CN113112099A - 电网日电量预测模型训练方法和电网日电量预测方法 - Google Patents

电网日电量预测模型训练方法和电网日电量预测方法 Download PDF

Info

Publication number
CN113112099A
CN113112099A CN202110528114.3A CN202110528114A CN113112099A CN 113112099 A CN113112099 A CN 113112099A CN 202110528114 A CN202110528114 A CN 202110528114A CN 113112099 A CN113112099 A CN 113112099A
Authority
CN
China
Prior art keywords
electric quantity
prediction model
power grid
daily
training
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
CN202110528114.3A
Other languages
English (en)
Inventor
吴向明
贺春光
王涛
张菁
范文奕
安佳坤
韩光
赵阳
刘梅
韩俊杰
翟广心
杨书强
黄凯
韩璟琳
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.)
Beijing Tsingsoft Technology Co ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Beijing Tsingsoft Technology Co ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power 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 Beijing Tsingsoft Technology Co ltd, State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Beijing Tsingsoft Technology Co ltd
Priority to CN202110528114.3A priority Critical patent/CN113112099A/zh
Publication of CN113112099A publication Critical patent/CN113112099A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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

本发明实施例涉及电网日电量负荷预测领域，公开了一种电网日电量预测模型训练方法和电网日电量预测方法。上述电网日电量预测模型训练方法包括：采集需预测地区区域电网的历史数据，得到特征向量，基于所述特征向量构建训练样本集；通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法；基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。

Description

电网日电量预测模型训练方法和电网日电量预测方法
技术领域
本发明涉及一种电网日电量预测方法，具体涉及一种电网日电量预测模型训练方法和电网日电量预测方法。
背景技术
分布式电源能够在配电网终端进行自由安装，从而实现用户的自发自用，随着以风电和光伏为代表的分布式电源迅速发展，也给电能质量带来了一定不利影响，由于负荷功率更加多变，导致配网无功功率需要经常进行调节，给调控运行造成了更多困难。尤其是分布式电源往往与当地的天气情况息息相关，天气的频繁变化无疑对配电网的负荷形态产生较大影响，也对配电网调度与运营商的策略制定带来挑战。
分布式电源规模化接入使得用户的用电形态产生了较大变化，同时由于分布式电源受外部不确定因素影响较大，这种接入方式带来的波动性与随机性使得传统的日电量预测方法不再适用于分布式电源，而日电量的准确预测是市场环境下编排合理交易策略的保障。近些年来，随着人工智能、机器学习等理论技术的发展，智能算法被应用在负荷预测领域，为准确预测电量负荷，维持分布式电源配电网稳定运行提供了保障。
发明内容
有鉴于此，本发明实施例提供了一种电网日电量预测模型训练方法和电网日电量预测方法，以解决现有技术中电网日电量预测准确率低的问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请实施例提供了一种电网日电量预测模型训练方法，包括：采集需预测地区区域电网的历史数据，得到特征向量，基于所述特征向量构建训练样本集；所述历史数据包括负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据；基于所述训练样本集，训练电网日电量预测模型。
基于第一方面，在一些实施例中，所述基于所述训练样本集，训练电网日电量预测模型，包括：通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法；基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。
基于第一方面，在一些实施例中，所述通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法，包括：对惯性权重执行线性递减，更新粒子速度和位置；采用进化算法，对搜索全局最优解的过程以及权重进行变异，得到进化粒子群优化算法。
本申请实施例中，采用进化粒子群优化算法(EPSO)而非传统的标准粒子群算法(PSO)对参数进行优化，PSO简单易实现，需要调的参数少，但搜索效度差，不能保证搜索到全局最优解。通过进化算法和线性权重递减对PSO做出改进。对惯性权重执行线性递减，可有效改善早熟现象。之后，采用进化算法，对搜索全局最优解的过程以及权重进行变异，从而提高PSO的局部搜索效度，避免陷入局部最优。
基于第一方面，在一些实施例中，所述基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型，包括：选取所述需预测地区的历史电量数据，将所述历史电量数据提取为向量作为所述训练样本集，通过非线性映射
Figure BDA0003066814930000021
将所述训练样本集中的样本数据从原空间Rn转换到高维空间，构造最小二乘支持向量机回归函数；以所述最小二乘支持向量机回归函数为核心建立日电量预测模型，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。
基于第一方面，在一些实施例中，所述以所述最小二乘支持向量机回归函数为核心建立日电量预测模型，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型，包括：根据所述最小二乘支持向量机参数的寻优范围，初始化粒子群，所述粒子群中的个体代表c和σ参数的值；根据所述c和σ参数设定所述最小二乘支持向量机模型，运算设定好的所述最小二乘支持向量机函数得到日电量估计值，将所述日电量估计值和所述训练样本集中日电量实际值进行对比；通过适应度函数评估所述粒子群中所有个体的适应度值，以所述适应度值为依据通过所述进化粒子群优化算法对所述c和σ参数进行更新替换，获取所述c和σ参数的全局最优解；以获取的所述最优c和σ参数设定最小二乘支持向量机函数，得到所述日电量预测模型。
基于第一方面，在一些实施例中，所述适应度函数f为
Figure BDA0003066814930000031
所述适应度函数中，N'为所述训练样本集数目，
Figure BDA0003066814930000032
为所述日电量实际值，
Figure BDA0003066814930000033
为所述日电量估计值，利用所述适应度函数的值判断采用不同c和σ参数的LSSVM模型预测准确度，确定所述c和σ参数的全局最优解。
本申请实施例的第二方面提供了一种电网日电量预测方法，包括：采集需预测地区区域电网的历史数据构成训练样本集，所述历史数据包括负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据；基于所述训练样本集，通过上述第一方面所述的电网日电量预测模型训练方法训练得到的电网日电量预测模型，对所述需预测地区电网日电量进行预测，输出预测值。
本申请实施例中提供的电网日电量预测方法，基于日电量、全用户的大数据分析方法，结合分布式电源出力、气象、环境等关键外部数据，预测模型采用LSSVM预测模型，并使用改进EPSO算法对模型进行优化。实施例表明本发明针对区域电网日电量预测有着良好使用效果，有效提升了地区电网日电量预测的准确率。
第三方面，本申请实施例提供了一种电网日电量预测模型训练装置，包括：采集模块，用于采集需预测地区区域电网的历史数据；处理模块，用于对所述需预测地区区域电网的历史数据进行处理，构建所述LSSVM回归函数模型；训练模块，用于通过所述EPSO改进所述LSSVM回归函数，设定所述LSSVM的两个重要参数c和σ，基于所述需预测地区的历史电量数据，训练所述日电量预测模型。
第四方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上述第一方面中任一项所述电网日电量预测方法的步骤。
第五方面，本申请实施例提供了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计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述电网日电量预测方法的步骤。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的新能源规模化接入的区域电网场景图；
图2是本发明实施例提供的分布式电源电能出力随时间变化情况图；
图3是本发明实施例提供的日电量预测方法的流程示意图；
图4是本发明实施例提供的训练电网日电量预测模型的流程示意图；
图5是本发明实施例提供的EPSO改进LSSVM的算法流程图；
图6是本发明实施例提供的验证模型预测效果的实验流程图；
图7是本发明实施例提供的不同预测模型预测误差统计图；
图8是本发明实施例提供的不同预测模型预测误差分布曲线；
图9是本发明实施例提供的电网日电量预测模型训练装置结构示意图；
图10是本发明实施例提供的终端设备的示意图。
具体实施方式
下面结合具体实施例对本发明进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本发明的作用，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
如图1所示，分布式电源规模化接入后区域电网形态主要由大电网G、用户负荷C、分布式风电WT、分布式光伏PV等组成。分布式电源中的绝大部分属于不可调度电源，这种电源以分布式光伏与分布式风电为代表，该类型分布式电源的功率输出情况包含不确定性，分布式光伏与分布式风电的随机性如图2所示，分布式光伏更倾向在中午阶段出力最大，夜晚时段出力接近于0。分布式风电的不确定性更高，输出功率的峰值往往出现在夜晚时段。由于分布式电源即插即用以及局部消纳的特性，大量分布式电源并网产生的能量在配电网局部消纳，这种能量消耗形势改变了负荷变化趋势，无疑对区域电网的日电量产生影响。针对这种情况，传统的日电量预测方法往往只考虑需求侧变化影响因素，并没有计及规模化分布式电源接入对其造成的影响。
基于上述应用场景，本发明实施例提供了一种电网日电量预测方法，如图3所示，该电网日电量预测方法可以包括步骤101至步骤103。
步骤101：采集需预测地区区域电网的历史数据，将该历史数据作为预测模型的训练样本集。
示例性的，需要采集的历史数据可以包括负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据等。
步骤102：基于训练样本集，训练电网日电量预测模型。
步骤103：根据训练后的电网日电量预测模型做出日电量预测。
本发明实施例提供的一种电网日电量预测模型训练方法，如图4所示，该电网日电量预测模型训练方法可以包含步骤201至步骤203。
步骤201，采集需预测地区区域电网的历史数据，提取特征向量，将历史数据向量集作为训练电网日电量预测模型的样本集。
步骤202，通过进化算法和线性权重递减对标准粒子群算法(PSO)做出改进，得到进化粒子群优化算法(EPSO)。
传统的标准粒子群算法(PSO)简单易实现，需要调的参数少，但局部搜索效度差，不能保证搜索到全局最优解。针对此问题，本发明采用进化算法和线性权重递减对PSO做出改进，得到进化粒子群优化算法(EPSO)。对惯性权重执行线性递减，可有效改善早熟现象。之后，采用进化算法，对搜索全局最优解的过程以及权重进行变异，从而提高PSO的局部搜索效度，避免陷入局部最优。
在一具体实施方式中，采用进化算法和线性权重递减对PSO做出改进，得到EPSO的过程可以包含步骤A1至步骤A2。
步骤A1，对惯性权重执行线性递减，更新粒子速度和位置。
vh q+1＝wΔvh q+c1r1(ph-xh q)+c2r2(gh Δ-xh q)(1)
yh q+1＝yh q+yh q+1(2)
其中w为惯性权重，c1、c2是加速因子，r1,r2∈[0,1]为随机数，p、g分别为个体和全体最优值。
步骤A2，采用进化算法，对搜索全局最优解的过程以及权重进行变异。
进化算法来源于生物的选种和变异，自学习能力和自适应性强，将其用来改进PSO，会使PSO获得更好的优化效果。
Figure BDA0003066814930000071
其中带Δ表示该参数经过突变而进化。τ和τ'代表突变的程度，为学习因子。R(0,1)为随机数，服从高斯分布。
步骤203，基于训练样本集，构建最小二乘支持向量机(LSSVM)回归函数，通过EPSO改进LSSVM回归函数的参数，训练日电量预测模型。
日电量预测模型的核心是最小二乘支持向量机(LSSVM)回归函数，选取需预测地区的电量历史数据作为训练样本集，将历史电量数据提取为向量，n维向量的样本用(x1,y1),...,(xl,yl)表示，并通过非线性映射
Figure BDA0003066814930000072
将上述样本数据从原空间Rn转换到特征空间，
Figure BDA0003066814930000073
并在这个高维度空间中继续最优决策函数的构造：
Figure BDA0003066814930000074
式中，wT——权重向量，b——偏差量。根据风险结构最小化原则，原LSSVM优化问题可进一步转化成：
Figure BDA0003066814930000075
Figure BDA0003066814930000076
式中，c——惩罚因子，ξi——松弛变量，此时可利用常规的拉格朗日乘子法求解优化问题：
Figure BDA0003066814930000077
式中，αi——拉格朗日乘子，最优情况一般需满足如下条件
Figure BDA0003066814930000078
Figure BDA0003066814930000079
因此可得：
Figure BDA0003066814930000081
Figure BDA0003066814930000082
αi＝cξi(10)
Figure BDA0003066814930000083
定义核函数
Figure BDA0003066814930000084
其中K(xi,xj)表示满足Mercer条件的对称函数，本发明选择更常用的径向基核函数
Figure BDA0003066814930000085
其中σ表示核宽度，则LSSVM的优化问题可以转化为：
Figure BDA0003066814930000086
得到LSSVM回归函数：
Figure BDA0003066814930000087
对于LSSVM算法，c和σ的选择直接影响预测的准确性。本发明通过EPSO改进LSSVM，设定LSSVM的两个重要参数c和σ的最优值，基于需预测地区的历史电量数据，训练日电量预测模型。EPSO改进LSSVM的算法流程图如图5，首先根据LSSVM参数的寻优范围，初始化粒子群，该粒子群中的个体代表c和σ参数的值，然后根据该参数设定LSSVM回归函数，得到日电量预测模型，应用预测模型进行预测得到日电量估计值，将日电量估计值和测试样本集中日电量实际值进行对比，通过适应度函数评估种群中所有个体的适应度值，以适应度值为依据通过进化粒子群算法不断进行更新替换，获取全局最优解。
其中，适应度函数f为：
Figure BDA0003066814930000091
式中，N'为训练集数目，Zj为日电量实际值，
Figure BDA0003066814930000092
为日电量估计值。该适应度函数反映了日电量估计值和训练集中日电量实际值的匹配度，通过适应度函数值进行EPSO寻优获取LSSVM参数设定的最优解，得到预测准确率最高的模型。
实施例1，为验证采用EPSO改进LSSVM算法对光伏发电日电量进行预测的效果，使用某地区电网管辖的分布式电源发电电量数据进行实验。由于该地区内分布式电源渗透率较高，且分布式电源所带来的功率变化较大，因此可以较好的判断算法预测的准确性。采用2017年1月-2018年12月份的某地区电网全量电量数据作为训练样本集，采用2019年的数据作为测试样本集，实验过程如图6所示，在将训练样本集以及测试样本集对比之后，根据测试样本集的类别选取合理的相似训练样本集，基于EPSO改进LSSVM算法，设定LSSVM的两个重要参数c和σ，得到日电量预测模型，然后采用优化后预测模型对日发电量进行预测，将预测结果和测试样本集中的实际数据进行对比，评估预测模型的准确性。
输入数据包含负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据等。在算法方面，将本发明提出算法定义为EPSO-LSSVM算法，将普通粒子群算法优化的核函数向量学习机称为PSO-LSSVM算法，将只采用核函数向量学习机进行预测的算法称之为LSSVM算法，使用采用这三种不同算法的预测模型分别对日电量进行预测。为了对结果进行分析对比，本发明采用的误差指标包含平均相对误差(MAPE)、均方根误差(RMSE)，如式(11)(12)所示：
Figure BDA0003066814930000093
Figure BDA0003066814930000101
其中n为样本数量，ai和bi分别为i时刻的实际电量值和预测电量值。
首先展示典型日的预测结果。由于一年中夏季往往迎来高峰负荷，因此该夏季典型日场景的预测电量对电力系统的规划、交易最具有参考意义，往往表示整年中的极端运行状况。本发明给出夏季典型日的电量预测曲线如图7所示，其中(a)为LSSVM模型电量预测结果，(b)为PSO-LSSVM模型电量预测结果，(c)为EPSO-LSSVM模型电量预测结果。
从夏季典型日的预测曲线可以直观的看出，EPSO-LSSVM算法的预测曲线与真实值更加贴合，且波动性不大，曲线较为平滑，具有良好的预测效果。
表1日预测误差统计表
Figure BDA0003066814930000102
具体的日预测误差统计表如表1所示，从该日的预测误差统计结果来看，EPSO-LSSVM算法的平均相对误差(MAPE)和均方根误差(RMSE)值低于另外两种算法，预测精度有着较大的提升，这在一定程度上表明本发明预测算法的有效性。由于一天的预测结果存在偶然性，本发明同时计算了2020年1-10月的预测结果，同时以日为单位，统计RMSE超过0.06和MAPE超过0.1的天数，以验证模型的预测稳定性，如表2所示。
表2年度预测误差统计表
Figure BDA0003066814930000103
从2020年的预测结果来看，我们可以看出，在综合预测指标下，EPSO-LSSVM算法仍具有较大的优势，而通过PSO-LSSVM算法和LSSVM算法预测结果的对比，也能够较为直观的发现PSO算法对于核函数向量学习机具有一定的改良作用。从预测误差指标超标特性来看，在1-10月共274天里，EPSO-LSSVM的预测稳定性优势明显，RSME和MAPE超标占比只有5.1％和3.3％，而相对而言PSO-LSSVM的两项指标分别为39.8％和17.5％，LSSVM的两项指标分别为57.3％和67.2％。尤其对于最大误差MAPE而言，EPSO-LSSVM相较于其他两种算法，误差分别降低了14.2％和63.9％，这说明单独的LSSVM在长时间的预测尺度内无法保证预测的稳定性，而加入进化粒子群算法优化后稳定性大大提升。
为了更加全面的说明预测结果的稳定性，统计2020年误差分布结果如图8所示，其中(a)为EPSO-LSSVM模型预测误差分布，(b)为PSO-LSSVM模型预测误差分布，(c)为LSSVM模型预测误差分布。从误差分布的角度来看，EPSO-LSSVM的误差分布更加靠近中心零点，呈现中间高，两侧低的规律分布，这说明本发明的预测方法具有较高的稳定性，且预测精度较高；PSO-LSSVM和LSSVM的曲线形状类似，说明其预测稳定性也较好，但是曲线分布较宽，说明预测精度不如模型1；模型3的误差分布曲线较为不规律，最大误差偏大，预测稳定性较差。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参见图9，本申请实施例提供了一种电网日电量预测模型训练装置30，包括：信息采集模块310、处理模块320、模型训练模块330。
本申请实施例提供的电网日电量预测模型训练装置，包括信息采集模块310，用于采集需预测地区区域电网的历史数据；处理模块320，用于对所述需预测地区区域电网的历史数据进行处理，构建所述LSSVM回归函数模型；模型训练模块330，用于通过所述EPSO改进所述LSSVM回归函数，设定所述LSSVM的两个重要参数c和σ，基于所述需预测地区的历史电量数据，训练所述日电量预测模型。
图10是本发明一实施例提供的终端设备的示意图。如图10所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如电网日电量预测程序。所述处理器40执行所述计算机程序42时实现上述电网日电量预测方法实施例中的步骤，例如图3所示的101至103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图9所示模块310至330的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成信息采集模块、处理模块、模型训练模块。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图10仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，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 Gate Array，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电网日电量预测模型训练方法，其特征在于，包括：
采集需预测地区区域电网的历史数据，得到特征向量，基于所述特征向量构建训练样本集；所述历史数据包括负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据；
基于所述训练样本集，训练电网日电量预测模型。
2.如权利要求1所述的电网日电量预测模型训练方法，其特征在于，所述基于所述训练样本集，训练电网日电量预测模型，包括：
通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法；
基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。
3.如权利要求2所述的电网日电量预测模型训练方法，其特征在于，所述通过进化算法和线性权重递减对标准粒子群算法做出改进，得到进化粒子群优化算法，包括：
对惯性权重执行线性递减，更新粒子速度和位置；
采用进化算法，对搜索全局最优解的过程以及权重进行变异，得到进化粒子群优化算法。
4.如权利要求2所述的电网日电量预测模型训练方法，其特征在于，所述基于所述训练样本集，构建最小二乘支持向量机回归函数，作为预测模型的核心函数，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型，包括：
选取所述需预测地区的历史电量数据，将所述历史电量数据提取为向量作为所述训练样本集，通过非线性映射
Figure FDA0003066814920000011
将所述训练样本集中的样本数据从原空间Rn转换到高维空间，构造最小二乘支持向量机回归函数；
以所述最小二乘支持向量机回归函数为核心建立日电量预测模型，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型。
5.如权利要求4所述的电网日电量预测模型训练方法，其特征在于，所述以所述最小二乘支持向量机回归函数为核心建立日电量预测模型，通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练日电量预测模型，包括：
根据所述最小二乘支持向量机参数的寻优范围，初始化粒子群，所述粒子群中的个体代表c和σ参数的值；
根据所述c和σ参数设定所述最小二乘支持向量机模型，运算设定好的所述最小二乘支持向量机函数得到日电量估计值，将所述日电量估计值和所述训练样本集中日电量实际值进行对比；
通过适应度函数评估所述粒子群中所有个体的适应度值，以所述适应度值为依据通过所述进化粒子群优化算法对所述c和σ参数进行更新替换，获取所述c和σ参数的全局最优解；
以获取的所述最优c和σ参数设定最小二乘支持向量机函数，得到所述日电量预测模型。
6.如权利要求5所述的电网日电量预测模型训练方法，其特征在于，
所述适应度函数f为：
Figure FDA0003066814920000021
所述适应度函数中，N'为所述训练样本集数目，
Figure FDA0003066814920000022
为所述日电量实际值，
Figure FDA0003066814920000023
为所述日电量估计值，利用所述适应度函数的值判断采用不同c和σ参数的最小二乘支持向量机模型预测准确度，确定所述c和σ参数的全局最优解。
7.一种电网日电量预测方法，其特征在于，包括：
采集需预测地区区域电网的历史数据构成训练样本集，所述历史数据包括负荷侧电量历史数据、分布式电源发电量历史数据、天气数据、经济数据；
基于所述训练样本集，通过如权利要求1至6任一项所述的电网日电量预测模型训练方法训练得到的电网日电量预测模型，对所述需预测地区电网日电量进行预测，输出预测值。
8.一种电网日电量预测模型训练装置，其特征在于，包括：
信息采集模块，用于采集需预测地区区域电网的历史数据；
处理模块，用于对所述需预测地区区域电网的历史数据进行处理，将所述电量历史数据提取为向量，作为所述训练样本集，构建所述最小二乘支持向量机回归函数，以所述最小二乘支持向量机回归函数为核心建立日电量预测模型；
模型训练模块，用于通过所述进化粒子群优化算法改进所述最小二乘支持向量机回归函数的参数，训练以最小二乘支持向量机回归函数作为核心的日电量预测模型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至6中任一项所述电网日电量预测模型训练方法的步骤，或如权利要求7中所述电网日电量预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述电网日电量预测模型训练方法的步骤，或如权利要求7中所述电网日电量预测方法的步骤。
CN202110528114.3A 2021-05-14 2021-05-14 电网日电量预测模型训练方法和电网日电量预测方法 Pending CN113112099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110528114.3A CN113112099A (zh) 2021-05-14 2021-05-14 电网日电量预测模型训练方法和电网日电量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110528114.3A CN113112099A (zh) 2021-05-14 2021-05-14 电网日电量预测模型训练方法和电网日电量预测方法

Publications (1)

Publication Number Publication Date
CN113112099A true CN113112099A (zh) 2021-07-13

Family

ID=76722165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110528114.3A Pending CN113112099A (zh) 2021-05-14 2021-05-14 电网日电量预测模型训练方法和电网日电量预测方法

Country Status (1)

Country Link
CN (1) CN113112099A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113890833A (zh) * 2021-10-28 2022-01-04 中国联合网络通信集团有限公司 网络覆盖预测方法、装置、设备及存储介质
CN114123279A (zh) * 2021-11-25 2022-03-01 国网湖南省电力有限公司 风电储能混合系统的储能荷电状态参考值预测方法及系统
CN116258282A (zh) * 2023-05-12 2023-06-13 国网浙江省电力有限公司金华供电公司 一种基于云平台的智能电网资源调度分配方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674915A (zh) * 2019-09-18 2020-01-10 东北大学 基于改进粒子群算法的不规则管道缺陷的反演方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674915A (zh) * 2019-09-18 2020-01-10 东北大学 基于改进粒子群算法的不规则管道缺陷的反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚尚红: ""基于数据的光伏微网系统出力预测研究"", 《硕士电子期刊 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113890833A (zh) * 2021-10-28 2022-01-04 中国联合网络通信集团有限公司 网络覆盖预测方法、装置、设备及存储介质
CN113890833B (zh) * 2021-10-28 2023-06-13 中国联合网络通信集团有限公司 网络覆盖预测方法、装置、设备及存储介质
CN114123279A (zh) * 2021-11-25 2022-03-01 国网湖南省电力有限公司 风电储能混合系统的储能荷电状态参考值预测方法及系统
CN114123279B (zh) * 2021-11-25 2023-11-21 国网湖南省电力有限公司 风电储能混合系统的储能荷电状态参考值预测方法及系统
CN116258282A (zh) * 2023-05-12 2023-06-13 国网浙江省电力有限公司金华供电公司 一种基于云平台的智能电网资源调度分配方法

Similar Documents

Publication Publication Date Title
Yang et al. Day-ahead wind power forecasting based on the clustering of equivalent power curves
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
WO2021213192A1 (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
CN112508275A (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN107833153B (zh) 一种基于k-means聚类的电网负荷缺失数据补全方法
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN109325880A (zh) 一种基于Verhulst-SVM的中长期负荷预测方法
CN110866633A (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
CN116388245A (zh) 光储充一体化电站储能容量配置方法及相关设备
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN110428345A (zh) 一种基于增强学习的电网定价方法
CN113177366B (zh) 一种综合能源系统规划方法、装置和终端设备
CN113505943B (zh) 一种电网短期负荷的预测方法、系统、设备和介质
CN109767037A (zh) 一种夏季日最大负荷的预测方法
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN115358441A (zh) 基于联邦学习的新能源集群消纳智能调控方法及装置
Ruciński Neural modelling of electricity prices quoted on the Day-Ahead Market of TGE SA shaped by environmental and economic factors
CN112036713A (zh) 一种基于主成分分析的煤改电综合效益评价方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication