CN114118593A - 人口流动预测方法及其电网负荷预测方法 - Google Patents

人口流动预测方法及其电网负荷预测方法 Download PDF

Info

Publication number
CN114118593A
CN114118593A CN202111443035.9A CN202111443035A CN114118593A CN 114118593 A CN114118593 A CN 114118593A CN 202111443035 A CN202111443035 A CN 202111443035A CN 114118593 A CN114118593 A CN 114118593A
Authority
CN
China
Prior art keywords
population
prediction
city
data
time period
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
CN202111443035.9A
Other languages
English (en)
Inventor
文明
秦玥
钟原
肖振锋
罗姝晨
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
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan 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, State Grid Hunan Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111443035.9A priority Critical patent/CN114118593A/zh
Publication of CN114118593A publication Critical patent/CN114118593A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种人口流动预测方法，包括获取城市人口历史数据；处理城市人口历史数据构建城市人口流动预测数据集；构建基于极限学习机的人口流动预测初步模型并训练和测试得到人口流动预测模型；采用人口流动预测模型对目标城市进行人口流动预测。本发明还公开了一种包括所述人口流动预测方法的电网负荷预测方法。本发明选择能全面反映人口流动动态变化行为的变量来构建输入特征集，因此本发明方法的准确性更高；选取极限学习机方法构建人口流动预测模型，避免了传统前馈神经网络训练速度慢，容易陷入局部极小值点，学习率的选择敏感等缺点，因此本发明方法的效率更高，准确性更好；而且本发明方法预测细粒度更高，稳定性更好。

Description

人口流动预测方法及其电网负荷预测方法
技术领域
本发明属于数据处理领域，具体涉及一种人口流动预测方法及其电网负荷预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
电网负荷预测是电力系统的重要工作内容之一。准确的对电网负荷进行预测，能够有效帮助电网制定发电计划和调度计划等，同时也能帮助电网更加高效和安全的运行。
电网负荷预测的过程中，人口数据是一项非常关键的数据。人口的多少，直接影响了电网负荷的多少。因此人口流动预测，就成为了电网负荷预测中的关键环节之一。
目前，国内外关于流动人口的定量预测模型有很多，最为主要的有以下三种：
一是，灰色预测模型：1982年，我国学者邓聚龙教授创立了灰色系统理论，国内不少学者运用灰色预测模型对我国总人口规模的发展趋势进行预测。还有一部分学者从区域发展的角度出发，构建了一系列城市人口或区域流动人口的灰色预测模型。为了减少预测的误差，学者们进一步修正了GM(1,1)灰色预测模型，构建了“等维灰数递补动态预测”模型对人口进行定量预测。
二是，Logistic曲线模型：Logistic曲线呈S形，称为生长曲线，Logistic方程最先由比利时数学家P.F.Verhult于1838年提出。我国学者多运用Logistic模型预测我国某地区的人口数量、流动人口规模等。
三是，时间序列模型：时间序列分析方法是伯克斯和詹金斯(Box-Jenkins)1976年提出的。目前，国内学者多运用时间序列自回归移动平均模型(ARMA模型)和时间序列自回归单整移动平均模型(ARIMA模型)对人口进行定量的预测。
但是，虽然现有具有众多的人口流动预测模型和预测方法，但是受限于实时数据的获取，目前还没有一种通用的方法对不同地区的流动人口数量做出较为精确的预测；并且对于流动人口数量的统计与预测均只能从以年为单位的时间跨度来进行，只统计和预测每年总流动人口数量，并不能在中长期尺度下对每天实时的人口流动情况进行分析和预测。
发明内容
本发明的目的之一在于提供一种预测细粒度高、稳定性高、准确性好且效率较高的人口流动预测方法。
本发明的目的之二在于提供一种包括所述人口流动预测方法的电网负荷预测方法。
本发明提供的这种人口流动预测方法，包括如下步骤：
S1.获取城市人口历史数据；
S2.对步骤S1获取的城市人口历史数据进行处理，从而构建城市人口流动预测数据集；
S3.构建基于极限学习机的人口流动预测初步模型；
S4.采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练和测试，从而得到人口流动预测模型；
S5.采用步骤S4得到的人口流动预测模型，对目标城市进行人口流动预测。
步骤S1所述的城市人口历史数据，具体包括如下步骤：
定义城市总人口数量为当天在城市停留8小时及以上的人数；
获取预测日前7天～预测日前14天的目标城市的每日总人口数量、预测日是否为节假日数据、预测日最低气温数据和预测日最高气温数据。
步骤S2所述的对步骤S1获取的城市人口历史数据进行处理，从而构建城市人口流动预测数据集，具体包括如下步骤：
在步骤S1获取的城市人口历史数据中，构建输入特征xi＝[xi1,xi2,xi3,xi4]T，xi1为预测日前7天～预测日前14天的目标城市的每日总人口数量，xi2为预测日是否为节假日数据，xi3为预测日最低气温数据，xi4为预测日最高气温数据；
在步骤S1获取的城市人口历史数据中，构建输出特征yi为预测日目标城市的总人口数量；
最后，将构建的输入特征-输出特征组成训练样本集和测试样本集，且训练样本集所对应的时间段要早于测试样本集所对应的时间段，且训练样本集所对应的时间段与测试样本集所对应的时间段不交叉。
步骤S3所述的构建基于极限学习机的人口流动预测初步模型，具体包括如下步骤：
A.N个样本(xi,yi)，i＝1,2,...,N，xi＝[xi1,xi2,...,xin]T∈Rn为样本输入数据，yi＝[yi1,yi2,...,yin]T∈Rm为样本输出数据；
B.包括m个隐含层神经节点数，激励函数为g()的极限学习机，表达式为
Figure BDA0003383307700000041
βj为隐含层和输出层之间的权值向量，wj为输入权值向量，bj为第i层隐含节点阈值；
C.将步骤B的极限学习机表达式写成矩阵形式T＝Hβ，式中T为人口流动期望输出矩阵，H为隐藏层节点的输出矩阵，β为输出层权值矩阵；
D.极限学习机的目标函数为：
min||Hβ-T||2
式中β∈RL×m；T为人口流动期望输出矩阵，且T＝[t1,t2,...,tN]T；H为隐藏层节点的输出矩阵且
Figure BDA0003383307700000042
E.步骤D所述的目标函数的最优解β*为β*＝H+T，H+为矩阵H的Moore–Penrose广义逆矩阵；
F.采用正交投影法、正交化法、迭代法或奇异值分解法求解矩阵H+，得到目标函数的最优解β*。
步骤S4所述的采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练和测试，具体包括如下步骤：
采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练；
训练过程汇总，若平均的日预测准确率低于设定的准确率阈值时，调整隐含层神经节点的数目，并利用网格搜索法，通过查找搜索范围内所有的点来确定最优值，直至平均的日预测准确率达到设定的准确率阈值；
若每一年同一时间段的日预测准确率均低于设定的特殊时段阈值，则认定该时间段为特殊时间段；此时，设定专家经验因子，并将特殊时间段的预测值乘以专家经验因子，并作为最终的预测值；同时，根据实际情况，对设定的专家经验因子的值进行调整。
所述的专家经验因子，具体为根据预测日前三年所对应的特殊时间段的真实值与预测值比值的平均值确定。
本发明还公开了一种包括所述人口流动预测方法的电网负荷预测方法，还包括如下步骤：
S6.根据步骤S5得到的目标城市的人口流动预测结果，进行电网负荷的预测。
本发明提供的这种人口流动预测方法及其电网负荷预测方法，选择能全面反映人口流动动态变化行为的变量来构建输入特征集，因此本发明方法的准确性更高；选取极限学习机方法构建人口流动预测模型，避免了传统前馈神经网络训练速度慢，容易陷入局部极小值点，学习率的选择敏感等缺点，因此本发明方法的效率更高，准确性更好；而且本发明方法预测细粒度更高，稳定性更好。
附图说明
图1为本发明的人口流动预测方法的方法流程示意图。
图2为本发明的人口流动预测方法的实施例1的A市人口流动预测在非特殊时间段的人口数量预测曲线示意图。
图3为本发明的人口流动预测方法的实施例1的B市人口流动预测在非特殊时间段的人口数量预测曲线示意图。
图4为本发明的人口流动预测方法的实施例1的C市人口流动预测在非特殊时间段的人口数量预测曲线示意图。
图5为本发明的人口流动预测方法的实施例2的A市人口流动预测在一般节假日国庆期间的人口数量预测曲线示意图。
图6为本发明的人口流动预测方法的实施例2的A市人口流动预测在特殊时间段春节期间的人口数量预测曲线示意图。
图7为本发明的负荷预测方法的方法流程示意图。
具体实施方式
如图1所示为本发明的人口流动预测方法的方法流程示意图：本发明提供的这种人口流动预测方法，包括如下步骤：
S1.获取城市人口历史数据；具体包括如下步骤：
定义城市总人口数量为当天在城市停留8小时及以上的人数；
获取预测日前7天～预测日前14天的目标城市的每日总人口数量、预测日是否为节假日数据、预测日最低气温数据和预测日最高气温数据；
S2.对步骤S1获取的城市人口历史数据进行处理，从而构建城市人口流动预测数据集；具体包括如下步骤：
在步骤S1获取的城市人口历史数据中，构建输入特征xi＝[xi1,xi2,xi3,xi4]T，xi1为预测日前7天～预测日前14天的目标城市的每日总人口数量，xi2为预测日是否为节假日数据，xi3为预测日最低气温数据，xi4为预测日最高气温数据；
在步骤S1获取的城市人口历史数据中，构建输出特征yi为预测日目标城市的总人口数量；
最后，将构建的输入特征-输出特征组成训练样本集和测试样本集，且训练样本集所对应的时间段要早于测试样本集所对应的时间段，且训练样本集所对应的时间段与测试样本集所对应的时间段不交叉；
S3.构建基于极限学习机的人口流动预测初步模型；具体包括如下步骤：
A.N个样本(xi,yi)，i＝1,2,...,N，xi＝[xi1,xi2,...,xin]T∈Rn为样本输入数据，yi＝[yi1,yi2,...,yin]T∈Rm为样本输出数据；
B.包括m个隐含层神经节点数，激励函数为g()的极限学习机，表达式为
Figure BDA0003383307700000071
βj为隐含层和输出层之间的权值向量，wj为输入权值向量，bj为第i层隐含节点阈值；
C.将步骤B的极限学习机表达式写成矩阵形式T＝Hβ，式中T为人口流动期望输出矩阵，H为隐藏层节点的输出矩阵，β为输出层权值矩阵；
D.极限学习机的目标函数为：
min||Hβ-T||2
式中β∈RL×m；T为人口流动期望输出矩阵，且T＝[t1,t2,...,tN]T；H为隐藏层节点的输出矩阵且
Figure BDA0003383307700000072
E.步骤D所述的目标函数的最优解β*为β*＝H+T，H+为矩阵H的Moore–Penrose广义逆矩阵；
F.采用正交投影法、正交化法、迭代法或奇异值分解法求解矩阵H+，得到目标函数的最优解β*；
此外，当HTH为非奇异时，使用正交投影法得到计算结果为H+＝(HTH)-1HT；
S4.采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练和测试，从而得到人口流动预测模型；具体包括如下步骤：
采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练；
训练过程汇总，若平均的日预测准确率低于设定的准确率阈值(比如90％)时，调整隐含层神经节点的数目，并利用网格搜索法，通过查找搜索范围内所有的点来确定最优值，直至平均的日预测准确率达到设定的准确率阈值；
若每一年同一时间段的日预测准确率均低于设定的特殊时段阈值(比如85％)，则认定该时间段为特殊时间段；此时，设定专家经验因子，并将特殊时间段的预测值乘以专家经验因子，并作为最终的预测值；同时，根据实际情况，对设定的专家经验因子的值进行调整；
同时，专家经验因子可以根据预测日前三年所对应的特殊时间段的真实值与预测值比值的平均值确定；
S5.采用步骤S4得到的人口流动预测模型，对目标城市进行人口流动预测。
以下结合具体实施例，对本发明方法进行进一步说明：
实施例一：在A市、B市和C市的实际人口流动数据上开展算例分析；
首先，构建A市、B市、C市的城市总人口数量流动预测数据集，并分别选取连续时间段的数据集作为训练样本集和测试样本集；当预测日为2020年12月21日时，选择2020年12月07日～2020年12月13日的数据；
然后，通过训练样本集对基于极限学习机的人口流动预测模型进行训练，调整隐含层神经节点数，利用网格搜索法，通过查找搜索范围为[10,500]，步长为1内所有的点来确定最优值，根据计算结果分析，当隐含层的神经元个数为180时，预测首日前七天城市总人口数量的平均日预测准确率高于设定准确率90％，分别利用测试样本集预测从预测首日开始相应时间段的A市、B市、C市的城市总人口数量，结果如图2～4所示；
最后，用得到的城市总人口数量分析预测该城市的人口流动情况为：在非特殊时间段，A市、B市、C市的城市总人口数量均无较大的人口流入及流出情况。
由图2可知，A市人口流动的整体预测准确率最高为99.55％，最低为90.07％，预测效果良好；由图3可知，B市人口流动的整体预测准确率最高为98.95％，最低为93.94％，保持在较好水平；由图4可知，C市人口流动的整体预测准确率最高为96.82％，最低为88.33％，预测效果良好。
可以看到，本发明提供的基于极限学习机的人口流动预测方法在非特殊时间段的预测精度可满足应用场景。
实施例二：仅在A市进行实施例测算；
构建A市的城市总人口数量流动预测数据集，并分别选取连续时间段的数据集作为训练样本集和测试样本集；
然后利用所得训练样本集对基于极限学习机的人口流动预测模型进行训练，调整隐含层神经节点数，利用网格搜索法，通过查找搜索范围为[10,500]，步长为1内所有的点来确定最优值，根据计算结果分析，当隐含层的神经元个数为180时，预测首日前七天城市总人口数量的平均日预测准确率高于设定准确率90％，利用测试样本集预测从预测首日开始相应时间段的A市的城市总人口数量，结果如图5所示；
最后，用得到的城市总人口数量分析预测该城市的人口流动情况为：在一般节假日国庆期间，由于A市属于劳务输出型城市，A市的城市总人口数量并无较大的人口流入及流出情况。
由图5可知，由于本发明方法中基于极限学习机的人口流动预测模型在输入特征中包含预测日是否为节假日的输入特征，即使A市人口流动在如国庆等非特殊节假日期间，整体预测准确率最高仍可达99.73％，最低为91.67％，预测效果较好。
可以看到，本发明的基于极限学习机的人口流动预测方法在一般节假日期间的预测精度良好，可以满足应用场景。
实施例三：仅在A市进行实施例测算；
构建A市的城市总人口数量流动预测数据集，并分别选取连续时间段的数据集作为训练样本集和测试样本集；
然后，利用得到的训练样本集对基于极限学习机的人口流动预测模型进行训练，调整隐含层神经节点数，利用网格搜索法，通过查找搜索范围为[10,500]，步长为1内所有的点来确定最优值，根据计算结果分析，当隐含层的神经元个数为180时，预测首日前七天城市总人口数量的平均日预测准确率高于设定准确率90％，利用测试样本集预测从预测首日开始相应时间段的A市的城市总人口数量，结果如图6所示；
根据历史前三年农历春节大年三十到正月初七的城市总人口数量预测值分析，每年该时间段的日预测准确率均低于85％，认为该时间段属于特殊时间段；
若预测的时间段为特殊时间段时，将预测所得城市总人口数量乘以专家经验因子以对预测结果进行反馈修正；
专家经验因子由预测当年前三年(即2018～2020年)每年大年三十到正月初七每天的真实值与预测值比值的平均值来确定，得专家经验因子为1.2，将A市的城市总人口数量乘以专家经验因子进行反馈修正，结果如图6所示；
最后，用得到的城市总人口数量分析预测该城市的人口流动情况为：在特殊时间段春节期间，春节前四天，后一天总人口数量减前一天总人口数量为正值，总人口数量呈上升趋势；春节后四天，后一天总人口数量减前一天总人口数量多为负值，总人口数量基本呈下降趋势，说明由于A市属于劳务输出型城市，春节前几天外出务工人员陆续返乡，人口流动情况呈流入趋势，正月初三过后，部分工厂、企业陆续开工，大量人员启程外出务工，人口流动情况呈流出趋势。
由图6可知，A市人口流动的原始整体预测准确率最高仅为84.54％，最低为78.43％，经过专家经验因子对预测结果进行反馈修正后，整体预测准确率最高可达99.90％，最低为94.11％，预测效果良好。
可以看到，本发明的基于极限学习机的人口流动预测方法在特殊时间段春节期间的预测精度也可满足应用场景。
如图7所示为本发明的负荷预测方法的方法流程示意图：本发明公开的这种包括了所述人口流动预测方法的电网负荷预测方法，包括如下步骤：
S1.获取城市人口历史数据；具体包括如下步骤：
定义城市总人口数量为当天在城市停留8小时及以上的人数；
获取预测日前7天～预测日前14天的目标城市的每日总人口数量、预测日是否为节假日数据、预测日最低气温数据和预测日最高气温数据；
S2.对步骤S1获取的城市人口历史数据进行处理，从而构建城市人口流动预测数据集；具体包括如下步骤：
在步骤S1获取的城市人口历史数据中，构建输入特征xi＝[xi1,xi2,xi3,xi4]T，xi1为预测日前7天～预测日前14天的目标城市的每日总人口数量，xi2为预测日是否为节假日数据，xi3为预测日最低气温数据，xi4为预测日最高气温数据；
在步骤S1获取的城市人口历史数据中，构建输出特征yi为预测日目标城市的总人口数量；
最后，将构建的输入特征-输出特征组成训练样本集和测试样本集，且训练样本集所对应的时间段要早于测试样本集所对应的时间段，且训练样本集所对应的时间段与测试样本集所对应的时间段不交叉；
S3.构建基于极限学习机的人口流动预测初步模型；具体包括如下步骤：
A.N个样本(xi,yi)，i＝1,2,...,N，xi＝[xi1,xi2,...,xin]T∈Rn为样本输入数据，yi＝[yi1,yi2,...,yin]T∈Rm为样本输出数据；
B.包括m个隐含层神经节点数，激励函数为g()的极限学习机，表达式为
Figure BDA0003383307700000121
βj为隐含层和输出层之间的权值向量，wj为输入权值向量，bj为第i层隐含节点阈值；
C.将步骤B的极限学习机表达式写成矩阵形式T＝Hβ，式中T为人口流动期望输出矩阵，H为隐藏层节点的输出矩阵，β为输出层权值矩阵；
D.极限学习机的目标函数为：
min||Hβ-T||2
式中β∈RL×m；T为人口流动期望输出矩阵，且T＝[t1,t2,...,tN]T；H为隐藏层节点的输出矩阵且
Figure BDA0003383307700000131
E.步骤D所述的目标函数的最优解β*为β*＝H+T，H+为矩阵H的Moore–Penrose广义逆矩阵；
F.采用正交投影法、正交化法、迭代法或奇异值分解法求解矩阵H+，得到目标函数的最优解β*；
此外，当HTH为非奇异时，使用正交投影法得到计算结果为H+＝(HTH)-1HT；
S4.采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练和测试，从而得到人口流动预测模型；具体包括如下步骤：
采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练；
训练过程汇总，若平均的日预测准确率低于设定的准确率阈值(比如90％)时，调整隐含层神经节点的数目，并利用网格搜索法，通过查找搜索范围内所有的点来确定最优值，直至平均的日预测准确率达到设定的准确率阈值；
若每一年同一时间段的日预测准确率均低于设定的特殊时段阈值(比如85％)，则认定该时间段为特殊时间段；此时，设定专家经验因子，并将特殊时间段的预测值乘以专家经验因子，并作为最终的预测值；同时，根据实际情况，对设定的专家经验因子的值进行调整；
同时，专家经验因子可以根据预测日前三年所对应的特殊时间段的真实值与预测值比值的平均值确定；
S5.采用步骤S4得到的人口流动预测模型，对目标城市进行人口流动预测；
S6.根据步骤S5得到的目标城市的人口流动预测结果，进行电网负荷的预测。

Claims (7)

1.一种人口流动预测方法，包括如下步骤：
S1.获取城市人口历史数据；
S2.对步骤S1获取的城市人口历史数据进行处理，从而构建城市人口流动预测数据集；
S3.构建基于极限学习机的人口流动预测初步模型；
S4.采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练和测试，从而得到人口流动预测模型；
S5.采用步骤S4得到的人口流动预测模型，对目标城市进行人口流动预测。
2.根据权利要求1所述的人口流动预测方法，其特征在于步骤S1所述的城市人口历史数据，具体包括如下步骤：
定义城市总人口数量为当天在城市停留8小时及以上的人数；
获取预测日前7天～预测日前14天的目标城市的每日总人口数量、预测日是否为节假日数据、预测日最低气温数据和预测日最高气温数据。
3.根据权利要求2所述的人口流动预测方法，其特征在于步骤S2所述的对步骤S1获取的城市人口历史数据进行处理，从而构建城市人口流动预测数据集，具体包括如下步骤：
在步骤S1获取的城市人口历史数据中，构建输入特征xi＝[xi1,xi2,xi3,xi4]T，xi1为预测日前7天～预测日前14天的目标城市的每日总人口数量，xi2为预测日是否为节假日数据，xi3为预测日最低气温数据，xi4为预测日最高气温数据；
在步骤S1获取的城市人口历史数据中，构建输出特征yi为预测日目标城市的总人口数量；
最后，将构建的输入特征-输出特征组成训练样本集和测试样本集，且训练样本集所对应的时间段要早于测试样本集所对应的时间段，且训练样本集所对应的时间段与测试样本集所对应的时间段不交叉。
4.根据权利要求3所述的人口流动预测方法，其特征在于步骤S3所述的构建基于极限学习机的人口流动预测初步模型，具体包括如下步骤：
A.N个样本(xi,yi)，i＝1,2,...,N，xi＝[xi1,xi2,...,xin]T∈Rn为样本输入数据，yi＝[yi1,yi2,...,yin]T∈Rm为样本输出数据；
B.包括m个隐含层神经节点数，激励函数为g()的极限学习机，表达式为
Figure FDA0003383307690000021
βj为隐含层和输出层之间的权值向量，wj为输入权值向量，bj为第i层隐含节点阈值；
C.将步骤B的极限学习机表达式写成矩阵形式T＝Hβ，式中T为人口流动期望输出矩阵，H为隐藏层节点的输出矩阵，β为输出层权值矩阵；
D.极限学习机的目标函数为：
min||Hβ-T||2
式中β∈RL×m；T为人口流动期望输出矩阵，且T＝[t1,t2,...,tN]T；H为隐藏层节点的输出矩阵且H＝[h(x1),h(x2),...,
Figure FDA0003383307690000022
E.步骤D所述的目标函数的最优解β*为β*＝H+T，H+为矩阵H的Moore–Penrose广义逆矩阵；
F.采用正交投影法、正交化法、迭代法或奇异值分解法求解矩阵H+，得到目标函数的最优解β*。
5.根据权利要求4所述的人口流动预测方法，其特征在于步骤S4所述的采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练和测试，具体包括如下步骤：
采用步骤S2构建的城市人口流动预测数据集，对步骤S3构建的基于极限学习机的人口流动预测初步模型进行训练；
训练过程汇总，若平均的日预测准确率低于设定的准确率阈值时，调整隐含层神经节点的数目，并利用网格搜索法，通过查找搜索范围内所有的点来确定最优值，直至平均的日预测准确率达到设定的准确率阈值；
若每一年同一时间段的日预测准确率均低于设定的特殊时段阈值，则认定该时间段为特殊时间段；此时，设定专家经验因子，并将特殊时间段的预测值乘以专家经验因子，并作为最终的预测值；同时，根据实际情况，对设定的专家经验因子的值进行调整。
6.根据权利要求5所述的人口流动预测方法，其特征在于所述的专家经验因子，具体为根据预测日前三年所对应的特殊时间段的真实值与预测值比值的平均值确定。
7.一种包括了权利要求1～6之一所述的人口流动预测方法的电网负荷预测方法，其特征在于还包括如下步骤：
S6.根据步骤S5得到的目标城市的人口流动预测结果，进行电网负荷的预测。
CN202111443035.9A 2021-11-30 2021-11-30 人口流动预测方法及其电网负荷预测方法 Pending CN114118593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111443035.9A CN114118593A (zh) 2021-11-30 2021-11-30 人口流动预测方法及其电网负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111443035.9A CN114118593A (zh) 2021-11-30 2021-11-30 人口流动预测方法及其电网负荷预测方法

Publications (1)

Publication Number Publication Date
CN114118593A true CN114118593A (zh) 2022-03-01

Family

ID=80368463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111443035.9A Pending CN114118593A (zh) 2021-11-30 2021-11-30 人口流动预测方法及其电网负荷预测方法

Country Status (1)

Country Link
CN (1) CN114118593A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090679A (zh) * 2023-04-12 2023-05-09 国网山东省电力公司利津县供电公司 一种配电网负荷预测方法
CN116526474A (zh) * 2023-06-08 2023-08-01 国网安徽省电力有限公司淮北供电公司 一种区域电网用电负荷预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090679A (zh) * 2023-04-12 2023-05-09 国网山东省电力公司利津县供电公司 一种配电网负荷预测方法
CN116526474A (zh) * 2023-06-08 2023-08-01 国网安徽省电力有限公司淮北供电公司 一种区域电网用电负荷预测方法及系统
CN116526474B (zh) * 2023-06-08 2023-10-20 国网安徽省电力有限公司淮北供电公司 一种区域电网用电负荷预测方法及系统

Similar Documents

Publication Publication Date Title
Qian et al. Potential analysis of the transfer learning model in short and medium-term forecasting of building HVAC energy consumption
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
Meng et al. Modeling CO2 emissions from fossil fuel combustion using the logistic equation
CN114118593A (zh) 人口流动预测方法及其电网负荷预测方法
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
CN110210993B (zh) 基于循环神经网络模型的城市短期燃气负荷预测方法
CN105678407A (zh) 一种基于人工神经网络的日用电量预测方法
CN107085372A (zh) 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法
CN103295075A (zh) 一种超短期电力负荷预测与预警方法
WO2015081660A1 (zh) 一种居民小区短期负荷预测方法
CN105446139A (zh) 基于bp神经网络的建筑能耗分析方法与系统
CN104239982A (zh) 一种基于时间序列和神经网络的建筑节假日能耗预测方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN111191856A (zh) 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN112906956A (zh) 一种联合bim与cim的城市能耗预测方法
CN112330012B (zh) 一种基于迁移学习的建筑能耗预测方法及设备
CN117114438A (zh) 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法
CN109523136A (zh) 一种面向智能制造的调度知识管理系统
Lao et al. The optimized multivariate grey prediction model based on dynamic background value and its application
Mellios et al. A multivariate analysis of the daily water demand of Skiathos Island, Greece, implementing the artificial neuro-fuzzy inference system (ANFIS)
Zheng et al. Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit
Alomoush et al. Residential Power Load Prediction in Smart Cities using Machine Learning Approaches
CN106408118A (zh) 一种基于grnn组合模型的城市日供水量预测方法
Ali et al. Forecasting as a framework for reducing food waste in Ethiopian university canteens

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