荷数据,以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷数据集N,其中,T的单位为天;
采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷预测模型,将电力负荷数据集N以9:1的比例划分为训练集以及测试集;将训练集中对应电力负荷历史数据的影响参数作为输入变量,输入电力负荷模型中进行训练,训练完成后通过测试集,对训练结果进行测试;
选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型,输出对应的电力负荷。
2.根据权利要求1所述的一种电力负荷预测方法,其特征在于,数据集N包括最高温度、最低温度和平均温度,相对湿度和降雨量以及日期类型。
3.根据权利要求1所述的一种电力负荷预测方法,其特征在于,筛选对应电力负荷的历史数据的影响参数的步骤包括:
根据电力负荷的基本参数,初选8个负荷参数作为电力负荷的影响参数;其中,8个负荷参数分别为最高温度、最低温度和平均温度,相对湿度和降雨量,负荷地区,天气类型以及日期类型;
对影响参数进行数据去重和异常值去除,删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据;
根据互信息理论,对初选的影响参数进行数据特征量的提取,计算各影响参数的权重,选取权重大于预设阈值的影响参数作为电力负荷测量模型的输入变量。
4.根据权利要求3所述的一种电力负荷预测方法,其特征在于,作为飞灰含碳量测量模型的输入变量的六个影响参数分别为:最高温度、最低温度和平均温度,相对湿度和降雨量以及日期类型。
5.根据权利要求1所述的一种电力负荷预测方法,其特征在于,在采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷测量模型的步骤中,构建支持向量机的电力负荷预测模型,通过自适应模拟退火粒子群优化算法对电力负荷预测模模型进行优化,构建支持向量机的电力负荷预测模具体包括步骤:
步骤1:支持向量机核函数的内积公式如下所示:
Φ(xi)T·Φ(xj)=K(xi,xj)
其中,Φ(x)为非映射关系,K(xi,xj)为支持向量机的核函数;
ε决定了SVM支持向量的泛化能力和个数,若预测值和实测值的误差在ε范围内,则定义损失为0;
步骤3:通过将样本空间映射到另一高维空间并实现相应的线性回归分析后,利用反向还原使初始样本数据完成回归运算,该过程所表达的函数关系如以下公式所示:
f(x)=w·Φ(x)+b
步骤4:通过加入松弛因子ξi=(ξ1,…ξn),i=1,2,…,n,将带约束的最优化目标函数问题做如以下公式表达:
其中,w,b为权向量和偏置量,c为与拟合度保持正相关性的惩罚参数;
步骤5:拉格朗日因子L的极值应符合Karush-Kuhn-Tucker条件(KKT条件),即将Lagrange乘数法所处理涉及等式的约束优化问题推广至不等式,最佳解的必要条件包括Lagrange函数的定常方程式、原始可行性、对偶可行性以及互补松弛性,以期达到对ai,λi,λi *的最大化;
转换成相应的对偶问题,如下公式所述:
把w,b代入f(x)=w·Φ(x)+b中;而得到具有核函数的非线性SVM表达式:
6.根据权利要求5所述的一种电力负荷预测方法,其特征在于,通过自适应模拟退火粒子群优化算法对电力负荷预测模型进行优化的步骤中,是通过自适应模拟退火粒子群优化算法对电力负荷预测模型的SVM表达式中的径向基核函数参数g、惩罚系数C进行调整优化。
7.根据权利要求6所述的一种电力负荷预测方法,其特征在于,通过自适应模拟退火粒子群优化算法对电力负荷预测模型进行优化的步骤包括:
1):粒子群参数初始化;其中,设置搜索空间及搜索速度的边界值,设置种群规模Size及最大迭代次数kmax;随机产生种群中所有粒子的初始位置和初始速度;
2):确定适应度函数;其中,适应度函数为通过电力负荷预测模型预测的电力负荷和数据集中对应的真实电力负荷的均方差;
3):评价全局粒子的适应度值并记录Gmax,并根据以下公式设置模拟退火的初始温度.
其中T为初始温度.每次迭代后计算更新后位置的内能(适应度)与种群最优点内能的差距;
4):根据以下公式自适应改变粒子群算法中惯性权重系数ω,自身认知因子c1和社会认知因子c2.
ω=(ωmax+ωmin)/2+tanh(-4+8*(kmax-k)/kmax)(ωmax-ωmin)/2
其中,ωmax,ωmin是惯性权重系数的最大值和最小值,k是当前迭代次数,kmax是最大迭代次数;
c1=c1max-k(c1max-c1min)/kmax
c2=c2min-k(c2min-c2max)/kmax
其中,c1max,c1min是自我学习因子的最大值和最小值,c2max,c2min分别社会学习因子的最大值和最小值;
5):根据以下公式改变粒子速度,再进行一次迭代寻优,计算移动后粒子的适应度
vi(k+1)=ωvi(k)+c1r1(Pbest.i(k)-xi(k))+c2r2(Gbest-xi(k))
其中,ω为惯性权重系数;c1、c2分别是自身认知因子和社会认知因子,是控制PSO的迭代最重要参数.;xi(k)和vi(k)分别代表第i个粒子第k次迭代时的位置和速度;r1和r2为rand();Pbest.i为第i个粒子个体最优位置;Gbest为种群最佳位置;
6):根据以下公式更新粒子的自身的历史最优位置;
7):根据以下公式计算接受新解的概率pi(k);
其中,Ei(k)表示第i个粒子在第k次迭代时的内能,即当前粒子的适应度值,Eg表示当前种群最优点的内能,Ti表示当前温度;
8):以模拟退火算法中的Metropolis准则为依据,对比概率pi(k)与rand()判断是否由产生的新解替代全局最优解进行退火操作,更新温度;
9):判断是否达到最大迭代次数kmax,若未达到返回步骤4;
10):输出当前最优粒子,即寻优结果,当优化结束,支持向量机回归的电力负荷预测模型将利用自适应模拟退火粒子群优化算法所寻得的在适应度函数意义下的最优参数组合预测电力负荷。
8.一种电力负荷预测系统,其特征在于,包括:
电力负荷影响因子收集模块用于采集电力负荷在时间段T内的原始历史负荷数据,以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N,其中,T的单位为天;
电力负荷预测模型建立模块用于采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷预测模型,将训练集中对应电力负荷历史数据的影响参数作为输入变量,输入电力负荷模型中进行训练,训练完成后通过测试集,对训练结果进行测试;
电力负荷输入模块用于选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型,输出对应的电力负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414529.8A CN113011680A (zh) | 2021-04-16 | 2021-04-16 | 一种电力负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414529.8A CN113011680A (zh) | 2021-04-16 | 2021-04-16 | 一种电力负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011680A true CN113011680A (zh) | 2021-06-22 |
Family
ID=76388563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110414529.8A Pending CN113011680A (zh) | 2021-04-16 | 2021-04-16 | 一种电力负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011680A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642640A (zh) * | 2021-08-13 | 2021-11-12 | 华北电力科学研究院有限责任公司 | 区域性电网最小出力预测方法及装置 |
CN114401398A (zh) * | 2022-03-24 | 2022-04-26 | 北京华创方舟科技集团有限公司 | 智能视频运维管理系统 |
CN116760195A (zh) * | 2023-08-18 | 2023-09-15 | 国网浙江省电力有限公司宁波供电公司 | 电力系统全要素资源监控方法、系统、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108805323A (zh) * | 2017-05-05 | 2018-11-13 | 华为技术有限公司 | 数据预测方法和装置 |
CN110322062A (zh) * | 2019-06-27 | 2019-10-11 | 国网宁夏电力有限公司电力科学研究院 | 短期电力负荷预测方法 |
CN112396207A (zh) * | 2019-08-15 | 2021-02-23 | 南京理工大学 | 一种基于大数据的电力负荷预测方法 |
-
2021
- 2021-04-16 CN CN202110414529.8A patent/CN113011680A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108805323A (zh) * | 2017-05-05 | 2018-11-13 | 华为技术有限公司 | 数据预测方法和装置 |
CN110322062A (zh) * | 2019-06-27 | 2019-10-11 | 国网宁夏电力有限公司电力科学研究院 | 短期电力负荷预测方法 |
CN112396207A (zh) * | 2019-08-15 | 2021-02-23 | 南京理工大学 | 一种基于大数据的电力负荷预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642640A (zh) * | 2021-08-13 | 2021-11-12 | 华北电力科学研究院有限责任公司 | 区域性电网最小出力预测方法及装置 |
CN114401398A (zh) * | 2022-03-24 | 2022-04-26 | 北京华创方舟科技集团有限公司 | 智能视频运维管理系统 |
CN116760195A (zh) * | 2023-08-18 | 2023-09-15 | 国网浙江省电力有限公司宁波供电公司 | 电力系统全要素资源监控方法、系统、设备和存储介质 |
CN116760195B (zh) * | 2023-08-18 | 2024-01-02 | 国网浙江省电力有限公司宁波供电公司 | 电力系统全要素资源监控方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
Azeem et al. | Electrical load forecasting models for different generation modalities: a review | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Kampouropoulos et al. | A combined methodology of adaptive neuro-fuzzy inference system and genetic algorithm for short-term energy forecasting | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN115358461A (zh) | 天然气负荷预测方法、装置、设备、介质 | |
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 | |
Xue et al. | Prediction of natural gas consumption for city-level DHS based on attention GRU: A case study for a northern chinese city | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
Ávila et al. | Fuzzy demand forecasting in a predictive control strategy for a renewable-energy based microgrid | |
Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Liu et al. | Analysis and prediction of power distribution network loss based on machine learning | |
Kuo et al. | A novel framework short-term load forecasting for micro-grid energy management system | |
Viana et al. | Load forecasting benchmark for smart meter data | |
Jovova et al. | Air pollution forecasting using CNN-LSTM deep learning model | |
Wang et al. | A novel data-driven method with decomposition mechanism suitable for different periods of electrical load forecasting | |
Zhao et al. | Study of short-term load forecasting in big data environment |
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 |