CN114037148B - 基于遗传神经网络和自适应权重的日最大电力负荷预测法 - Google Patents

基于遗传神经网络和自适应权重的日最大电力负荷预测法 Download PDF

Info

Publication number
CN114037148B
CN114037148B CN202111309654.9A CN202111309654A CN114037148B CN 114037148 B CN114037148 B CN 114037148B CN 202111309654 A CN202111309654 A CN 202111309654A CN 114037148 B CN114037148 B CN 114037148B
Authority
CN
China
Prior art keywords
power load
maximum power
daily maximum
day
load prediction
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.)
Active
Application number
CN202111309654.9A
Other languages
English (en)
Other versions
CN114037148A (zh
Inventor
赵泽昆
王瑶
赵媛杰
于植梁
王鹏
常德锋
王正昊
赵树法
尚明纪
张永晖
王伟鹏
李国伟
鞠恒
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.)
State Grid Corp of China SGCC
Xinxiang Power Supply Co of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xinxiang Power Supply Co of State Grid Henan 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 State Grid Corp of China SGCC, Xinxiang Power Supply Co of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111309654.9A priority Critical patent/CN114037148B/zh
Publication of CN114037148A publication Critical patent/CN114037148A/zh
Application granted granted Critical
Publication of CN114037148B publication Critical patent/CN114037148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

本发明公开了一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，依次包括以下步骤：A：获取数据并进行预处理；B：构造特征向量S1和S2并对S1进行归一化处理；C:构建自适应权重预测模型；D：对遗传神经网络模型进行参数设置；E:对遗传神经网络模型进行训练；F:得到训练后的遗传神经网络预测模型；G：得到待预测日的日最大电力负荷；H：得到自适应权重预测模型对待预测日的日最大电力负荷预测结果；I：计算遗传神经网络模型和自适应权重预测模型的修正系数；J：输出待预测日的日最大电力负荷的预测值。本发明能够快速有效的进行日最大电力负荷预测。

Description

基于遗传神经网络和自适应权重的日最大电力负荷预测法
技术领域
本发明涉及电力领域，尤其涉及一种基于遗传神经网络和自适应权重的日最大电力负荷预测法。
背景技术
随着经济社会的高速发展，电力在社会生活中的应用越来越广泛，负荷预测作为电力系统运行的关键工具，许多运营决策都是基于电力负荷预测，比如发电机的调度、可靠性分析和发电机维护计划的安排等，能否准确进行负荷预测是制定电力供应计划和电网电量共需平衡的关键挑战。
然而，电力负荷的变化具有一定的波动性和随机性，在电力负荷预测过程中，诸如天气状况、经济条件、日类型、产业结构等因素不同程度地影响着电力负荷预测的结果，为实现电力系统实时高效调度，满足广大电力用户的用电需求，需要进行准确的电力负荷预测，以便电能的生产、电能的供应与负荷情况尽可能达到平衡，更好地为电网提供利益。
发明内容
本发明的目的是提供一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，能够基于电力负荷数据的特征以及天气状况、日类型等相关影响因素合理建模，快速有效的进行日最大电力负荷预测，从而为保障民生以及经济发展做出贡献。
本发明采用下述技术方案：
一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，依次包括以下步骤：
A：获取电力负荷数据、日类型数据和气象数据并进行预处理；
其中，电力负荷数据的预处理为标记出电力用户第i天的日最大电力负荷Pi；日类型数据的预处理为将工作日和节假日分别标记为数值1和2；气象数据的预处理为将天气情况按晴天、多云、阴天和雨雪天分别标记为数值1、2、3和4，并记录日最高温度H、日最低温度L和空气湿度R；
B：构造特征向量S1和特征向量S2，并对特征向量S1进行归一化处理得到归一化后的特征向量
其中，第i天的特征向量S1(i)＝[Wi,Hi,Li,Ri,Di]T，第i天的特征向量S2(i)＝[S1(i-3),S1(i-2),S1(i-1)]，其中Wi为第i天的天气情况；Hi为第i天的日最高温度；Li为第i天的日最低温度；Ri为第i天的空气湿度；Di为第i天的日类型数据；S1(i-3)为第i-3天的特征向量S1；S1(i-2)为第i-2天的特征向量S1；S1(i-1)为第i-1天的特征向量S1； 式中Wimax表示Wi的最大值、Wimin表示Wi的最小值；Himax表示Hi的最大值、Himin表示Hi的最小值；Limax表示Li的最大值、Limin表示Li的最小值；Rimax表示Ri的最大值、Rimin表示Ri的最小值；Dimax表示Di的最大值、Dimin表示Di的最小值；
C:计算特征向量S1与特征向量S2各列向量的关联系数，对自适应权重α进行赋值，构建自适应权重日最大电力负荷预测模型；
自适应权重日最大电力负荷预测模型为：
式中，T0(i)为自适应权重日最大电力负荷预测模型在第i日的预测结果，Pq为第q天对应的日最大电力负荷；αq为特征向量S2第q个列向量的自适应权重；rQ(q)为特征向量S1与特征向量S2第q个列向量的关联系数；G为第一中间参数；K为特征值k的个数，即S2行向量的个数；χq(k)为第二中间参数；表示特征向量S2的第q个列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；/>表示特征向量S2所有列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；ρ是一个介于0和1之间的常数，本模型中ρ取0.5，/>表示特征向量S2所有列向量中各特征值与特征向量S1中各对应特征值差异最大的特征值；Δ'q(k)表示特征向量S2第q个列向量中第k个特征值与特征向量S1中第k个特征值的差异；
D：对遗传神经网络日最大电力负荷预测模型的参数进行设置；参数包括种群大小、遗传代数、交叉概率、变异概率、权值和阈值；
E:将步骤B中得到的归一化后的特征向量作为训练样本输入遗传神经网络日最大电力负荷预测模型中，对遗传神经网络日最大电力负荷预测模型进行训练；
遗传神经网络日最大电力负荷预测模型分为三层，分别为输入层、隐含层、输出层，其中输入层节点数为n，n为输入特征向量S1的行数，输出层节点数为1，隐含层节点数s＝2n+1,Xn为输入特征向量S1第n行的值；
F:判断遗传神经网络日最大电力负荷预测模型的训练误差的均方差E是否满足设定要求，若训练误差的均方差E满足设定要求则完成训练，然后进入步骤G，利用训练后的遗传神经网络日最大电力负荷预测模型进行日最大电力负荷预测；如果训练误差的均方差E不满足设定要求则返回步骤D，对遗传代数进行更新设置，设置方法为将现有遗传代数设定值增加5后，转入步骤E继续训练，直至训练误差的均方差E满足设定要求；得到训练后的遗传神经网络日最大电力负荷预测模型；
G：将待预测日的特征向量S1在归一化处理后输入训练后的遗传神经网络日最大电力负荷预测模型，得到待预测日i的日最大电力负荷F0(i)；
H：将待预测日i的前3日的日最大电力负荷Pi-3、Pi-2和Pi-1，输入到步骤C中得到的自适应权重日最大电力负荷预测模型中，得到自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷预测结果T0(i)；
I：计算遗传神经网络日最大电力负荷预测模型和自适应权重日最大电力负荷预测模型的修正系数；
式中，S(i)为基于遗传神经网络和自适应权重日最大电力负荷预测模型的最终预测结果，C1为遗传神经网络日最大电力负荷预测模型的修正系数，C2为自适应权重日最大电力负荷预测模型的修正系数，F0(i)为遗传神经网络日最大电力负荷预测模型对待预测日i的日最大电力负荷的预测值，T0(i)为自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷的预测值，E为遗传神经网络日最大电力负荷预测模型中训练误差的均方差，T为自适应权重日最大电力负荷预测模型预测误差的均方差，F(i)为待预测日i的日最大电力负荷实际值；
J：利用步骤I中构建的基于遗传神经网络和自适应权重的日最大电力负荷预测模型，输出待预测日i的日最大电力负荷的预测值S(i)，S(i)＝C1*F0(i)+C2*T0(i)。
所述的步骤F中，训练误差的均方差其中F0(i)为遗传神经网络日最大电力负荷预测模型在i日的预测值，F(i)为第i日最大电力负荷实际值，I为训练样本的个数。
所述的均方差E的取值范围为[5,10]。
所述的步骤D中，种群大小初始值设置为40，遗传代数初始值设置为20，交叉概率和变异概率初始值分别设置为0.5和0.2，权值和阈值的初始值均设置为0.1。
本发明通过对电力负荷数据、日类型数据和气象数据进行预处理，剔除与日最大电力负荷相关性较差的数据，以达到减少数据冗余，提升数据的有效性的作用。然后通过构建以待预测日前3天的日最大电力负荷数据作为自适应权重日最大电力负荷预测模型参量，能够更准确可靠的进行日最大电力负荷预测。然后本发明通过构建并训练基于遗传神经网络的日最大电力负荷预测模型，通过引入修正系数使得本发明能够综合考虑日最大电力负荷影响因素和历史日最大电力负荷信息对日最大电力负荷预测结果的影响，将遗传神经网络模型在复杂非线性问题中的优势和自适应权重模型解析速度快的优点完美融合，突破遗传神经网络训练速度慢和自适应权重模型预测精度低的壁垒，实现了更高的训练速度和更高的预测精度，最终实现快速有效的进行日最大电力负荷预测，从而为保障民生以及经济发展做出贡献。
附图说明
图1为本发明的流程示意图；
图2为本发明中遗传神经网络日最大电力负荷预测模型的结构示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述：
如图1和图2所示，本发明所述的基于遗传神经网络和自适应权重的日最大电力负荷预测法，依次包括以下步骤：
A：获取电力负荷数据、日类型数据和气象数据并进行预处理；
为了能够为减少数据冗余，提升数据的有效性，本预测法仅选取电力负荷数据、日类型数据和气象数据中与日最大电力负荷相关性较强的数据。其中，电力负荷数据指电力用户用电设备所消耗的功率；日类型数据包括工作日或节假日，而并未对节假日进一步细分；气象数据主要包括天气类型、日最高温度、日最低温度和空气湿度，而并未考虑日平均温度，天气类型分为晴天、多云、阴天和雨雪天，并未对雨雪天进一步细分，而是将雨天和雪天均归为雨雪天一类。
为方便后续的数据建模分析及处理，提升日最大电力负荷预测模型的预测精度，需要对上述的三类数据进行预处理。
电力负荷数据的预处理为标记出电力用户第i天的日最大电力负荷Pi；日类型数据的预处理为将工作日和节假日分别标记为数值1和2；气象数据的预处理为将天气情况按晴天、多云、阴天和雨雪天分别标记为数值1、2、3和4，并记录日最高温度H、日最低温度L和空气湿度R。电力负荷数据的单位为kW，日最高温度和日最低温度的单位为℃，空气湿度的单位为％rh，即相对湿度。
B：构造特征向量S1和特征向量S2，并对特征向量S1进行归一化处理得到归一化后的特征向量
第i天的特征向量S1(i)＝[Wi,Hi,Li,Ri,Di]T，第i天的特征向量S2(i)＝[S1(i-3),S1(i-2),S1(i-1)]，其中Wi为第i天的天气情况；Hi为第i天的日最高温度；Li为第i天的日最低温度；Ri为第i天的空气湿度；Di为第i天的日类型数据；S1(i-3)为第i-3天的特征向量S1；S1(i-2)为第i-2天的特征向量S1；S1(i-1)为第i-1天的特征向量S1；
将特征向量S1(i)进行归一化处理后得到特征向量
其中， 式中Wimax表示Wi的最大值、Wimin表示Wi的最小值；Himax表示Hi的最大值、Himin表示Hi的最小值；Limax表示Li的最大值、Limin表示Li的最小值；Rimax表示Ri的最大值、Rimin表示Ri的最小值；Dimax表示Di的最大值、Dimin表示Di的最小值；
C:计算特征向量S1与特征向量S2各列向量的关联系数，对自适应权重α进行赋值，构建自适应权重日最大电力负荷预测模型；
现有的自适应权重相关模型多用于电力负荷预测，仅可对电力负荷的整体走向进行预测，多应用于电力负荷中长期预测或者短期预测，并不适用于单点负荷预测，即日最大电力负荷预测。本模型直接将待预测日前3天的日最大电力负荷数据作为自适应权重日最大电力负荷预测模型参量，可更准确可靠的进行日最大电力负荷预测。
自适应权重日最大电力负荷预测模型为：
式中，T0(i)为自适应权重日最大电力负荷预测模型在第i日的预测结果，Pq为第q天对应的日最大电力负荷；αq为特征向量S2第q个列向量的自适应权重；rQ(q)为特征向量S1与特征向量S2第q个列向量的关联系数；G为第一中间参数；K为特征值k的个数，即S2行向量的个数；χq(k)为第二中间参数；表示特征向量S2的第q个列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；/>表示特征向量S2所有列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；ρ是一个介于0和1之间的常数，本模型中ρ取0.5，/>表示特征向量S2所有列向量中各特征值与特征向量S1中各对应特征值差异最大的特征值；Δ'q(k)表示特征向量S2第q个列向量中第k个特征值与特征向量S1中第k个特征值的差异。
D：对遗传神经网络日最大电力负荷预测模型的参数进行设置；
遗传神经网络为现有的人工智能算法，主要运用遗传算法对神经网络算法进行优化，以提升神经网络算法的预测精度，遗传神经网络算法在计算开始前需要对参数进行设置，参数主要包括种群大小、遗传代数、交叉概率、变异概率、权值和阈值。本模型中种群大小初始值设置为40，遗传代数初始值设置为20，交叉概率和变异概率初始值分别设置为0.5和0.2，权值和阈值的初始值均设置为0.1，其中权值和阈值根据遗传神经网络日最大电力负荷预测模型的训练误差进行调整，以得到最佳预测精度。
E:将步骤B最后得到的归一化后的特征向量作为训练样本输入遗传神经网络日最大电力负荷预测模型中；
如图2所示，遗传神经网络日最大电力负荷预测模型分为三层，分别为输入层、隐含层、输出层，其中输入层节点数为n，n为输入特征向量S1的行数，输出层节点数为1，隐含层节点数s＝2n+1,Xn为输入特征向量S1第n行的值；
将训练样本特征向量S1进行归一化处理得到的特征向量输入遗传神经网络日最大电力负荷预测模型中，模型输出为F0(i)，其中F0(i)＝Pi 0，Pi 0为遗传神经网络日最大电力负荷预测模型第i日的日最大电力负荷预测结果，训练样本不包括待预测日当天的相关数据信息；基于步骤A中获取的特征向量S1(i)＝[Wi,Hi,Li,Ri,Di]T及日最大电力负荷F(i)＝Pi的历史数据，对遗传神经网络日最大电力负荷预测模型进行训练；
F:判断遗传神经网络日最大电力负荷预测模型的训练误差的均方差E是否满足设定要求，若训练误差的均方差E满足设定要求则完成训练，然后进入步骤G，利用训练后的遗传神经网络日最大电力负荷预测模型进行日最大电力负荷预测；如果训练误差的均方差E不满足设定要求则返回步骤D，对遗传代数进行更新设置，设置方法为将现有遗传代数设定值增加5后，转入步骤E继续训练，直至训练误差的均方差E满足设定要求；
本发明中，训练误差的均方差其中F0(i)为遗传神经网络日最大电力负荷预测模型在i日的预测值，F(i)为第i日最大电力负荷实际值，I为训练样本的个数，即所选取训练样本的天数总和。E的值大于零即满足设定要求，E的值越小，遗传神经网络日最大电力负荷预测模型预测精度越高，可根据实际情况进行设定，本发明中，均方差E的取值范围为[5,10]。
当训练误差的均方差E满足设定要求后，结束训练，同时得到训练后的遗传神经网络日最大电力负荷预测模型；否则继续训练，直至训练误差的均方差E满足设定要求。
G：将待预测日的特征向量S1在归一化处理后输入训练后的遗传神经网络日最大电力负荷预测模型，得到待预测日i的日最大电力负荷F0(i)；
将待预测日i的特征向量S1(i)＝[Wi,Hi,Li,Ri,Di]T进行归一化处理，并将得到的输入训练后的遗传神经网络日最大电力负荷预测模型中，计算得到待预测日i的日最大电力负荷F0(i)。
H：将待预测日i的前3日的日最大电力负荷Pi-3、Pi-2和Pi-1，输入到步骤C中得到的自适应权重日最大电力负荷预测模型中，得到自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷预测结果T0(i)；
I：计算遗传神经网络日最大电力负荷预测模型和自适应权重日最大电力负荷预测模型的修正系数。
修正系数的引入使得本模型可以综合考虑日最大电力负荷影响因素和历史日最大电力负荷信息对日最大电力负荷预测结果的影响，将遗传神经网络模型在复杂非线性问题中的优势和自适应权重模型解析速度快的优点完美融合，突破遗传神经网络训练速度慢和自适应权重模型预测精度低的壁垒，实现了更高的训练速度和更高的预测精度。由于修正系数直接由自适应权重日最大电力负荷预测模型预测误差的均方差和遗传神经网络日最大电力负荷预测模型训练误差的均方差决定，所以相较其他修正系数的计算方法，本模型中的修正系数更适用于日最大电力负荷预测。构建基于遗传神经网络和自适应权重的日最大电力负荷预测模型如下所示；
式中，S(i)为基于遗传神经网络和自适应权重日最大电力负荷预测模型的最终预测结果，C1为遗传神经网络日最大电力负荷预测模型的修正系数，C2为自适应权重日最大电力负荷预测模型的修正系数，F0(i)为遗传神经网络日最大电力负荷预测模型对待预测日i的日最大电力负荷的预测值，T0(i)为自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷的预测值，E为遗传神经网络日最大电力负荷预测模型中训练误差的均方差，T为自适应权重日最大电力负荷预测模型预测误差的均方差，F(i)为待预测日i的日最大电力负荷实际值。
J：利用步骤I中构建的基于遗传神经网络和自适应权重的日最大电力负荷预测模型，输出待预测日i的日最大电力负荷的预测值S(i)，S(i)＝C1*F0(i)+C2*T0(i)。

Claims (4)

1.一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，其特征在于，依次包括以下步骤：
A：获取电力负荷数据、日类型数据和气象数据并进行预处理；
其中，电力负荷数据的预处理为标记出电力用户第i天的日最大电力负荷Pi；日类型数据的预处理为将工作日和节假日分别标记为数值1和2；气象数据的预处理为将天气情况按晴天、多云、阴天和雨雪天分别标记为数值1、2、3和4，并记录日最高温度H、日最低温度L和空气湿度R；
B：构造特征向量S1和特征向量S2，并对特征向量S1进行归一化处理得到归一化后的特征向量
其中，第i天的特征向量S1(i)＝[Wi,Hi,Li,Ri,Di]T，第i天的特征向量S2(i)＝[S1(i-3),S1(i-2),S1(i-1)]，其中Wi为第i天的天气情况；Hi为第i天的日最高温度；Li为第i天的日最低温度；Ri为第i天的空气湿度；Di为第i天的日类型数据；S1(i-3)为第i-3天的特征向量S1；S1(i-2)为第i-2天的特征向量S1；S1(i-1)为第i-1天的特征向量S1； 式中Wimax表示Wi的最大值、Wimin表示Wi的最小值；Himax表示Hi的最大值、Himin表示Hi的最小值；Limax表示Li的最大值、Limin表示Li的最小值；Rimax表示Ri的最大值、Rimin表示Ri的最小值；Dimax表示Di的最大值、Dimin表示Di的最小值；
C:计算特征向量S1与特征向量S2各列向量的关联系数，对自适应权重α进行赋值，构建自适应权重日最大电力负荷预测模型；
自适应权重日最大电力负荷预测模型为：
式中，T0(i)为自适应权重日最大电力负荷预测模型在第i日的预测结果，Pq为第q天对应的日最大电力负荷；αq为特征向量S2第q个列向量的自适应权重；rQ(q)为特征向量S1与特征向量S2第q个列向量的关联系数；G为第一中间参数；K为特征值k的个数，即S2行向量的个数；χq(k)为第二中间参数；表示特征向量S2的第q个列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；/>表示特征向量S2所有列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；ρ是一个介于0和1之间的常数，本模型中ρ取0.5，/>表示特征向量S2所有列向量中各特征值与特征向量S1中各对应特征值差异最大的特征值；Δ'q(k)表示特征向量S2第q个列向量中第k个特征值与特征向量S1中第k个特征值的差异；
D：对遗传神经网络日最大电力负荷预测模型的参数进行设置；参数包括种群大小、遗传代数、交叉概率、变异概率、权值和阈值；
E:将步骤B中得到的归一化后的特征向量作为训练样本输入遗传神经网络日最大电力负荷预测模型中，对遗传神经网络日最大电力负荷预测模型进行训练；
遗传神经网络日最大电力负荷预测模型分为三层，分别为输入层、隐含层、输出层，其中输入层节点数为n，n为输入特征向量S1的行数，输出层节点数为1，隐含层节点数s＝2n+1,Xn为输入特征向量S1第n行的值；
F:判断遗传神经网络日最大电力负荷预测模型的训练误差的均方差E是否满足设定要求，若训练误差的均方差E满足设定要求则完成训练，然后进入步骤G，利用训练后的遗传神经网络日最大电力负荷预测模型进行日最大电力负荷预测；如果训练误差的均方差E不满足设定要求则返回步骤D，对遗传代数进行更新设置，设置方法为将现有遗传代数设定值增加5后，转入步骤E继续训练，直至训练误差的均方差E满足设定要求；得到训练后的遗传神经网络日最大电力负荷预测模型；
G：将待预测日的特征向量S1在归一化处理后输入训练后的遗传神经网络日最大电力负荷预测模型，得到待预测日i的日最大电力负荷F0(i)；
H：将待预测日i的前3日的日最大电力负荷Pi-3、Pi-2和Pi-1，输入到步骤C中得到的自适应权重日最大电力负荷预测模型中，得到自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷预测结果T0(i)；
I：计算遗传神经网络日最大电力负荷预测模型和自适应权重日最大电力负荷预测模型的修正系数；
式中，S(i)为基于遗传神经网络和自适应权重日最大电力负荷预测模型的最终预测结果，C1为遗传神经网络日最大电力负荷预测模型的修正系数，C2为自适应权重日最大电力负荷预测模型的修正系数，F0(i)为遗传神经网络日最大电力负荷预测模型对待预测日i的日最大电力负荷的预测值，T0(i)为自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷的预测值，E为遗传神经网络日最大电力负荷预测模型中训练误差的均方差，T为自适应权重日最大电力负荷预测模型预测误差的均方差，F(i)为待预测日i的日最大电力负荷实际值；
J：利用步骤I中构建的基于遗传神经网络和自适应权重的日最大电力负荷预测模型，输出待预测日i的日最大电力负荷的预测值S(i)，S(i)＝C1*F0(i)+C2*T0(i)。
2.根据权利要求1所述的基于遗传神经网络和自适应权重的日最大电力负荷预测法，其特征在于：所述的步骤F中，训练误差的均方差其中F0(i)为遗传神经网络日最大电力负荷预测模型在i日的预测值，F(i)为第i日最大电力负荷实际值，I为训练样本的个数。
3.根据权利要求2所述的基于遗传神经网络和自适应权重的日最大电力负荷预测法，其特征在于：所述的均方差E的取值范围为[5,10]。
4.根据权利要求1所述的基于遗传神经网络和自适应权重的日最大电力负荷预测法，其特征在于：所述的步骤D中，种群大小初始值设置为40，遗传代数初始值设置为20，交叉概率和变异概率初始值分别设置为0.5和0.2，权值和阈值的初始值均设置为0.1。
CN202111309654.9A 2021-11-06 2021-11-06 基于遗传神经网络和自适应权重的日最大电力负荷预测法 Active CN114037148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111309654.9A CN114037148B (zh) 2021-11-06 2021-11-06 基于遗传神经网络和自适应权重的日最大电力负荷预测法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111309654.9A CN114037148B (zh) 2021-11-06 2021-11-06 基于遗传神经网络和自适应权重的日最大电力负荷预测法

Publications (2)

Publication Number Publication Date
CN114037148A CN114037148A (zh) 2022-02-11
CN114037148B true CN114037148B (zh) 2023-10-27

Family

ID=80136593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111309654.9A Active CN114037148B (zh) 2021-11-06 2021-11-06 基于遗传神经网络和自适应权重的日最大电力负荷预测法

Country Status (1)

Country Link
CN (1) CN114037148B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
KR20120036568A (ko) * 2010-10-08 2012-04-18 주식회사 케이디파워 전력부하 패턴 추출 방법
CN102682219A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种支持向量机短期负荷预测方法
CN102682220A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种短期电力负荷预测方法
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120036568A (ko) * 2010-10-08 2012-04-18 주식회사 케이디파워 전력부하 패턴 추출 방법
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
CN102682219A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种支持向量机短期负荷预测方法
CN102682220A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种短期电力负荷预测方法
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测系统

Also Published As

Publication number Publication date
CN114037148A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
Liu et al. Forecasting power output of photovoltaic system using a BP network method
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN101414366B (zh) 基于改进极端学习机方法的电力系统短期负荷预测方法
CN108694502B (zh) 一种基于XGBoost算法的机器人制造单元自适应调度方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN113128113B (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN110163444A (zh) 一种基于gasa-svr的需水预测方法
CN114792156A (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
CN106600041A (zh) 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法
CN112215428A (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN109583645A (zh) 一种公共楼宇短期负荷预测方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN111832839B (zh) 基于充分增量学习的能耗预测方法
CN110222910A (zh) 一种有源配电网态势预测方法及预测系统
CN118586447B (zh) 基于Transformer的声速剖面长期预测方法
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
CN110766190A (zh) 一种配电网负荷预测方法
Gao et al. Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network
CN114037148B (zh) 基于遗传神经网络和自适应权重的日最大电力负荷预测法

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
GR01 Patent grant
GR01 Patent grant