CN113361785A - 配电网短期负荷预测方法、装置、终端及存储介质 - Google Patents
配电网短期负荷预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113361785A CN113361785A CN202110649540.2A CN202110649540A CN113361785A CN 113361785 A CN113361785 A CN 113361785A CN 202110649540 A CN202110649540 A CN 202110649540A CN 113361785 A CN113361785 A CN 113361785A
- Authority
- CN
- China
- Prior art keywords
- historical
- daily load
- load data
- data set
- optimal
- 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 75
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000004913 activation Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 18
- 241000283153 Cetacea Species 0.000 claims description 53
- 230000001932 seasonal effect Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 description 180
- 230000000875 corresponding effect Effects 0.000 description 99
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241001059810 Cantharellula umbonata Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力负荷预测技术领域,提供了一种配电网短期负荷预测方法、装置、终端及存储介质,该方法包括:基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集,获取鲁棒极限学习机的隐含层数目和激活函数,对激活函数中各个隐含层的输入权值及偏置进行优化,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置,根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型,根据各个时段对应的短期负荷预测模型,对待预测日进行负荷预测。本发明能够提高短期负荷预测模型输出结果的准确性。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种配电网短期负荷预测方法、装置、终端及存储介质。
背景技术
短期负荷预测主要是指预报未来几小时、一天至几天的电力负荷。高精度的短期用电负荷预测有助于合理地安排电网设备调度及检修计划,提高电力系统运行的稳定性,减少电网的发电成本,提高电力系统的经济效益和社会效益。
目前,关于短期负荷预测的方法主要分为基于统计理论的方法和基于机器学习的方法。基于统计理论的方法主要包括卡尔曼滤波法、自回归积分滑动平均法、回归分析法、时间序列法等。国内外专家在短期负荷预测领域进行了大量的研究,张群洪采用集成智能模型集成随机森林与支持向量机进行短期负荷预测,该模型集成了两个不同学习器的优势,将预测的精确度提高;张铁岩等人针对复杂影响因素下综合能源系统月度负荷预测精度低的问题,提出基于时间序列特征分解的月度负荷预测模型;郭占伍等人通过回归分析方法分别提取了温度和湿度两个因素对电采暖负荷的灵敏度系数,提出了以温度因素为主,湿度因素为修正的电采暖负荷预测方法,经与实测数据对比,证明该预测方法具有更高的精准度;庞昊等人利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。
然而,虽然已有大量负荷预测方法涌现,但是由于影响负荷的因素众多,不同时间、不同环境条件乃至不同负荷预测算法都会影响负荷预测输出的准确性,现有负荷预测方法的预测准确度还有待提高。
发明内容
有鉴于此,本发明实施例提供了一种配电网短期负荷预测方法、装置、终端及存储介质,旨在解决现有技术中配电网短期负荷预测方法的准确度不够的问题。
第一方面,本发明实施例提供了一种配电网短期负荷预测方法,包括:
基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集;
获取鲁棒极限学习机的隐含层数目和激活函数;
对所述激活函数中各个隐含层的输入权值及偏置进行优化,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;
根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型;
根据各个时段对应的短期负荷预测模型,对所述待预测日进行负荷预测。
第二方面,本发明实施例提供了一种配电网短期负荷预测装置,包括:
第一获取模块,用于基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集;
第二获取模块,用于获取鲁棒极限学习机的隐含层数目和激活函数;
优化模块,用于对所述激活函数中各个隐含层的输入权值及偏置进行优化,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;
训练模块,用于根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型;
预测模块,用于根据各个时段对应的短期负荷预测模型,对所述待预测日进行负荷预测。
第三方面,本发明实施例提供了一种终端,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第一方面所述方法的步骤。
第四方面,本发明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第一方面所述方法的步骤。
本发明实施例提供一种配电网短期负荷预测方法、装置、终端及存储介质,通过基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集,可以基于待预测日中各个时段对应的参考日负荷数据集训练短期负荷预测模型,使获得的短期负荷预测模型体现季节多时段特点,降低不同时间、不同环境条件等因素对负荷预测输出准确性的影响。通过对激活函数中各个隐含层的输入权值及偏置进行优化,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置,并根据确定的各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型,可以有效避免鲁棒极限学习机训练过程中,由于随机设置的输入权值和偏置使模型陷入局部最优解的问题,进而提高短期负荷预测模型输出结果的稳定性和准确性。
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配电网短期负荷预测方法的实现流程示意图;
图2是本发明实施例提供的确定待预测日中各个时段对应的参考日负荷数据集的实现流程示意图;
图3是本发明实施例提供的典型日负荷曲线对应的时间序列中任意两点的变化趋势示意图;
图4是本发明实施例提供的典型日负荷曲线对应的时间序列中任意一点xq与预设直线的正交距离Do的示意图;
图5是本发明实施例提供的季节性负荷分类决策树的示意图;
图6是本发明实施例提供的夏季负荷预测结果对比图;
图7是本发明实施例提供的冬季负荷预测结果对比图;
图8是本发明另一实施例提供的夏季负荷预测结果对比图;
图9是本发明另一实施例提供的冬季负荷预测结果对比图;
图10是本发明实施例提供的配电网短期负荷预测装置的示意图;
图11是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的配电网短期负荷预测方法的实现流程示意图,详述如下。
在步骤101中,基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集。
本实施例通过基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集,可以基于待预测日中各个时段对应的参考日负荷数据集训练短期负荷预测模型,使获得的短期负荷预测模型体现季节多时段特点,降低不同时间、不同环境条件等因素对负荷预测输出准确性的影响。
图2为本发明实施例提供的确定待预测日中各个时段对应的参考日负荷数据集的实现流程示意图,详述如下。
在步骤201中,根据历史日负荷数据集和历史日气象数据集建立决策树,对历史日负荷数据集进行季节性划分并得到季节划分规则。
在一种可能的实现方式中,根据历史日负荷数据集和历史日气象数据集建立决策树,对历史日负荷数据集进行季节性划分并得到季节划分规则,可以包括:对历史日负荷数据集中的所有历史日负荷数据进行聚类,确定最优聚类个数;根据历史日气象数据集,计算得到各个历史日的候温构成的候温集;针对候温集中的每个候温,对历史日负荷数据集构造二叉决策树,并计算对应的基尼系数增益值;将基尼系数增益值中的最小值对应的候温作为当前层最优分裂点,并得到分裂后的叶节点个数;判断叶节点个数是否小于最优聚类个数,若叶节点个数不小于最优聚类个数,则将各个叶节点对应的候温作为各个季节的季节划分规则,并根据各个叶节点对应的候温对历史日负荷数据集进行季节性划分;若叶节点个数小于最优聚类个数,则继续执行针对每个叶节点包括的候温,对历史日负荷数据集构造二叉决策树,并计算对应的基尼系数增益值的步骤及其后续步骤,直到分裂后的叶节点个数等于最优聚类个数。
在一种可能的实现方式中,对历史日负荷数据集中的所有历史日负荷数据进行聚类,确定最优聚类个数,可以包括:
获取当前聚类个数,并计算历史日负荷数据集中两两条历史日负荷数据之间的余弦相似度,根据余弦相似度按照当前聚类个数进行聚类。根据计算当前聚类个数对应的第一聚类评价指标。更新当前聚类个数,并按照计算第一聚类评价指标的方法,计算更新后聚类个数对应的第二聚类评价指标。当第二聚类评价指标与第一聚类评价指标之差满足第一预设条件时,将更新后聚类个数确定为最优聚类个数。当第二聚类评价指标与第一聚类评价指标之差未满足第一预设条件时,将更新后聚类个数作为当前聚类个数继续更新并计算第二聚类平均指标,直到第二聚类评价指标与第一聚类评价指标之差满足第一预设条件。
其中,V为第一聚类评价指标,c=1,2,…,C表示当前聚类个数中的第c类,C表示当前聚类个数,i=1,2,…,nc表示当前聚类个数中的第c类中的第i条历史日负荷数据,nc表示当前聚类个数中的第c类包括的历史日负荷数据的条数,Scos(xc,xi)表示历史日负荷数据集中第c条历史日负荷数据与第i条历史日负荷数据之间的余弦相似度。
其中,第一聚类评价指标V与聚类个数呈现正相关,因此,聚类个数达到最佳数量时,即V的变化趋势趋于平缓。
示例性的,假设某电网第i日对应的历史日负荷数据为xi=[xi1,xi2,…,xiq,…,xin],第j日对应的历史日负荷数据为xj=[xj1,xj2,…,xjq,…,xjn],则第i条历史日负荷数据与第j条历史日负荷数据之间的余弦相似度Scos(xi,xj)为:
其中,q=1,2,…,n,表示第q个采样点,n表示历史日负荷数据中的总采样点数目,xiq表示第i条历史日负荷数据中第q个采样点的负荷数据,xjq表示第j条历史日负荷数据中第q个采样点的负荷数据。
其中,第i条历史日负荷数据与第j条历史日负荷数据之间的余弦相似度Scos(xi,xj)的取值越大,表示第i条历史日负荷数据与第j条历史日负荷数据对应的负荷曲线形态差异越小,当Scos(xi,xj)的取值为1时,第i条历史日负荷数据与第j条历史日负荷数据完全相同。
其中,由于电力负荷数据是周期变化的,并且消费者的用电行为会根据随季节而发生变化,因此不同季节负荷曲线的风格有所不同。通常可以气象学中的候温用于划分不同季节,候温Hi,即每候(五天)的平均气温,计算公式如下:
其中,Hi为第i日的候温,Ti为第i日的当日平均温度。
然而,仅以气象学上的候温标准进行季节性划分对于电力负荷来说不够准确,本实施例在基于余弦相似度进行聚类并确定最优聚类个数的基础上,可以采用CART决策树产生可视化的分类规则,即季节划分规则。
决策树思想,实际上就是在一个数据集中找到有一个最优特征,然后从这个特征的选值中找出最优候选值以进行节点分裂。因此生成决策树模型的关键点在于分类特征量的确定、分类目标的确定以及分裂点的确定。
(1)分类特征量的确定:由于季节常以候温作为分类依据,故此,本实施例利用第i日的候温Hi作为对历史日负荷数据集进行季节性划分的分类特征量(根节点),计算公式如下:
ceil(Hi.min)≤Hi≤floor(Hi.max);
其中,Hi.min为候温集的最小值,Hi.max为候温集的最大值,基于历史日气象数据集,可以计算得到各个历史日的候温,各个历史日的候温构成候温集,ceil(·)表示对数据向下取整,floor(·)表示对数据向上取整。
(2)分类目标的确定:本实施例在构造决策树前对历史日负荷数据集中的所有历史日负荷数据进行了聚类,并确定了最优聚类个数,因此,构造决策树的分类目标为使分裂的叶节点尽可能与最优聚类个数保持一致。
(3)分裂点的确定:CART决策树算法中利用基尼系数(Gini)作为损失函数构造二叉决策树。以候温Hi分类后第k类的Gini系数Gk(X)的计算公式为:
其中,X表示历史日负荷数据集,pk表示历史日负荷数据集中第k类负荷数据的相对频率,nk表示历史日负荷数据集中第k类负荷数据包括的历史日负荷数据的条数,N表示历史日负荷数据集中包括的历史日负荷数据的条数。
其中,根据计算决策树左、右子节点的Gini系数,其中,Xl、Xr分别为决策树左、右子节点中包含的历史日负荷数据子集,Nl、Nr分别为历史日负荷数据子集Xl、Xr包括的历史日负荷数据的条数;nlk、nrk分别为决策树左、右子节点中第k类负荷数据的基数;分别为决策树左、右子节点中除第k类负荷数据之外的其他负荷数据子集的基数。则第k层分裂节点的Gini系数增益为:
逐个计算第k层所有候温对应的Gini系数增益,当ΔGk(Hi)取值最小时,此时的Hi即为最佳分裂点,并由此计算得到决策树分裂后的叶节点个数,若叶节点个数不小于最优聚类个数,则将各个叶节点对应的候温作为各个季节的季节划分规则。若叶节点个数小于最优聚类个数,则对每个左右子节点继续分裂,并按照Gini系数增益确定下一层的最佳分裂点,直到分裂后的叶节点个数等于最优聚类个数。
由于本实施例为构造决策树以对历史日负荷数据集进行季节性划分,所得到的分裂结果规模不大,因此可以不考虑决策树中的剪枝问题。
本实施例基于余弦相似度进行聚类进而确定最优聚类个数,再与CART决策树相结合确定季节划分规则。其中基于余弦相似度进行聚类时间复杂度较小,且聚类过程可逆,而且由于余弦相似度聚类更多的是从方向上区分差异,而对绝对的数值不敏感,更适用于电力负荷季节性的分类。而CART决策树可以不停的二分离散特征,将特征的取值二分化后,对每个子节点再次选择最优特征和最优划分点,因此可以有效得到预期结果。而且,由于CART决策树一开始严格要求分裂特征评估时只能使用在该特征上没有缺失值的那部分数据,在后续处理中,CART决策树使用了一种惩罚机制来抑制提升值,从而反映出缺失值的影响,当CART决策树中遇到缺失值时,可以确保无缺失训练数据上得到的树可以用来处理包含缺失值的新数据。为本实施例对历史日负荷数据集的处理提供便利。
在步骤202中,针对各季节的历史日负荷数据子集中的每条历史日负荷数据,进行非参数核密度拟合,获得各季节的典型日负荷曲线。
本实施例中,在根据历史日负荷数据集和历史日气象数据集建立决策树,对历史日负荷数据集进行季节性划分并得到季节划分规则后。由于在统一季节环境下,某一地区的电力负荷曲线拥有相近的峰谷差、负荷率,同时地区用户电力需求大致相同,绘制的负荷曲线趋势相比较而言差异不大。因此针对各季节的历史日负荷数据子集中的每条历史日负荷数据,可以进行非参数核密度拟合,在拟合负荷指标数据的前提下,进而叠加相同季节下的各历史日负荷数据,以获得各季节的典型日负荷曲线,能够准确描绘负荷变化趋势,在最大程度上反映地区季节负荷的形态。而不是根据各季节的历史日负荷数据子集中的每条历史日负荷数据的平均值获得各季节的典型日负荷曲线,有利于提高各季节的典型日负荷曲线的准确度。
在步骤203中,对各季节的典型日负荷曲线进行重要点分割,确定各季节的日重要点。
在一种可能的实现方式中,对各季节的典型日负荷曲线进行重要点分割,确定各季节的日重要点,可以包括:
将所有正交距离Do中大于预设距离的点作为典型日负荷曲线对应的初始重要点。
将相邻两个初始重要点的时间间隔大于预设间隔的点作为典型日负荷曲线对应季节的日重要点。
其中,xq=(tq,yq)表示时间序列在tq时刻的负荷值yq,q=1,2,…n,表示所述典型日负荷曲线中的第q个采样点。
本实施例中,为使历史日与待预测日的负荷预测体现季节多时段特点,采用重要点分割的方法对各季节的典型日负荷曲线进行多段分割处理。重要点分割是将时间序列数据进行降维处理的方法,其主要是通过各重要节点以及负荷曲线趋势来描述季节负荷的差异变化。在对各季节的典型日负荷曲线进行分段处理时,需要选取保留重要点,即边缘点、极值点以及曲线趋势改变的节点。因此重要点的确定取决于对时间序列实际分割情况。
其中,将典型日负荷曲线转换为时间序列后,时间序列中任意连续两点xq、xq+1随意组合,可得到如图3中的(a)、(b)和(c)所示的三种变化趋势:“上升状态”、“下降状态”和“保持状态”。而将任意三点xq-1、xq、xq+1随意组合,即将图3中的(a)、(b)和(c)所示的三种变化趋势叠加绘制,可以描述典型日负荷曲线对应的时间序列的模式特征的变化。
绘制点xq与预设直线的正交距离Do的示意图如图4所示,设相邻两点连接所得的线段称为一个模式,可用三角形的面积SΔABC表示模式间的变化大小。由于时间序列中,点之间具备相同的时间间隔t,因此SΔABC的面积为:
其中,当SΔABC越大时,也就是正交距离Do越大时,相邻两个组合间的变化趋势越剧烈。
根据计算时间序列中的所有点xq与预设直线的正交距离Do,选择正交距离大于预设距离的点作为典型日负荷曲线对应的初始重要点,同时设定预设间隔,按正交距离Do的大小依次获得初始重要点时,若出现新获得的重要点与已获得的重要点的时间间隔小于预设间隔时,则停止重要点的获取,并将已获取的初始重要点作为典型日负荷曲线对应季节的日重要点。
在步骤204中,根据季节划分规则及待预测日气象数据,确定待预测日的季节属性。
在步骤205中,根据季节属性对应季节的日重要点,将对应季节的历史日气象数据子集中的每条历史日气象数据及待预测日气象数据分段。
在步骤206中,基于分段结果,计算对应季节的历史日气象数据子集中的每条历史日气象数据与待预测日气象数据的相似度,确定待预测日中各个时段对应的参考日负荷数据集。
在一种可能的实现方式中,基于分段结果,计算对应季节的历史日气象数据子集中的每条历史日气象数据与待预测日气象数据的相似度,确定待预测日中各个时段对应的参考日负荷数据集,可以包括:
将相似度满足第二预设条件的历史日负荷数据确定为待预测日中各个时段的参考日负荷数据集。
其中,rd(Yd,Xd)表示对应季节的历史日气象数据子集中第d个重要点对应的历史日气象数据与第d个重要点对应的历史日负荷数据的皮尔逊相关系数,d=1,2,…D,表示对应季节的第d个日重要点,Ymd为第m条历史日气象数据中第d个重要点的气象数据,为第m条历史日气象数据的平均气象数据,Xmd为第m条历史日负荷数据中第d个重要点的负荷数据,为第m条历史日负荷数据的平均负荷数据,m=1,2,…M,表示对应季节的历史日气象数据子集中的第m条历史日气象数据或历史负荷数据子集中的第m条历史日负荷数据,Y′d表示待预测日中第d个重要点的气象数据。
本实施例中,基于气象数据可以驱动电力需求,且根据季节变化作用方式情况等会有所改变,因此将皮尔逊相关系数作为反映气象数据与负荷数据相关性的指标,根据分别计算对应季节的历史日气象数据子集中每个时段的历史日气象数据与对应时段的历史日负荷数据的皮尔逊相关系数,得到日皮尔逊相关系数向量Rd=[r1,r2,…,rD]。基于日皮尔逊相关系数向量,根据计算对应季节的历史日气象数据子集中第m条历史日气象数据与待预测日气象数据的相似度。将相似度满足第二预设条件的历史日负荷数据确定为待预测日中各个时段的参考日负荷数据集。其中,计算得到的R'm∈[0,1],当R'm=1时,表明对应季节的历史日气象数据子集中第m条历史日气象数据与待预测日气象数据完全一致。
本实施例中,基于重要点分割的结果,计算皮尔逊相关系数,并基于皮尔逊相关系数,确定待预测日中各个时段对应的参考日负荷数据集,可以提高参考日负荷数据集在各个时段的局部相似度,以此参考日负荷数据集建立的短期负荷预测模型,可以反映待预测日各时段的用电差异性,获得更准确的负荷预测结果。
在步骤102中,获取鲁棒极限学习机的隐含层数目和激活函数。
设隐含层数目为L,则激活函数模型为:
式中:wi=[wi1,wi2,...,win]T为隐含层第i个神经元随机生成的输入权值;Xj为训练集第j个输入值;yj为训练集第j个输出值;bi为隐含层i个神经元随机生成的偏置;βi为连接隐含层和输出层神经元的输出权值。
由于输入权值和偏置均为随机生成,导致鲁棒极限学习机容易陷入局部最优,预测输出结果不稳定。因此需要对输入权值和偏置进行优化。
在步骤103中,对激活函数中各个隐含层的输入权值及偏置进行优化,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置。
在一种可能的实现方式中,对激活函数中各个隐含层的输入权值及偏置进行优化,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置,可以包括:
将每条鲸鱼的行走位置作为激活函数中各个隐含层的输入权值及偏置,初始化鲸鱼优化算法参数并得到初始种群。
以鲁棒极限学习机的输出误差最小为目标,根据初始种群获得局部最优解。
其中,t为当前迭代次数,X(t)为当前迭代次数下的鲸鱼个体位置向量,Xrand为随机选择的鲸鱼个体位置向量,XL(t)为当前迭代次数下的局部最优解,A、C为系数向量,a为从2到0递减的数,r为[0,1]之间的随机数,b为常量系数,l为[0,1]之间的随机数,pt∈[0,1],并根据进行更新。
判断当前迭代次数是否达到鲸鱼优化算法参数中的最大迭代次数。
若当前迭代次数达到鲸鱼优化算法参数中的最大迭代次数,输出当前迭代次数下的鲸鱼个体位置向量,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置。
若当前迭代次数未达到鲸鱼优化算法参数中的最大迭代次数,继续执行更新下一代种群中鲸鱼个体位置的步骤,直到当前迭代次数达到鲸鱼优化算法参数中的最大迭代次数。
1)包围捕食阶段,驼背鲸通过群体释放的信息来确定食物源,与食物最近的鲸鱼作为局部最优解,其他鲸鱼朝着食物靠近,靠近过程的数学模型表示为:
其中,D为当前鲸鱼与最优鲸鱼之间的距离系数,XL(t)为当前迭代次数下的局部最优解,X(t)为当前迭代次数下的鲸鱼个体位置向量,A、C为系数向量,其中,a为从2到0递减的数,r为[0,1]之间的随机数,b为常量系数。
2)气泡袭击阶段,该阶段由收缩包围和螺旋更新组成。根据X(t+1)=XL(t)-A*D确定鲸鱼群的收缩行为。当|A|<1,其他非最优解朝着局部最优解靠近。|A|越大表示步长越大,|A|越大表示步长越小,求取了与最优解之间的距离之和,其余的鲸鱼按照螺旋方式向最优解靠近,行走的数学模型表示为:
X(t+1)=D*ebl*cos(2πl)+XL(t);
其中,b为常量系数,l为[0,1]之间的随机数,收缩包围和螺旋位置更新要同时进行,按照pt进行收缩,1-pt进行螺旋游走,pt∈[0,1],数学模型表示为:
3)寻找食物阶段,鲸鱼朝着局部最优的个体运动,并更新自己的位置,运动过程中增强了全局搜索能力。该过程表示为:
由于鲸鱼优化算法随机分布,导致其易陷入局部最优解,因此选取混沌函数来优化鲸鱼优化算法中随机分布的参数,根据混沌函数来决定选择螺旋游走还是收缩环绕游走,若pt+1<0.5则进行螺旋游走,反之则进行环绕游走。
在步骤104中,根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型。
在步骤105中,根据各个时段对应的短期负荷预测模型,对待预测日进行负荷预测。
以下通过具体实施例,对上述配电网短期负荷预测方法进行进一步说明。
选取我国某园区进行实验仿真,数据采样时间为2020年1月1日至2020年9月21日,数据内容为负荷数据和温度、相对湿度数据,数据采样频率为每日24点。共采用1月至9月共271天3252个数据作为算例数据集合,1月至9月共3252个日数据作为测试集以验证模型预测精度。
1)季节划分规则确定
负荷数据聚类分析:本实施例基于余弦相似度建立聚类评价指标,可得:当聚类个数为3时,聚类评价指标值的上升幅度最为平缓,因此选取最优聚类个数为3个。
季节性负荷自适应划分:在上述得到的聚类结果的基础上,将候温作为分裂属性,建立CART决策树。本专利根据历史气象数据设定ceil(Hi.min)为10℃,floor(Hi.max)为26℃,步长为0.5。计算各分裂点Gini系数增益可得,当Hi≥20℃为夏季负荷,Hi≤16℃为冬季负荷,16℃<Hs<20℃为春秋负荷,本算例研究夏季和冬季负荷。
2)典型日负荷曲线的重要点分割
分析夏季和冬季的典型日负荷曲线,对于夏季典型日负荷曲线,由于第三个重要点与前面两个重要点比较接近,因此选取曲线重要点个数确定为2个。同理,对于冬季典型日负荷曲线,选取重要点个数为4。
在根据确定的各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型之前,对气象数据以及负荷数据进行归一化处理。并设置鲁棒极限学习机的最大迭代次数为200次,种群数目为20。设置隐含层神经元个数为20,正则化参数C为230。
根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型,根据各个时段对应的短期负荷预测模型,对待预测日进行负荷预测,获得本实施例的配电网短期负荷预测方法的夏季负荷预测结果S1与实际夏季负荷S2的对比图如图6所示,以及冬季负荷预测结果S1与实际冬季负荷S2的对比图如图7所示。
由图6和图7可知,本实施例的配电网短期负荷预测方法,能够首先对数据进行聚类分析,根据结果准确地划分负荷;基于重要点分割的多分段预测方法能根据图案形状,选取曲线变化明显的点作为分段点,且能保持一定预测精度,具备实际应用价值。
进一步的,为比较本实施例的配电网短期负荷预测方法的准确性,获得本实施例的配电网短期负荷预测方法对应的预测结果S1、实际负荷S2以及日前负荷预测对应的预测结果S3的对比图如图8~9所示。从图8和图9可以看出,本实施例的配电网短期负荷预测方法所得的各季周负荷曲线更加接近真实负荷曲线,较日前预测方法而言具备更高的预测精度,各季各分段平均预测精度基本高于日前预测精度,具备更好的准确性和稳定性。
本发明实施例的配电网短期负荷预测方法,通过基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集,可以基于待预测日中各个时段对应的参考日负荷数据集训练短期负荷预测模型,使获得的短期负荷预测模型体现季节多时段特点,降低不同时间、不同环境条件等因素对负荷预测输出准确性的影响。通过对激活函数中各个隐含层的输入权值及偏置进行优化,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置,并根据确定的各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型,可以有效避免鲁棒极限学习机训练过程中,由于随机设置的输入权值和偏置使模型陷入局部最优解的问题,进而提高短期负荷预测模型输出结果的稳定性和准确性。
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,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。对应于上文实施例所述的配电网短期负荷预测方法,图10示出了本发明实施例提供的配电网短期负荷预测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图10所示,配电网短期负荷预测装置10可以包括:第一获取模块101、第二获取模块102、优化模块103、训练模块104和预测模块105。
第一获取模块101,用于基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集;
第二获取模块102,用于获取鲁棒极限学习机的隐含层数目和激活函数;
优化模块103,用于对所述激活函数中各个隐含层的输入权值及偏置进行优化,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;
训练模块104,用于根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型;
预测模块105,用于根据各个时段对应的短期负荷预测模型,对所述待预测日进行负荷预测。
在一种可能的实现方式中,预测模块105,可以用于将每条鲸鱼的行走位置作为所述激活函数中各个隐含层的输入权值及偏置,初始化鲸鱼优化算法参数并得到初始种群;以所述鲁棒极限学习机的输出误差最小为目标,根据所述初始种群获得局部最优解;若|A|≥1,根据更新下一代种群中鲸鱼个体位置;若|A|<1,根据更新下一代种群中鲸鱼个体位置;其中,t为当前迭代次数,X(t)为当前迭代次数下的鲸鱼个体位置向量,Xrand为随机选择的鲸鱼个体位置向量,XL(t)为当前迭代次数下的局部最优解,A、C为系数向量,a为从2到0递减的数,r为[0,1]之间的随机数,b为常量系数,l为[0,1]之间的随机数,pt∈[0,1],并根据进行更新;判断所述当前迭代次数是否达到所述鲸鱼优化算法参数中的最大迭代次数;若所述当前迭代次数达到所述鲸鱼优化算法参数中的最大迭代次数,输出当前迭代次数下的鲸鱼个体位置向量,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;若所述当前迭代次数未达到所述鲸鱼优化算法参数中的最大迭代次数,继续执行更新下一代种群中鲸鱼个体位置的步骤,直到所述当前迭代次数达到所述鲸鱼优化算法参数中的最大迭代次数。
在一种可能的实现方式中,第一获取模块101,可以用于根据所述历史日负荷数据集和所述历史日气象数据集建立决策树,对所述历史日负荷数据集进行季节性划分并得到季节划分规则;针对各季节的历史日负荷数据子集中的每条历史日负荷数据,进行非参数核密度拟合,获得各季节的典型日负荷曲线;对各季节的典型日负荷曲线进行重要点分割,确定各季节的日重要点;根据所述季节划分规则及所述待预测日气象数据,确定所述待预测日的季节属性;根据所述季节属性对应季节的日重要点,将对应季节的历史日气象数据子集中的每条历史日气象数据及所述待预测日气象数据分段;基于分段结果,计算对应季节的历史日气象数据子集中的每条历史日气象数据与待预测日气象数据的相似度,确定待预测日中各个时段对应的参考日负荷数据集。
在一种可能的实现方式中,第一获取模块101,可以用于对所述历史日负荷数据集中的所有历史日负荷数据进行聚类,确定最优聚类个数;根据所述历史日气象数据集,计算得到各个历史日的候温构成的候温集;针对所述候温集中的每个候温,对所述历史日负荷数据集构造二叉决策树,并计算对应的基尼系数增益值;将基尼系数增益值中的最小值对应的候温作为当前层最优分裂点,并得到分裂后的叶节点个数;判断所述叶节点个数是否小于所述最优聚类个数,若所述叶节点个数不小于所述最优聚类个数,则将各个叶节点对应的候温作为各个季节的季节划分规则,并根据各个叶节点对应的候温对所述历史日负荷数据集进行季节性划分;若所述叶节点个数小于所述最优聚类个数,则继续执行针对每个叶节点包括的候温,对所述历史日负荷数据集构造二叉决策树,并计算对应的基尼系数增益值的步骤及其后续步骤,直到分裂后的叶节点个数等于所述最优聚类个数。
在一种可能的实现方式中,第一获取模块101,可以用于获取当前聚类个数,并计算所述历史日负荷数据集中两两条历史日负荷数据之间的余弦相似度,根据所述余弦相似度按照所述当前聚类个数进行聚类;根据计算所述当前聚类个数对应的第一聚类评价指标;更新所述当前聚类个数,并按照计算所述第一聚类评价指标的方法,计算更新后聚类个数对应的第二聚类评价指标;当所述第二聚类评价指标与所述第一聚类评价指标之差满足第一预设条件时,将更新后聚类个数确定为最优聚类个数;当所述第二聚类评价指标与所述第一聚类评价指标之差未满足第一预设条件时,将更新后聚类个数作为当前聚类个数继续更新并计算所述第二聚类平均指标,直到所述第二聚类评价指标与所述第一聚类评价指标之差满足第一预设条件;
其中,V为所述第一聚类评价指标,c=1,2,…,C表示所述当前聚类个数中的第c类,C表示当前聚类个数,i=1,2,…,nc表示所述当前聚类个数中的第c类中的第i条历史日负荷数据,nc表示当前聚类个数中的第c类包括的历史日负荷数据的条数,Scos(xc,xi)表示所述历史日负荷数据集中第c条历史日负荷数据与第i条历史日负荷数据之间的余弦相似度。
在一种可能的实现方式中,第一获取模块101,用于将所述典型日负荷曲线转换为时间序列其中,yq∈R,且tq-tq-1=tq+1-tq;根据计算时间序列中的所有点xq与预设直线的正交距离Do,其中所述预设直线为点xq-1和点xq+1所在直线;将所有正交距离Do中大于预设距离的点作为典型日负荷曲线对应的初始重要点;将相邻两个初始重要点的时间间隔大于预设间隔的点作为所述典型日负荷曲线对应季节的日重要点;其中,xq=(tq,yq)表示时间序列在tq时刻的负荷值yq,q=1,2,…n,表示所述典型日负荷曲线中的第k个采样点。
在一种可能的实现方式中,第一获取模块101,可以用于根据分别计算对应季节的历史日气象数据子集中每个时段的历史日气象数据与对应时段的历史日负荷数据的皮尔逊相关系数;根据计算对应季节的历史日气象数据子集中第m条历史日气象数据与待预测日气象数据的相似度;将相似度满足第二预设条件的历史日负荷数据确定为所述待预测日中各个时段的参考日负荷数据集;
其中,rd(Yd,Xd)表示对应季节的历史日气象数据子集中第d个重要点对应的历史日气象数据与第d个重要点对应的历史日负荷数据的皮尔逊相关系数,d=1,2,…D,表示对应季节的第d个日重要点,Ymd为第m条历史日气象数据中第d个重要点的气象数据,为第m条历史日气象数据的平均气象数据,Xmd为第m条历史日负荷数据中第d个重要点的负荷数据,为第m条历史日负荷数据的平均负荷数据,m=1,2,…M,表示对应季节的历史日气象数据子集中的第m条历史日气象数据或历史负荷数据子集中的第m条历史日负荷数据,Y′d表示待预测日中第d个重要点的气象数据。
本发明实施例的配电网短期负荷预测装置,通过基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集,可以基于待预测日中各个时段对应的参考日负荷数据集训练短期负荷预测模型,使获得的短期负荷预测模型体现季节多时段特点,降低不同时间、不同环境条件等因素对负荷预测输出准确性的影响。通过对激活函数中各个隐含层的输入权值及偏置进行优化,获得使鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置,并根据确定的各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型,可以有效避免鲁棒极限学习机训练过程中,由于随机设置的输入权值和偏置使模型陷入局部最优解的问题,进而提高短期负荷预测模型输出结果的稳定性和准确性。
图11是本发明实施例提供的终端的示意图。如图11所示,该实施例的终端11包括:处理器111、存储器112以及存储在所述存储器112中并可在所述处理器111上运行的计算机程序113。所述处理器111执行所述计算机程序113时实现上述配电网短期负荷预测方法实施例中的步骤,例如图1所示的步骤101至105,或者图2所示的步骤201至步骤206。或者,所述处理器111执行所述计算机程序113时实现上述各装置实施例中各模块/单元的功能,例如图10所示模块101至105的功能。
示例性的,所述计算机程序113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112中,并由所述处理器111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113在所述终端11中的执行过程。例如,所述计算机程序113可以被分割成第一获取模块101、第二获取模块102、优化模块103、训练模块104和预测模块105。
所述终端11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。所述终端可包括,但不仅限于,处理器111、存储器112。本领域技术人员可以理解,图4仅仅是终端11的示例,并不构成对终端11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111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112可以是所述终端11的内部存储单元,例如终端11的硬盘或内存。所述存储器112也可以是所述终端11的外部存储设备,例如所述终端11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(FlashCard)等。进一步地,所述存储器112还可以既包括所述终端11的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端11所需的其他程序和数据。所述存储器112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。
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,可实现上述各个配电网短期负荷预测方法实施例的步骤。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)
1.一种配电网短期负荷预测方法,其特征在于,包括:
基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集;
获取鲁棒极限学习机的隐含层数目和激活函数;
对所述激活函数中各个隐含层的输入权值及偏置进行优化,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;
根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型;
根据各个时段对应的短期负荷预测模型,对所述待预测日进行负荷预测。
2.如权利要求1所述的配电网短期负荷预测方法,其特征在于,所述对所述激活函数中各个隐含层的输入权值及偏置进行优化,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置,包括:
将每条鲸鱼的行走位置作为所述激活函数中各个隐含层的输入权值及偏置,初始化鲸鱼优化算法参数并得到初始种群;
以所述鲁棒极限学习机的输出误差最小为目标,根据所述初始种群获得局部最优解;
其中,t为当前迭代次数,X(t)为当前迭代次数下的鲸鱼个体位置向量,Xrand为随机选择的鲸鱼个体位置向量,XL(t)为当前迭代次数下的局部最优解,A、C为系数向量,a为从2到0递减的数,r为[0,1]之间的随机数,b为常量系数,l为[0,1]之间的随机数,pt∈[0,1],并根据进行更新;
判断所述当前迭代次数是否达到所述鲸鱼优化算法参数中的最大迭代次数;
若所述当前迭代次数达到所述鲸鱼优化算法参数中的最大迭代次数,输出当前迭代次数下的鲸鱼个体位置向量,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;
若所述当前迭代次数未达到所述鲸鱼优化算法参数中的最大迭代次数,继续执行更新下一代种群中鲸鱼个体位置的步骤,直到所述当前迭代次数达到所述鲸鱼优化算法参数中的最大迭代次数。
3.如权利要求1或2所述的配电网短期负荷预测方法,其特征在于,所述基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集,包括:
根据所述历史日负荷数据集和所述历史日气象数据集建立决策树,对所述历史日负荷数据集进行季节性划分并得到季节划分规则;
针对各季节的历史日负荷数据子集中的每条历史日负荷数据,进行非参数核密度拟合,获得各季节的典型日负荷曲线;
对各季节的典型日负荷曲线进行重要点分割,确定各季节的日重要点;
根据所述季节划分规则及所述待预测日气象数据,确定所述待预测日的季节属性;
根据所述季节属性对应季节的日重要点,将对应季节的历史日气象数据子集中的每条历史日气象数据及所述待预测日气象数据分段;
基于分段结果,计算对应季节的历史日气象数据子集中的每条历史日气象数据与待预测日气象数据的相似度,确定待预测日中各个时段对应的参考日负荷数据集。
4.如权利要求3所述的配电网短期负荷预测方法,其特征在于,所述根据所述历史日负荷数据集和所述历史日气象数据集建立决策树,对所述历史日负荷数据集进行季节性划分并得到季节划分规则,包括:
对所述历史日负荷数据集中的所有历史日负荷数据进行聚类,确定最优聚类个数;
根据所述历史日气象数据集,计算得到各个历史日的候温构成的候温集;
针对所述候温集中的每个候温,对所述历史日负荷数据集构造二叉决策树,并计算对应的基尼系数增益值;
将基尼系数增益值中的最小值对应的候温作为当前层最优分裂点,并得到分裂后的叶节点个数;
判断所述叶节点个数是否小于所述最优聚类个数,若所述叶节点个数不小于所述最优聚类个数,则将各个叶节点对应的候温作为各个季节的季节划分规则,并根据各个叶节点对应的候温对所述历史日负荷数据集进行季节性划分;
若所述叶节点个数小于所述最优聚类个数,则继续执行针对每个叶节点包括的候温,对所述历史日负荷数据集构造二叉决策树,并计算对应的基尼系数增益值的步骤及其后续步骤,直到分裂后的叶节点个数等于所述最优聚类个数。
5.如权利要求4所述的配电网短期负荷预测方法,其特征在于,所述对所述历史日负荷数据集中的所有历史日负荷数据进行聚类,确定最优聚类个数,包括:
获取当前聚类个数,并计算所述历史日负荷数据集中两两条历史日负荷数据之间的余弦相似度,根据所述余弦相似度按照所述当前聚类个数进行聚类;
更新所述当前聚类个数,并按照计算所述第一聚类评价指标的方法,计算更新后聚类个数对应的第二聚类评价指标;
当所述第二聚类评价指标与所述第一聚类评价指标之差满足第一预设条件时,将更新后聚类个数确定为最优聚类个数;
当所述第二聚类评价指标与所述第一聚类评价指标之差未满足第一预设条件时,将更新后聚类个数作为当前聚类个数继续更新并计算所述第二聚类平均指标,直到所述第二聚类评价指标与所述第一聚类评价指标之差满足第一预设条件;
其中,V为所述第一聚类评价指标,c=1,2,…,C表示所述当前聚类个数中的第c类,C表示当前聚类个数,i=1,2,…,nc表示所述当前聚类个数中的第c类中的第i条历史日负荷数据,nc表示当前聚类个数中的第c类包括的历史日负荷数据的条数,Scos(xc,xi)表示所述历史日负荷数据集中第c条历史日负荷数据与第i条历史日负荷数据之间的余弦相似度。
6.如权利要求3所述的配电网短期负荷预测方法,其特征在于,所述对各季节的典型日负荷曲线进行重要点分割,确定各季节的日重要点,包括:
将所有正交距离Do中大于预设距离的点作为典型日负荷曲线对应的初始重要点;
将相邻两个初始重要点的时间间隔大于预设间隔的点作为所述典型日负荷曲线对应季节的日重要点;
其中,xq=(tq,yq)表示时间序列在tq时刻的负荷值yq,q=1,2,…n,表示所述典型日负荷曲线中的第k个采样点。
7.如权利要求3所述的配电网短期负荷预测方法,其特征在于,所述基于分段结果,计算对应季节的历史日气象数据子集中的每条历史日气象数据与待预测日气象数据的相似度,确定待预测日中各个时段对应的参考日负荷数据集,包括:
将相似度满足第二预设条件的历史日负荷数据确定为所述待预测日中各个时段的参考日负荷数据集;
8.一种配电网短期负荷预测装置,其特征在于,包括:
第一获取模块,用于基于历史日负荷数据集、历史日气象数据集以及待预测日气象数据,确定待预测日中各个时段对应的参考日负荷数据集;
第二获取模块,用于获取鲁棒极限学习机的隐含层数目和激活函数;
优化模块,用于对所述激活函数中各个隐含层的输入权值及偏置进行优化,获得使所述鲁棒极限学习机的输出误差最小的最优输入权值及最优偏置;
训练模块,用于根据各个时段对应的参考日负荷数据集,对获得最优输入权值及最优偏置后的鲁棒极限学习机进行训练,获得各个时段对应的短期负荷预测模型;
预测模块,用于根据各个时段对应的短期负荷预测模型,对所述待预测日进行负荷预测。
9.一种终端,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7任一项所述方法的步骤。
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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649540.2A CN113361785A (zh) | 2021-06-10 | 2021-06-10 | 配电网短期负荷预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649540.2A CN113361785A (zh) | 2021-06-10 | 2021-06-10 | 配电网短期负荷预测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361785A true CN113361785A (zh) | 2021-09-07 |
Family
ID=77533640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649540.2A Pending CN113361785A (zh) | 2021-06-10 | 2021-06-10 | 配电网短期负荷预测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361785A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705929A (zh) * | 2021-09-15 | 2021-11-26 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN113743673A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN114036762A (zh) * | 2021-11-15 | 2022-02-11 | 贵州电网有限责任公司 | 基于比例系数法预测配电网负荷的系统和方法 |
CN114418199A (zh) * | 2021-12-31 | 2022-04-29 | 新奥数能科技有限公司 | 电量预测方法及装置 |
CN116502768A (zh) * | 2023-05-23 | 2023-07-28 | 中国南方航空股份有限公司 | 民航信息岗负荷预警方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146063A (zh) * | 2018-08-27 | 2019-01-04 | 广东工业大学 | 一种基于重要点分割的多分段短期负荷预测方法 |
CN109242174A (zh) * | 2018-08-27 | 2019-01-18 | 广东工业大学 | 一种基于决策树的季节性负荷自适应划分方法 |
CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
-
2021
- 2021-06-10 CN CN202110649540.2A patent/CN113361785A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146063A (zh) * | 2018-08-27 | 2019-01-04 | 广东工业大学 | 一种基于重要点分割的多分段短期负荷预测方法 |
CN109242174A (zh) * | 2018-08-27 | 2019-01-18 | 广东工业大学 | 一种基于决策树的季节性负荷自适应划分方法 |
CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
吴飞 等: ""基于CWOA-ELM的短期电力负荷预测研究"", 《电子测量技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743673A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN113743673B (zh) * | 2021-09-09 | 2023-12-22 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN113705929A (zh) * | 2021-09-15 | 2021-11-26 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN113705929B (zh) * | 2021-09-15 | 2024-05-07 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN114036762A (zh) * | 2021-11-15 | 2022-02-11 | 贵州电网有限责任公司 | 基于比例系数法预测配电网负荷的系统和方法 |
CN114418199A (zh) * | 2021-12-31 | 2022-04-29 | 新奥数能科技有限公司 | 电量预测方法及装置 |
CN116502768A (zh) * | 2023-05-23 | 2023-07-28 | 中国南方航空股份有限公司 | 民航信息岗负荷预警方法、系统及存储介质 |
CN116502768B (zh) * | 2023-05-23 | 2024-06-07 | 中国南方航空股份有限公司 | 民航信息岗负荷预警方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xuan et al. | Multi-model fusion short-term load forecasting based on random forest feature selection and hybrid neural network | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN111738512A (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
Wang et al. | Correlation aware multi-step ahead wind speed forecasting with heteroscedastic multi-kernel learning | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
Wahid et al. | Statistical features based approach (SFBA) for hourly energy consumption prediction using neural network | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
Li et al. | Forecasting of short-term photovoltaic power generation using combined interval type-2 Takagi-Sugeno-Kang fuzzy systems | |
CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
Fan et al. | Short-term load forecasting based on empirical wavelet transform and random forest | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
Wang et al. | An optimized deep nonlinear integrated framework for wind speed forecasting and uncertainty analysis | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
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: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |