CN113705923A - 一种基于智能算法的负荷预测方法 - Google Patents

一种基于智能算法的负荷预测方法 Download PDF

Info

Publication number
CN113705923A
CN113705923A CN202111041769.4A CN202111041769A CN113705923A CN 113705923 A CN113705923 A CN 113705923A CN 202111041769 A CN202111041769 A CN 202111041769A CN 113705923 A CN113705923 A CN 113705923A
Authority
CN
China
Prior art keywords
data
load
time
value
model
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
CN202111041769.4A
Other languages
English (en)
Inventor
黄文礼
徐沛哲
季坤
朱太云
张可
郑浩
陆年生
王坤
王刘芳
李宇
吴海峰
王海超
马俊杰
胡东升
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.)
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
State Grid Anhui Electric Power Co Ltd
NARI Group Corp
Original Assignee
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
State Grid Anhui Electric Power Co Ltd
NARI Group Corp
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 Anhui Nanrui Jiyuan Power Grid Technology Co ltd, State Grid Anhui Electric Power Co Ltd, NARI Group Corp filed Critical Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Priority to CN202111041769.4A priority Critical patent/CN113705923A/zh
Publication of CN113705923A publication Critical patent/CN113705923A/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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0255—Filters based on statistics
    • H03H17/0257—KALMAN filters
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于智能算法的负荷预测方法，是针对提取出完整的变压器电力负荷数据，对于提取到的负荷数据，首先搭建基于渐消记忆指数加权法的噪声估值优化的容积卡尔曼滤波模型对负荷值进行预测，获取负荷预测结果和预测误差序列，对预测误差数据进行野值处理，采用GM‑BP模型对预测误差数据进行预测，用以修正基于渐消记忆指数加权法的噪声估值优化的容积卡尔曼滤波模型预测结果，得到最终的负荷预测结果。本发明改善传统负荷预测模型时效性和准确性不足的问题，从而能提高电网负荷预测的能力，为电力系统安全经济运行和实现电网科学管理及调度提供重要保障。

Description

一种基于智能算法的负荷预测方法
技术领域
本发明属于电力技术领域，具体的说是一种基于智能算法的负荷预测方法。
背景技术
电力负荷预测作为电力系统重要工作内容之一，预测的精度高低会对经济调度、实时控制、运行计划及发展规划等方面产生很大影响。随着电力市场进一步开放、市场机制更加成熟、市场开放更加全面，电力负荷预测将发挥更大作用。传统的负荷预测方式例如回归预测法、时间序列法等方法在实时性和准确性方面已经不能满足目前的需求，尤其是在多重因素的影响下面临巨大挑战。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于智能算法的负荷预测方法，以期能改善传统负荷预测模型时效性和准确性不足的问题，从而能提高电网负荷预测的能力，为电力系统安全经济运行和实现电网科学管理及调度提供重要保障。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于智能算法的负荷预测方法的特点在于，包括如下步骤：
S1：按时间序列采集单个变压器的负荷数据；
S2：采用基于渐消记忆指数加权法对容积卡尔曼滤波模型的噪声估值进行优化，得到优化后的容积卡尔曼滤波模型，利用部分的负荷数据对优化后的容积卡尔曼滤波模型进行训练，得到负荷预测模型；
S3：利用负荷预测模型对其余的负荷数据进行预测，得到预测的负荷值，并与所述其余的负荷数据进行比较，计算得到预测误差序列N＝[N1,N2,...,Nk,...,Nn]；其中，Nk表示第k个预测误差，且Nk＝Xk-xk；Xk表示第k个负荷数据，xk表示第k个预测的负荷值，k＝1,2,3...n；n表示所述其余的负荷数据的数量；
S4：对所述预测误差序列进行野值处理，得到平滑化的预测误差序列；
S5：在BP神经网络的输入端添加灰化层，在输出端添加白化层，从而得到改进GM-BP模型；
利用部分的平滑化的预测误差序列对改进GM-BP模型进行训练，得到训练后的GM-BP模型；
S6：采用训练后GM-BP模型对其余的平滑化的预测误差序列进行预测，获取预测误差值；
S7：用预测误差值对所述预测的负荷值进行修正，得到修正后的预测负荷值。
本发明所述的智能算法负荷预测方法的特点也在于，所述步骤S2中的噪声估值优化是包括以下步骤：
步骤S2.1：利用式(1)得到k时刻生成的噪声协方差矩阵的加权系数dk：
Figure BDA0003249560530000021
式(1)中，e表示常数；
步骤S2.2：利用式(2)计算k+1时刻生成的系统噪声协方差矩阵Q′k+1：
Figure BDA0003249560530000022
式(2)中，εk表示k时刻的残差值，并由式(3)得到；T表示转置，Gk表示k时刻的增益系数，Pk|k表示k时刻负荷状态量的估计偏差矩阵，Fk-1|k-1表示k-1时刻的状态转移矩阵，
Figure BDA0003249560530000023
表示k-1时刻状态转移矩阵的转置；
Figure BDA0003249560530000024
式(3)中，
Figure BDA0003249560530000025
表示k时刻的实际值，
Figure BDA0003249560530000026
表示k时刻的预测值，Wk表示k时刻的滤波增益；步骤S2.3：利用式(4)计算k+1时刻的量测噪声协方差矩阵R′k+1：
Figure BDA0003249560530000027
步骤S2.4：以所述系统噪声协方差矩阵Q′k+1和量测噪声协方差矩阵R′k+1作为优化后的容积卡尔曼滤波模型中噪声的协方差矩阵。
所述S4包括以下步骤：
S4.1：若n为奇数，则删除N1后，执行步骤S4.2；若n为偶数，则直接执行步骤S4.2；
S4.2：按照奇偶位置将预测误差序列N＝[N1,N2,...,Nk,...,Nn]为两组数据，记为第一次分组的奇数数据
Figure BDA0003249560530000028
和第一次分组的偶数数据
Figure BDA0003249560530000029
对第一次分组的两组数据N1-O和N1-E再按照奇偶位置进行第二次分组，得到第二次分组的奇数数据N2-OO,N2-OE和第二次分组的偶数数据N2-EO,N2-EE；以此类推，从而将预测误差序列N＝[N1,N2,...,Nk,...,Nn]分为2m组的奇数数据和2m组的偶数数据；
S4.3：分别剔除第一次分组的两组数据N1-O和N1-E的异常数据，得到预处理后的第一次分组的奇数数据
Figure BDA0003249560530000031
和预处理后的第一次分组的偶数数据
Figure BDA0003249560530000032
S4.4：求取预处理后的第一次分组的奇数数据y1-O的均值
Figure BDA0003249560530000033
和方差σ1-O，以及预处理后的第一次分组的偶数数据y1-E的均值
Figure BDA0003249560530000034
和方差σ1-E；
S4.5：按照步骤S4.3-步骤S4.4的过程对2m组的奇数数据和2m组的偶数数据进行处理，得到每组奇数数据和偶数数据的均值和方差；
S4.6：计算预处理后的第一次分组的奇数数据y1-O中的每个数据与均值
Figure BDA0003249560530000035
之间的残差，并将大于所设定阈值Δ·σ1-O的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y1-O中删除；Δ表示倍数；
计算预处理后的第一次分组的偶数数据y1-E中的每个数据与均值
Figure BDA0003249560530000036
之间的残差，并将大于所设定阈值Δ·σ1-E的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y1-O中删除；
S4.6：按照步骤S4.6的过程对2m组的奇数数据和2m组的偶数数据进行残差计算和野值判断，从而得到平滑化的预测误差序列。
与现有技术相比，本发明的有益效果在于：
1、本发明搭建了一套电力负荷预测组合模型，该模型预测部分提高了近期负荷数据影响权值分配，有效提高了模型预测的时效性，同时利用历史训练数据的误差序列预测模型预测的误差度，来进一步完善了预测模型的预测结果。
2、本发明对容积卡尔曼滤波模型进行改进，在量测噪声协方差矩阵和噪声协方差矩阵计算过程中加入渐消记忆指数进行加权处理，使得该模型提高最近的时间点的权值分配，减弱了较远时间点的权值分配，增加了近期负荷变化对预测结果的影响，并提高了预测的时效性；
3、本发明对传统数据野值处理的方式进行改进，将数据按照位置的奇偶性进行两次分组，这样使数据分解为四组，分别计算各组数据的残差，对残差值大于额定阈值的数据进行替换处理，从而实现了对数据的深度清理。
附图说明
图1为本发明改进负荷预测模型框架图；
图2为本发明基于渐消记忆指数加权法的噪声估值优化容积卡尔曼滤波模型框架图；
图3为本发明改进数据清洗流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本实施例中，如图1所示，一种基于智能算法的负荷预测方法，包括如下步骤：
S1：按时间序列采集单个变压器的负荷数据；
S2：如图2所示，采用基于渐消记忆指数加权法对容积卡尔曼滤波模型的噪声估值进行优化，得到优化后的容积卡尔曼滤波模型，利用部分的负荷数据对优化后的容积卡尔曼滤波模型进行训练，得到负荷预测模型；
其中，噪声估值优化是包括以下步骤：
步骤S2.1：利用式(1)得到k时刻生成的噪声协方差矩阵的加权系数dk：
Figure BDA0003249560530000041
式(1)中，e表示常数；
步骤S2.2：利用式(2)计算k+1时刻生成的系统噪声协方差矩阵Q′k+1：
Figure BDA0003249560530000042
式(2)中，εk表示k时刻的残差值，并由式(3)得到；T表示转置，Gk表示k时刻的增益系数，Pk|k表示k时刻负荷状态量的估计偏差矩阵，Fk-1|k-1表示k-1时刻的状态转移矩阵，
Figure BDA0003249560530000043
表示k-1时刻状态转移矩阵的转置；
Figure BDA0003249560530000044
式(3)中，
Figure BDA0003249560530000045
表示k时刻的实际值，
Figure BDA0003249560530000046
表示k时刻的预测值，Wk表示k时刻的滤波增益；
步骤S2.3：利用式(4)计算k+1时刻的量测噪声协方差矩阵R′k+1：
Figure BDA0003249560530000051
步骤S2.4：以系统噪声协方差矩阵Q′k+1和量测噪声协方差矩阵R′k+1作为优化后的容积卡尔曼滤波模型中噪声的协方差矩阵，经过以上处理的容积卡尔曼滤波模型可以提高对近期数据变化的敏感度，实现自适应更新，提高模型的预测精度。
S3：如图3所示，利用负荷预测模型对其余的负荷数据进行预测，得到预测的负荷值，并与其余的负荷数据进行比较，计算得到预测误差序列N＝[N1,N2,...,Nk,...,Nn]；其中，Nk表示第k个预测误差，且Nk＝Xk-xk；Xk表示第k个负荷数据，xk表示第k个预测的负荷值，k＝1,2,3...n；n表示其余的负荷数据的数量；
S4：对预测误差序列进行野值处理，得到平滑化的预测误差序列；
S4.1：若n为奇数，则删除N1后，执行步骤S4.2；若n为偶数，则直接执行步骤S4.2；
S4.2：按照奇偶位置将预测误差序列N＝[N1,N2,...,Nk,...,Nn]为两组数据，记为第一次分组的奇数数据
Figure BDA0003249560530000052
和第一次分组的偶数数据
Figure BDA0003249560530000053
对第一次分组的两组数据N1-O和N1-E再按照奇偶位置进行第二次分组，得到第二次分组的奇数数据N2-OO,N2-OE和第二次分组的偶数数据N2-EO,N2-EE；以此类推，从而将预测误差序列N＝[N1,N2,...,Nk,...,Nn]分为2m组的奇数数据和2m组的偶数数据；
S4.3：分别剔除第一次分组的两组数据N1-O和N1-E的异常数据，得到预处理后的第一次分组的奇数数据
Figure BDA0003249560530000054
和预处理后的第一次分组的偶数数据
Figure BDA0003249560530000055
S4.4：求取预处理后的第一次分组的奇数数据y1-O的均值
Figure BDA0003249560530000056
和方差σ1-O，以及预处理后的第一次分组的偶数数据y1-E的均值
Figure BDA0003249560530000057
和方差σ1-E；
S4.5：按照步骤S4.3-步骤S4.4的过程对2m组的奇数数据和2m组的偶数数据进行处理，得到每组奇数数据和偶数数据的均值和方差；
S4.6：计算预处理后的第一次分组的奇数数据y1-O中的每个数据与均值
Figure BDA0003249560530000061
之间的残差，并将大于所设定阈值Δ·σ1-O的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y1-O中删除；Δ表示倍数，在本发明中设定Δ为2；
计算预处理后的第一次分组的偶数数据y1-E中的每个数据与均值
Figure BDA0003249560530000062
之间的残差，并将大于所设定阈值Δ·σ1-E的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y1-O中删除；
S4.6：按照步骤S4.6的过程对2m组的奇数数据和2m组的偶数数据进行残差计算和野值判断，从而得到平滑化的预测误差序列，将数据分为多组再进行野值处理，进一步细化数据组的类别，增加采集点的时间间隔，提高野值数据的挑选和剔除。
S5：在BP神经网络的输入端添加灰化层，在输出端添加白化层，从而得到改进GM-BP模型；
将灰微分方程式的解映射到BP神经网络；通过训练得到最优的灰微分方程参数a、b和灰微分方程。灰色GM(1,1)模型白化微分方程的解，用时间响应式函数可以表示为式(5)：
Figure BDA0003249560530000063
式(5)中，y(t)为一次累加生成序列x(1)(t)。
对两边同时乘以
Figure BDA0003249560530000064
得到公式(6)：
Figure BDA0003249560530000065
对于4层BP神经网络结构，t为网络输入，y(t)为网络输出；各层网络的权值wij(i＝1,2,3；j＝1,2)，输出层阈值θ分别表示为式(7)：
Figure BDA0003249560530000071
利用部分的平滑化的预测误差序列对改进GM-BP模型进行训练，得到训练后的GM-BP模型；在GM-BP模型中，通过修正优化权值得到参数a，b的最优值，以提高模型精度。
S6：采用训练后GM-BP模型对其余的平滑化的预测误差序列进行预测，获取预测误差值；
S7：用预测误差值对预测的负荷值进行修正，得到修正后的预测负荷值。

Claims (3)

1.一种基于智能算法的负荷预测方法，其特征在于，包括如下步骤：
S1：按时间序列采集单个变压器的负荷数据；
S2：采用基于渐消记忆指数加权法对容积卡尔曼滤波模型的噪声估值进行优化，得到优化后的容积卡尔曼滤波模型，利用部分的负荷数据对优化后的容积卡尔曼滤波模型进行训练，得到负荷预测模型；
S3：利用负荷预测模型对其余的负荷数据进行预测，得到预测的负荷值，并与所述其余的负荷数据进行比较，计算得到预测误差序列N＝[N1,N2,...,Nk,...,Nn]；其中，Nk表示第k个预测误差，且Nk＝Xk-xk；Xk表示第k个负荷数据，xk表示第k个预测的负荷值，k＝1,2,3...n；n表示所述其余的负荷数据的数量；
S4：对所述预测误差序列进行野值处理，得到平滑化的预测误差序列；
S5：在BP神经网络的输入端添加灰化层，在输出端添加白化层，从而得到改进GM-BP模型；
利用部分的平滑化的预测误差序列对改进GM-BP模型进行训练，得到训练后的GM-BP模型；
S6：采用训练后GM-BP模型对其余的平滑化的预测误差序列进行预测，获取预测误差值；
S7：用预测误差值对所述预测的负荷值进行修正，得到修正后的预测负荷值。
2.根据权利要求1所述的智能算法负荷预测方法，其特征在于，所述步骤S2中的噪声估值优化是包括以下步骤：
步骤S2.1：利用式(1)得到k时刻生成的噪声协方差矩阵的加权系数dk：
Figure FDA0003249560520000011
式(1)中，e表示常数；
步骤S2.2：利用式(2)计算k+1时刻生成的系统噪声协方差矩阵Q′k+1：
Figure FDA0003249560520000012
式(2)中，εk表示k时刻的残差值，并由式(3)得到；T表示转置，Gk表示k时刻的增益系数，Pk|k表示k时刻负荷状态量的估计偏差矩阵，Fk-1|k-1表示k-1时刻的状态转移矩阵，
Figure FDA0003249560520000013
表示k-1时刻状态转移矩阵的转置；
Figure FDA0003249560520000021
式(3)中，
Figure FDA0003249560520000022
表示k时刻的实际值，
Figure FDA0003249560520000023
表示k时刻的预测值，Wk表示k时刻的滤波增益；
步骤S2.3：利用式(4)计算k+1时刻的量测噪声协方差矩阵R′k+1：
Figure FDA0003249560520000024
步骤S2.4：以所述系统噪声协方差矩阵Q′k+1和量测噪声协方差矩阵R′k+1作为优化后的容积卡尔曼滤波模型中噪声的协方差矩阵。
3.根据权利要求1所述的智能算法负荷预测方法，其特征在于，所述S4包括以下步骤：
S4.1：若n为奇数，则删除N1后，执行步骤S4.2；若n为偶数，则直接执行步骤S4.2；
S4.2：按照奇偶位置将预测误差序列N＝[N1,N2,...,Nk,...,Nn]为两组数据，记为第一次分组的奇数数据
Figure FDA0003249560520000025
和第一次分组的偶数数据
Figure FDA0003249560520000026
对第一次分组的两组数据N1-O和N1-E再按照奇偶位置进行第二次分组，得到第二次分组的奇数数据N2-OO,N2-OE和第二次分组的偶数数据N2-EO,N2-EE；以此类推，从而将预测误差序列N＝[N1,N2,...,Nk,...,Nn]分为2m组的奇数数据和2m组的偶数数据；
S4.3：分别剔除第一次分组的两组数据N1-O和N1-E的异常数据，得到预处理后的第一次分组的奇数数据
Figure FDA0003249560520000027
和预处理后的第一次分组的偶数数据
Figure FDA0003249560520000028
S4.4：求取预处理后的第一次分组的奇数数据y1-O的均值
Figure FDA0003249560520000029
和方差σ1-O，以及预处理后的第一次分组的偶数数据y1-E的均值
Figure FDA00032495605200000210
和方差σ1-E；
S4.5：按照步骤S4.3-步骤S4.4的过程对2m组的奇数数据和2m组的偶数数据进行处理，得到每组奇数数据和偶数数据的均值和方差；
S4.6：计算预处理后的第一次分组的奇数数据y1-O中的每个数据与均值
Figure FDA0003249560520000031
之间的残差，并将大于所设定阈值Δ·σ1-O的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y1-O中删除；Δ表示倍数；
计算预处理后的第一次分组的偶数数据y1-E中的每个数据与均值
Figure FDA0003249560520000032
之间的残差，并将大于所设定阈值Δ·σ1-E的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y1-O中删除；
S4.6：按照步骤S4.6的过程对2m组的奇数数据和2m组的偶数数据进行残差计算和野值判断，从而得到平滑化的预测误差序列。
CN202111041769.4A 2021-09-07 2021-09-07 一种基于智能算法的负荷预测方法 Pending CN113705923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111041769.4A CN113705923A (zh) 2021-09-07 2021-09-07 一种基于智能算法的负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111041769.4A CN113705923A (zh) 2021-09-07 2021-09-07 一种基于智能算法的负荷预测方法

Publications (1)

Publication Number Publication Date
CN113705923A true CN113705923A (zh) 2021-11-26

Family

ID=78660725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111041769.4A Pending CN113705923A (zh) 2021-09-07 2021-09-07 一种基于智能算法的负荷预测方法

Country Status (1)

Country Link
CN (1) CN113705923A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114370878A (zh) * 2022-01-04 2022-04-19 江苏科技大学 一种基于stackf的多auv协同定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760952A (zh) * 2016-02-15 2016-07-13 国网山东省电力公司电力科学研究院 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法
CN107832259A (zh) * 2017-11-02 2018-03-23 国网四川雅安电力（集团）股份有限公司 一种基于时间序列和卡尔曼滤波的负荷预测方法
CN109472418A (zh) * 2018-11-16 2019-03-15 西安电子科技大学 基于卡尔曼滤波的机动目标状态预测优化方法
CN110796293A (zh) * 2019-10-14 2020-02-14 杭州中恒云能源互联网技术有限公司 一种电力负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760952A (zh) * 2016-02-15 2016-07-13 国网山东省电力公司电力科学研究院 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法
CN107832259A (zh) * 2017-11-02 2018-03-23 国网四川雅安电力（集团）股份有限公司 一种基于时间序列和卡尔曼滤波的负荷预测方法
CN109472418A (zh) * 2018-11-16 2019-03-15 西安电子科技大学 基于卡尔曼滤波的机动目标状态预测优化方法
CN110796293A (zh) * 2019-10-14 2020-02-14 杭州中恒云能源互联网技术有限公司 一种电力负荷预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
代晓巍、李振兴、赵丽莉, 飞行器外测数据连续型野值的抽取剔除方法, vol. 23, no. 12 *
吉博文、邹红波, 改进的容积卡尔曼滤波算法在短期负荷预测中的应用, vol. 37, no. 5 *
李闯、孔祥玉, 能源互联环境下考虑需求响应的区域电网短期负荷预测, vol. 45, no. 1 *
连鸿松、张少涵、张逸, 基于自适应容积卡尔曼滤波算法的电力系统动态谐波状态估计, vol. 48, no. 6 *
黄魁、苏春, 基于灰色神经网络组合模型的故障预测, vol. 42, no. 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114370878A (zh) * 2022-01-04 2022-04-19 江苏科技大学 一种基于stackf的多auv协同定位方法
CN114370878B (zh) * 2022-01-04 2023-10-27 江苏科技大学 一种基于stackf的多auv协同定位方法

Similar Documents

Publication Publication Date Title
CN108876054B (zh) 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN110110419B (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN111182564B (zh) 一种基于lstm神经网络的无线链路质量预测方法
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
CN113094980B (zh) 一种基于iga-dnn的焊膏印刷质量预测方法及系统
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN100595700C (zh) 半导体制造系统的重调度决策系统
CN108599172B (zh) 一种基于人工神经网络的输配网全局潮流计算方法
CN107016453A (zh) 一种水产养殖溶解氧预测方法及装置
CN107832259A (zh) 一种基于时间序列和卡尔曼滤波的负荷预测方法
CN113591954A (zh) 一种工业系统中缺失的时序数据的填充方法
CN109858798B (zh) 关联改造措施与电压指标的电网投资决策建模方法及装置
CN112819225A (zh) 基于bp神经网络和arima模型的碳市场价格预测方法
CN112990500A (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN110264079A (zh) 基于CNN算法和Lasso回归模型的热轧产品质量预测方法
CN111340305A (zh) 一种建筑运行能耗预测方法
CN113705923A (zh) 一种基于智能算法的负荷预测方法
CN111639111A (zh) 面向调水工程的多源监测数据深度挖掘和智能分析方法
CN113434493A (zh) 一种基于Transformer的非侵入式负荷分解方法
CN112130453B (zh) 基于机器学习的提高mcs生产平稳性的控制方法及系统
CN111931990B (zh) 基于优化最小二乘支持向量机的电力负荷预测方法
CN111476402A (zh) 耦合气象信息与emd技术的风电发电能力预测方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
WO2024016556A1 (zh) 一种适用于流程工业预测控制的模型自主学习方法
CN110874672A (zh) 基于量子遗传算法的farima模型电力负荷预测方法

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