CN113516283A - 一种基于相似日选取的短期负荷预测方法 - Google Patents

Abstract

本发明提供了一种基于相似日选取的短期负荷预测方法，包括以下步骤：步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。本专利运用相似日和GRNN神经网络对短期电力负荷进行双向组合预测。通过相似日选择的方法确定数据集以提高输入样本质量，将同一相似日不同时刻的负荷称为横向样本，不同相似日同一时刻的负荷称为纵向样本。把横向样本和纵向样本分别输入GRNN神经网络进行预测，对每一个采样点都采用最小方差法计算横向、纵向预测权重并得出最终预测结果。

Description

一种基于相似日选取的短期负荷预测方法

技术领域

本发明属于电力负载预测领域，涉及到一种短期负荷预测方法，特别涉及一种基于相似日选取的短期负荷预测方法。

背景技术

负荷预测是电力部门的重要工作内容之一，在电力系统规划、运行、调度中有着重要作用。准确的负荷预测结果能够保证电力系统的可靠、经济运行。

在负荷预测技术发展早期，负荷预测方法主要为传统预测法，一般包括自回归滑动平均法、回归分析法、卡尔曼滤波法和指数平滑法等。。此类方法对数据的时序性要求很高，但非线性拟合能力不强，随着智能电网的发展，电力数据的爆炸式增长，利用此类方法预测的精度已经不能满足社会发展的需要。为解决上述问题。近年来，人工智能算法被大量应用于负荷预测领域，主要包括模糊逻辑法，专家系统法，人工神经网络，支持向量机法等此类机器学习方法很好地解决了数据之间的非线性关系，但是用于负荷预测中，需要人为添加时间特征保证预测精度。

随着经济的发展，人民生活水平逐步提高，空调等用电设备的使用量逐年增加，直接导致气象因素、日类型因素对电力负荷的影响越来越大，传统的预测方法难以准确预测。考虑到历史负荷数据之间有很强的时序性，故本专利使用擅长处理时序性数据的广义回归神经网络(General Regression Neural Network，GRNN)作为基本模型对电力负荷数据进行预测。该网络可以最大限度地挖掘数据之间时序性与非线性的关系。但是此网络容易忽略影响因素导致只考虑了数据时序性与非线性的关系，未考虑到数据的周期性与时序性和非线性三者之间的关系。

发明内容

1、所要解决的技术问题：

现有广义回归神经网络作为基本模型对电力负荷数据进行预测，只考虑了数据时序性与非线性的关系，未考虑到数据的周期性与时序性和非线性三者之间的关系。

2、技术方案：

为了解决以上问题，本发明提供了一种基于相似日选取的短期负荷预测方法，包括以下步骤：步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。

步骤2中，通过灰色关联分析法挑选相似日，然后根据关联度大小，挑选出测试日、训练集标签日和训练日。

在步骤7中，采用最小方差法确定每个采样点横向、纵向预测值权重。

相似日的确定方法为：设影响因素有m种，历史天气记录有n天，样本气象数据序列为子序列。则第i天的影响因素序列表示为:X_i＝(x_1i,x_2i,...,x_mi)，然后挑选测试日、训练集标签和训练日，n的取值不同，分别为26、31和30；m＝1,2…5；i＝1,2…n，选取标签日与待预测日的影响因素序列为母序列，表示为:X₀＝(x₁₀,x₂₀,...,x_m0)，将子序列和母序列中的每个元素都除以各自向量中的第一个数据进行初值化处理，设初值化处理后的向量为X_i'和X'₀，

设第i个子序列的第k个影响因素与母序列的第k个影响因素的关联系数为:

其中k＝1,2…m,i＝1,2…n,|x′_0(k)-x′_i(k)|为子序列与母序列影响因素初值化后的绝对差值，ρ为分辨系数，取值区间为(0,1)。

所述ρ＝0.5。

神经网络GRNN是一种特殊的径向基神经网络，用于函数逼近，其中输入层：获取m维输入向量X＝[x₁,x₂,...,x_m]^T，传递至模式层，其中输入层神经元个数等于输入向量的特征维数；模式层：模式层共有n个神经元，n为输入向量样本数，传递函数如下：

式中：P_i表示模式层第i个输出值；x_i表示第i个输入向量；σ表示全局参数；求和层：

求和层共有两类神经元进行运算：一类神经元接收模式层的输出结果P_i，对P_i线性求和，传递函数如下：

另一类神经元一旦接收到P_i随即生成权值y_ij，y_ij表示模式层中第i个神经元到求和层第j个神经元的权重，其值等于第i个输出向量y_i中的第j个元素。传递函数如下：

输出层：计算输出向量y_j如下式所示：

3、有益效果：

本发明运用相似日和GRNN神经网络对短期电力负荷进行双向组合预测。通过相似日选择的方法确定数据集以提高输入样本质量，将同一相似日不同时刻的负荷称为横向样本，不同相似日同一时刻的负荷称为纵向样本。把横向样本和纵向样本分别输入GRNN神经网络进行预测，对每一个采样点都采用最小方差法计算横向、纵向预测权重并得出最终预测结果。

附图说明

图1为具体流程图。

图2为GRNN网络结构。

具体实施方式

下面结合附图对本发明进行详细说明。

如图1所示，本发明提供了一种基于相似日选取的短期负荷预测方法，包括以下步骤：

步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。

本专利采用GRNN模型对电力负荷变化趋势进行预测，并引人基于灰色关联度分析法的来选取相似日数据以提高GRNN预测短期负荷量的精度和收敛速度。

本专利采用灰色关联分析法挑选相似日。灰色关联分析反映了曲线间的关联程度。根据关联度大小，先后挑选出测试日、训练集标签日和训练日。

确定相似日时，主要考虑的影响因素有m种，历史天气记录有n天，样本气象数据序列为子序列。则第i天的影响因素序列可表示为:X_i＝(x_1i,x_2i,...,x_mi)，在挑选测试日、训练集标签和训练日时，n的取值不同，分别为26、31和30；m＝1,2…5；i＝1,2…n。

选取标签日与待预测日的影响因素序列为母序列，可表示为:X₀＝(x₁₀,x₂₀,...,x_m0)，将子序列和母序列中的每个元素都除以各自向量中的第一个数据进行初值化处理，设初值化处理后的向量为X_i'和X'₀。

设第i个子序列的第k个影响因素与母序列的第k个影响因素的关联系数为:

其中k＝1,2…m,i＝1,2…n,|x′_0(k)-x′_i(k)|为子序列与母序列影响因素初值化后的绝对差值，ρ为分辨系数，一般取值区间为(0,1)，本专利中ρ＝0.5。

每个影响因素对应一个关联系数，故关联系数有m个，不方便比较，所以求其平均值作为子序列和母序列之间的关联度，公式为:

式中r_i越大，表示关联度越高，即相似度越高。

广义回归神经网络GRNN是一种特殊的径向基神经网络，常用于函数逼近，结构见图2。

(1)输入层

获取m维输入向量X＝[x₁,x₂,...,x_m]^T，传递至模式层，其中输入层神经元个数等于输入向量的特征维数。

(2)模式层

模式层共有n个神经元，n为输入向量样本数，传递函数如下：

式中：P_i表示模式层第i个输出值；x_i表示第i个输入向量；σ表示全局参数。

(3)求和层

求和层共有两类神经元进行运算：

一类神经元接收模式层的输出结果P_i，对P_i线性求和，传递函数如下：

另一类神经元一旦接收到P_i随即生成权值y_ij，y_ij表示模式层中第i个神经元到求和层第j个神经元的权重，其值等于第i个输出向量y_i中的第j个元素。传递函数如下：

(4)输出层

计算输出向量y_j如下式所示：

可以看出，一旦给定训练样本，GRNN中输入层、模式层、输出层的神经元个数随即确定，模式层、求和层的权值矩阵结构也随即确定，仅仅只有全局参数σ需要确定。

虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (6)

1.一种基于相似日选取的短期负荷预测方法，包括以下步骤：步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。

2.如权利要求1所述的方法，其特征在于：步骤2中，通过灰色关联分析法挑选相似日，然后根据关联度大小，挑选出测试日、训练集标签日和训练日。

3.如权利要求1或2所述的方法，其特征在于：在步骤7中，采用最小方差法确定每个采样点横向、纵向预测值权重。

4.如权利要求1或2所述的方法，其特征在于：相似日的确定方法为：设影响因素有m种，历史天气记录有n天，样本气象数据序列为子序列。则第i天的影响因素序列表示为:X_i＝(x_1i,x_2i,...,x_mi)，然后挑选测试日、训练集标签和训练日，n的取值不同，分别为26、31和30；m＝1,2…5；i＝1,2…n，选取标签日与待预测日的影响因素序列为母序列，表示为:X₀＝(x₁₀,x₂₀,...,x_m0)，将子序列和母序列中的每个元素都除以各自向量中的第一个数据进行初值化处理，设初值化处理后的向量为X′_i和X'₀，

设第i个子序列的第k个影响因素与母序列的第k个影响因素的关联系数为:

其中k＝1,2…m,i＝1,2…n,|x′_0(k)-x′_i(k)|为子序列与母序列影响因素初值化后的绝对差值，ρ为分辨系数，取值区间为(0,1)。

5.如权利要求3所述的方法，其特征在于：所述ρ＝0.5。

6.如权利要求1或2或5所述的方法，其特征在于：神经网络GRNN是一种特殊的径向基神经网络，用于函数逼近，其中输入层：获取m维输入向量X＝[x₁,x₂,...,x_m]^T，传递至模式层，其中输入层神经元个数等于输入向量的特征维数；模式层：模式层共有n个神经元，n为输入向量样本数，传递函数如下：

式中：P_i表示模式层第i个输出值；x_i表示第i个输入向量；σ表示全局参数；求和层：

求和层共有两类神经元进行运算：一类神经元接收模式层的输出结果P_i，对P_i线性求和，传递函数如下：

另一类神经元一旦接收到P_i随即生成权值y_ij，y_ij表示模式层中第i个神经元到求和层第j个神经元的权重，其值等于第i个输出向量y_i中的第j个元素。传递函数如下：

输出层：计算输出向量y_j如下式所示：

Images