CN114021847A - 基于isgu混合模型的短期电力负荷预测方法及系统 - Google Patents
基于isgu混合模型的短期电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN114021847A CN114021847A CN202111397812.0A CN202111397812A CN114021847A CN 114021847 A CN114021847 A CN 114021847A CN 202111397812 A CN202111397812 A CN 202111397812A CN 114021847 A CN114021847 A CN 114021847A
- Authority
- CN
- China
- Prior art keywords
- power load
- isgu
- week
- algorithm
- short
- 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 30
- 230000009466 transformation Effects 0.000 title description 3
- 230000002776 aggregation Effects 0.000 title description 2
- 238000004220 aggregation Methods 0.000 title description 2
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 26
- 241000287127 Passeridae Species 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/004—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于ISGU混合模型的短期电力负荷预测方法及系统，该方法包括以下步骤：步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型；步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。该方法及系统有利于提高短期电力负荷预测精度，进而提高电力系统的稳定性和安全性。
Description
技术领域
本发明属于电力负荷预测技术领域，具体涉及一种基于ISGU混合模型的短期电力负荷预测方法及系统。
背景技术
随着我国社会经济的迅猛发展，市场逐渐对电能供应的安全性、可靠性、经济性等方面要求提高。因此，电力公司在运行中面临着诸多经济技术挑战，在这些挑战中，电力系统的调度、潮流分析、规划和控制最为突出。面对电能需求随时间不断变化的特点，电力部门应尽可能保证电能供需处于动态平衡状态，以此追求最优的发电设备利用率与调度经济性，避免产能过剩或供应不足。精确的电力负荷预测不仅有助于规划供电设备的运行检修计划，保证供电可靠性，并且还能为新机组投入计划与电网增容改建计划给予一定参考。现如今，多样化预测模型、智能化电网改造给负荷预测提供技术以及数据支持。
近年来，多种预测方法在短期电力负荷预测中得到广泛应用与发展。1、利用时间序列法进行短期负荷的预测，其优势是模型简单，计算迅速，需要的数据容量不大，对较为平稳的时间序列进行预测，其效果较为良好。然而，电力负荷存在波动性，电力负荷预测存在不确定性、条件性，故使得时间序列预测精确较低；2、利用BP神经网络进行短期负荷的预测，然而反向传播(BP)神经网络利用反向传播的算法来反复更新神经网络中的权重与阈值的方式，使其容易陷入局部最优；3、利用极限学习机(ELM)算法进行短期负荷的预测，ELM算法的单隐含层的结构以及利用最小二乘法更新输出层权重的特点，使得其学习速度快、泛化性能较好，然而输入层初始化权重与阈值的随机生成仍会影响预测结果；4、利用支持向量机(SVM)算法进行短期负荷的预测，SVM鲁棒性好、泛化能力强，但其模型训练耗时较长，面对大规模样本数据较为乏力。5、利用循环神经网络(RNN)进行短期负荷的预测，RNN擅于挖掘时间序列数据的特点，但其存在梯度爆炸与梯度消散等问题。6、利用引入参数寻优的混合模型，例如GA-KELM、PSO-SVM、CS-SVM等等。参数寻优算法的引入可以客观性的配置预测模型算法的参数，使得预测模型得精度提高。但某些参数寻优算法存在初始种群多样性不足、容易陷入局部最优等缺点。
发明内容
本发明的目的在于提供一种基于ISGU混合模型的短期电力负荷预测方法及系统，该方法及系统有利于提高短期电力负荷预测精度，进而提高电力系统的稳定性和安全性。
为实现上述目的，本发明采用的技术方案是：一种基于ISGU混合模型的短期电力负荷预测方法，包括以下步骤：
步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；
步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型；
步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。
进一步地，步骤S1中，对星期、节假日因素进行数字化处理的具体方法为：
设各星期类型平均负荷所组成的矩阵为Wk＝[wmon,wtue,wwed,wthu,wfri,wsat,wsun]；则星期因素映射方式如公式(1)所示：
其中Wmap为星期因素映射值，缩放倍数b∈(0,∞),d∈(0,∞)为常数；
节假日映射与星期映射同理，即利用节假日平均负荷值与其对应的星期类型的平均负荷值进行处理；当两者映射值分别求出后，将两者映射值整合为一体，如公式(2)所示：
WHmap＝Wmap+Hmap (2)
其中WHmap为星期-节假日映射值，Hmap为节假日映射值。
进一步地，步骤S1中，采用PCCs与MI算法对电力负荷特征值进行筛选，PCCs用于筛选气候、星期、节假日等特征值，MI用于筛选历史电力负荷特征值，筛选出的特征值记为Cv，其原理如公式(3)(4)所示：
其中，x为电力负荷信号，F为相关因素，I为样本总个数，i为第i个样本，Fi为第i个样本的相关因素，
为所有样本相关因素平均值，x为第i个样本的电力负荷信号值，
为所有样本电力负荷信号平均值，J为样本总个数，j为第j个样本，这里I＝J；p(*,·)为联合分布函数，q(·)为边缘分布函数。
进一步地，步骤S2中，构建GRU网络进行电力负荷预测，其输入参数为筛选出的电力负荷特征值Cv；同时将ISSA算法引入GRU网络的构建，利用ISSA算法对GRU网络中的隐含层节点数与迭代次数进行寻优，以得到结合GRU网络和ISSA算法的ISGU混合模型。
进一步地，GRU网络由重置门、更新门与输出门组成；GRU的重置门与更新门分别确定前一时刻状态记忆变量hλ-1的遗忘程度与保留程度，其数学模型分别如公式(5)(6)所示：
其中Cv为输入向量，σ(·)为sigmoid激活函数，Wr为重置门权重，r为重置门状态，Wu为更新门权重，z为更新门状态；
根据重置门状态rλ与Cv、hλ-1得出当前时刻候选状态记忆变量
其数学模型如公式(7)所示：
其中tanh(·)为双曲正切激活函数，Wo为计算
部分的权重；
最后根据更新门状态zλ对hλ-1、
进行遗忘与保留，由此获得GRU网络输出，其公式如(8)所示：
将hλ输入至全连接层中得到负荷预测结果Ypred。
进一步地，ISSA算法的实现方法为：
首先采用对立学习算法生成初始化种群，生成种群规模为M的初始化随机种群，记为P’M×N，则对立种群的生成如公式(9)所示：
其中lbn表示第n个待寻优参数的下限，ubn表示第n个待寻优参数的上限；
根据2M个种群个体所对应适应度的排序，取前M个适应度最优的种群个体作为最终的初始化种群，记为PM×N；
发现者为种群中适应度较好的个体，其进行食物搜索并指导其余个体的运动；发现者位置更新公式如(10)所示：
其中R2∈[0,1]和ST∈[0.5,1]分别代表警报值和安全阈值，rand与Q是[0,1]之间的随机数；L表示1×N的矩阵，其元素均为1；
采用鸟群算法对发现者位置更新思路进行替代；
在麻雀种群的加入者位置更新中引入随机游走策略，其公式如(11)～(13)所示：
A+＝AT(AAT)-1 (13)
其中Ppd为发现者当前最佳位置；A为1×N矩阵，其元素随机赋值1或-1；a(t)为控制因子，c(t)为满足柯西分布的随机数；t为当前迭代次数，tmax为最大迭代次数；
为避免适应度低的加入者往搜索边界进行更新，引入随机游走位置更新策略；
麻雀群中的警戒者是随机产生，其位置更新公式如(14)所示：
其中Pbest为当前全局最优位置，Pworst为当前全局最差位置，β为[0,1]之间随机数，K为为[-1,1]之间随机数，fm为当前麻雀个体适应度，fg与fw为当前全局最优与最差适应度；ε为趋近于0的数，其用于避免分母为0；
最后采用贪心算法决定各麻雀个体位置更新结果；
ISSA中的随机数rand、Q、β、K均采用PWMLCM混沌映射产生，其公式如(15)所示：
其中xr∈[0,1]，控制参数s∈[0,0.5]，xl r为第l代随机数。
本发明还提供了一种基于ISGU混合模型的短期电力负荷预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
与现有技术相比，本发明具有以下有益效果：提供了一种基于ISGU混合模型的短期电力负荷预测方法及系统，该方法及系统可以克服负荷波动性与非线性、电力负荷预测的条件性以及算法参数设置无客观依据等问题给电力负荷预测所带来的困难，从而提高短期电力负荷预测精度，保证电能供需处于动态平衡，减少资源的浪费与产能成本，提高电力系统的稳定性和安全性。
附图说明
图1为本发明实施例的方法实现流程图；
图2为本发明实施例中考虑星期-节假日因素的节假日预测结果图；
图3为本发明实施例中GRU结构图；
图4为本发明实施例中ISSA参数寻优过程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于ISGU混合模型的短期电力负荷预测方法，包括以下步骤：
步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集。
步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型。
步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。
1、对星期、节假日因素进行数字化处理
星期与节假日因素与电力负荷存在一定相关性，然而星期与节假日为非数字化因素，因此本发明提出一种基于日平均负荷值的星期-节假日因素映射方法，其具体方法为：
设各星期类型平均负荷所组成的矩阵为Wk＝[wmon,wtue,wwed,wthu,wfri,wsat,wsun]；则星期因素映射方式如公式(1)所示：
其中Wmap为星期因素映射值，缩放倍数b∈(0,∞),d∈(0,∞)为常数。
节假日映射与星期映射同理，即利用节假日平均负荷值与其对应的星期类型的平均负荷值进行处理；当两者映射值分别求出后，将两者映射值整合为一体，如公式(2)所示：
WHmap＝Wmap+Hmap (2)
其中WHmap为星期-节假日映射值，Hmap为节假日映射值。
引入考虑星期-节假日因素，并采用基于日平均负荷值的星期-节假日因素映射方法后进行负荷预测的结果如图2所示。
2、特征值筛选
由于短期电力负荷预测的条件性特点，使影响电力负荷的相关因素众多。因此，本发明采用PCCs与MI算法对电力负荷特征值进行筛选，PCCs用于筛选气候、星期、节假日等特征值，MI用于筛选历史电力负荷特征值，筛选出的特征值记为Cv，其原理如公式(3)(4)所示：
其中，x为电力负荷信号，F为相关因素，I为样本总个数，i为第i个样本，Fi为第i个样本的相关因素，
为所有样本相关因素平均值，x为第i个样本的电力负荷信号值，
为所有样本电力负荷信号平均值，J为样本总个数，j为第j个样本，这里I＝J；p(*,·)为联合分布函数，q(·)为边缘分布函数。
3、基于ISGU混合模型进行短期电力负荷预测
构建GRU网络进行电力负荷预测，其输入参数为筛选出的电力负荷特征值Cv；同时将ISSA算法引入GRU网络的构建，利用ISSA算法对GRU网络中的隐含层节点数与迭代次数进行寻优，以得到结合GRU网络和ISSA算法的ISGU混合模型。
GRU网络由重置门、更新门与输出门组成，其结构如图3所示。GRU对LSTM网络的简化改进，不仅减少网络所需要训练的参数，缩短模型训练时间，并且也解决RNN的梯度消散问题。GRU的重置门与更新门分别确定前一时刻状态记忆变量hλ-1的遗忘程度与保留程度，其数学模型分别如公式(5)(6)所示：
其中Cv为输入向量，σ(·)为sigmoid激活函数，Wr为重置门权重，r为重置门状态，Wu为更新门权重，z为更新门状态。
根据重置门状态rλ与Cv、hλ-1得出当前时刻候选状态记忆变量
其数学模型如公式(7)所示：
其中tanh(·)为双曲正切激活函数，Wo为计算
部分的权重。
最后根据更新门状态zλ对hλ-1、
进行遗忘与保留，由此获得GRU网络输出，其公式如(8)所示：
将hλ输入至全连接层中得到负荷预测结果Ypred。
GRU网络参数设置对预测精度影响较大，然而其网络参数设置未有客观标准，因此本发明提出ISSA算法对GRU的隐含层节点数与迭代次数进行寻优。通过ISSA在对预测模型参数寻优的过程如图4所示。
Jiankai Xue等人在2020年根据麻雀觅食和抗掠夺行为的启发提出麻雀算法。但SSA的初始种群缺少多样性，个别位置更新公式对搜索产生一定限制，导致SSA算法并不一定能搜索到较优秀结果。因此，本发明对SSA的初始种群生成与位置更新公式进行改进，ISSA算法的实现方法如下所示。
首先采用对立学习算法生成初始化种群，以此克服SSA算法初始化种群缺少多样性问题。现生成种群规模为M的初始化随机种群，记为P’M×N，则对立种群的生成如公式(9)所示：
其中lbn表示第n个待寻优参数的下限，ubn表示第n个待寻优参数的上限。
根据2M个种群个体所对应适应度的排序，取前M个适应度最优的种群个体作为最终的初始化种群，记为PM×N。
发现者为种群中适应度较好的个体，其进行食物搜索并指导其余个体的运动；发现者位置更新公式如(10)所示：
其中R2∈[0,1]和ST∈[0.5,1]分别代表警报值和安全阈值，rand与Q是[0,1]之间的随机数；L表示1×N的矩阵，其元素均为1。
SSA中发现者在R2<ST时的位置更新公式使得发现者每个维度都在缩小，则发现者搜索食物范围受到限制。因此，本发明采用鸟群算法对发现者位置更新思路进行替代。
在麻雀种群的加入者位置更新中引入随机游走策略，其公式如(11)～(13)所示：
A+＝AT(AAT)-1 (13)
其中Ppd为发现者当前最佳位置；A为1×N矩阵，其元素随机赋值1或-1；a(t)为控制因子，c(t)为满足柯西分布的随机数；t为当前迭代次数，tmax为最大迭代次数。
适应度低的加入者为获得更多能量需飞往其他地方进行觅食，而非跟随发现者。在SSA中该类加入者的位置更新方式容易使其往搜索边界进行更新。为避免适应度低的加入者往搜索边界进行更新，本发明引入随机游走位置更新策略。
麻雀群中的警戒者是随机产生，其位置更新公式如(14)所示：
其中Pbest为当前全局最优位置，Pworst为当前全局最差位置，β为[0,1]之间随机数，K为为[-1,1]之间随机数，fm为当前麻雀个体适应度，fg与fw为当前全局最优与最差适应度；ε为趋近于0的数，其用于避免分母为0。
最后采用贪心算法决定各麻雀个体位置更新结果。
ISSA中的随机数rand、Q、β、K均采用PWMLCM混沌映射产生，其公式如(15)所示：
其中xr∈[0,1]，控制参数s∈[0,0.5]，xl r为第l代随机数。混沌随机数的产生：先随机生成初始随机数，然后根据公式(15)与第一代随机数生成第二代，由此类推。
本实施例还提供了一种基于ISGU混合模型的短期电力负荷预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于ISGU混合模型的短期电力负荷预测方法，其特征在于，包括以下步骤：
步骤S1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；
步骤S2：构建结合GRU网络和ISSA算法的ISGU混合模型，并通过训练集和预测集对ISGU混合模型进行训练和测试，得到训练好的ISGU混合模型；
步骤S3：基于训练好的ISGU混合模型进行短期电力负荷预测，获得电力负荷预测结果。
2.根据权利要求1所述的基于ISGU混合模型的短期电力负荷预测方法，其特征在于，步骤S1中，对星期、节假日因素进行数字化处理的具体方法为：
设各星期类型平均负荷所组成的矩阵为Wk＝[wmon,wtue,wwed,wthu,wfri,wsat,wsun]；则星期因素映射方式如公式(1)所示：
其中Wmap为星期因素映射值，缩放倍数b∈(0,∞),d∈(0,∞)为常数；
节假日映射与星期映射同理，即利用节假日平均负荷值与其对应的星期类型的平均负荷值进行处理；当两者映射值分别求出后，将两者映射值整合为一体，如公式(2)所示：
WHmap＝Wmap+Hmap (2)
其中WHmap为星期-节假日映射值，Hmap为节假日映射值。
3.根据权利要求1所述的基于ISGU混合模型的短期电力负荷预测方法，其特征在于，步骤S1中，采用PCCs与MI算法对电力负荷特征值进行筛选，PCCs用于筛选气候、星期、节假日等特征值，MI用于筛选历史电力负荷特征值，筛选出的特征值记为Cv，其原理如公式(3)(4)所示：
其中，x为电力负荷信号，F为相关因素，I为样本总个数，i为第i个样本，Fi为第i个样本的相关因素，
为所有样本相关因素平均值，x为第i个样本的电力负荷信号值，
为所有样本电力负荷信号平均值，J为样本总个数，j为第j个样本，这里I＝J；p(*,·)为联合分布函数，q(·)为边缘分布函数。
4.根据权利要求1所述的基于ISGU混合模型的短期电力负荷预测方法，其特征在于，步骤S2中，构建GRU网络进行电力负荷预测，其输入参数为筛选出的电力负荷特征值Cv；同时将ISSA算法引入GRU网络的构建，利用ISSA算法对GRU网络中的隐含层节点数与迭代次数进行寻优，以得到结合GRU网络和ISSA算法的ISGU混合模型。
5.根据权利要求4所述的基于ISGU混合模型的短期电力负荷预测方法，其特征在于，GRU网络由重置门、更新门与输出门组成；GRU的重置门与更新门分别确定前一时刻状态记忆变量hλ-1的遗忘程度与保留程度，其数学模型分别如公式(5)(6)所示：
其中Cv为输入向量，σ(·)为sigmoid激活函数，Wr为重置门权重，r为重置门状态，Wu为更新门权重，z为更新门状态；
根据重置门状态rλ与Cv、hλ-1得出当前时刻候选状态记忆变量
其数学模型如公式(7)所示：
其中tanh(·)为双曲正切激活函数，Wo为计算
部分的权重；
最后根据更新门状态zλ对hλ-1、
进行遗忘与保留，由此获得GRU网络输出，其公式如(8)所示：
将hλ输入至全连接层中得到负荷预测结果Ypred。
6.根据权利要求4所述的基于ISGU混合模型的短期电力负荷预测方法，其特征在于，ISSA算法的实现方法为：
首先采用对立学习算法生成初始化种群，生成种群规模为M的初始化随机种群，记为P’M×N，则对立种群的生成如公式(9)所示：
其中lbn表示第n个待寻优参数的下限，ubn表示第n个待寻优参数的上限；
根据2M个种群个体所对应适应度的排序，取前M个适应度最优的种群个体作为最终的初始化种群，记为PM×N；
发现者为种群中适应度较好的个体，其进行食物搜索并指导其余个体的运动；发现者位置更新公式如(10)所示：
其中R2∈[0,1]和ST∈[0.5,1]分别代表警报值和安全阈值，rand与Q是[0,1]之间的随机数；L表示1×N的矩阵，其元素均为1；
采用鸟群算法对发现者位置更新思路进行替代；
在麻雀种群的加入者位置更新中引入随机游走策略，其公式如(11)～(13)所示：
A+＝AT(AAT)-1 (13)
其中Ppd为发现者当前最佳位置；A为1×N矩阵，其元素随机赋值1或-1；a(t)为控制因子，c(t)为满足柯西分布的随机数；t为当前迭代次数，tmax为最大迭代次数；
为避免适应度低的加入者往搜索边界进行更新，引入随机游走位置更新策略；
麻雀群中的警戒者是随机产生，其位置更新公式如(14)所示：
其中Pbest为当前全局最优位置，Pworst为当前全局最差位置，β为[0,1]之间随机数，K为为[-1,1]之间随机数，fm为当前麻雀个体适应度，fg与fw为当前全局最优与最差适应度；ε为趋近于0的数，其用于避免分母为0；
最后采用贪心算法决定各麻雀个体位置更新结果；
ISSA中的随机数rand、Q、β、K均采用PWMLCM混沌映射产生，其公式如(15)所示：
其中xr∈[0,1]，控制参数s∈[0,0.5]，xl r为第l代随机数。
7.一种基于ISGU混合模型的短期电力负荷预测系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-6所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111397812.0A CN114021847A (zh) | 2021-11-19 | 2021-11-19 | 基于isgu混合模型的短期电力负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111397812.0A CN114021847A (zh) | 2021-11-19 | 2021-11-19 | 基于isgu混合模型的短期电力负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114021847A true CN114021847A (zh) | 2022-02-08 |
Family
ID=80065828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111397812.0A Pending CN114021847A (zh) | 2021-11-19 | 2021-11-19 | 基于isgu混合模型的短期电力负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021847A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971027A (zh) * | 2022-05-30 | 2022-08-30 | 福州大学 | 基于高性能的cig混合模型的电力负荷区间预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
| CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
| CN112288140A (zh) * | 2020-10-12 | 2021-01-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
| CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
-
2021
- 2021-11-19 CN CN202111397812.0A patent/CN114021847A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
| CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
| CN112288140A (zh) * | 2020-10-12 | 2021-01-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
| CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李友军: "电力系统短期负荷预测方法概述", 电气开关, vol. 55, no. 05, 15 October 2017 (2017-10-15), pages 5 - 9 * |
| 陈梓行: "基于新型日期映射法和ISGU混合模型的短期电力负荷预测", 电力系统保护与控制, vol. 50, no. 15, 1 August 2022 (2022-08-01), pages 72 - 80 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971027A (zh) * | 2022-05-30 | 2022-08-30 | 福州大学 | 基于高性能的cig混合模型的电力负荷区间预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Prediction for tourism flow based on LSTM neural network | |
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| WO2018161723A1 (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
| WO2018161722A1 (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
| CN111563610A (zh) | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 | |
| CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
| CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
| CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110163410A (zh) | 一种基于神经网络-时间序列的线损电量预测方法 | |
| Ramkumar et al. | A Short‐Term Solar Photovoltaic Power Optimized Prediction Interval Model Based on FOS‐ELM Algorithm | |
| CN116894384B (zh) | 一种多风机风速时空预测方法及系统 | |
| CN114492922A (zh) | 一种中长期发电量预测方法 | |
| CN111967696A (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN113362637A (zh) | 一种区域性多场点空余停车位预测方法及系统 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
| CN114021847A (zh) | 基于isgu混合模型的短期电力负荷预测方法及系统 | |
| CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
| CN116468138A (zh) | 空调负荷预测方法、系统、电子设备及计算机存储介质 | |
| CN113762591B (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 |
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 |