CN114781692A - 短期电力负荷预测方法、装置及电子设备 - Google Patents
短期电力负荷预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114781692A CN114781692A CN202210302207.9A CN202210302207A CN114781692A CN 114781692 A CN114781692 A CN 114781692A CN 202210302207 A CN202210302207 A CN 202210302207A CN 114781692 A CN114781692 A CN 114781692A
- Authority
- CN
- China
- Prior art keywords
- individual
- power load
- short
- optimal
- elm
- 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 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 85
- 241000282313 Hyaenidae Species 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000001976 improved effect Effects 0.000 claims abstract description 29
- 241001494106 Stenotomus chrysops Species 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 8
- -1 hydrogen Chemical class 0.000 claims description 2
- 239000001257 hydrogen Substances 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 14
- 239000000243 solution Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 241000282472 Canis lupus familiaris Species 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241000287127 Passeridae Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 241000270349 Iguana Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241000255588 Tephritidae Species 0.000 description 1
- 241000251555 Tunicata Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力技术领域,尤其涉及一种短期电力负荷预测方法、装置及电子设备,该方法包括:获取目标电网的历史电力负荷数据,得到训练集;根据训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数;根据训练集和最优超参数,训练ELM模型的输出权重,根据最优超参数和输出权重确定训练后的ELM模型;基于训练后的ELM模型对目标电网进行短期负荷预测。本发明能够提高使用ELM模型对电力负荷进行短期预测的精度。
Description
技术领域
本发明属于电力技术领域,尤其涉及一种短期电力负荷预测方法、装置及电子设备。
背景技术
短期电力负荷预测是对某一特定地区几天内的电力负荷进行预测,准确的短期电力负荷预测可以有效保障电力部门的工作,促进经济发展。
极限学习机(Extreme Learning Machine,ELM)是在单隐含层前馈神经网络的基础上提出的一种算法,因其学习速度快而在众多领域获得广泛应用,包括在短期电力负荷预测领域。然而,在ELM模型的训练过程中,其超参数(连接权重和阈值)是随机而定的,这在一定程度上造成了该模型的输出不稳定,影响了ELM模型的预测精度,进而影响了短期电力负荷预测的精度。
发明内容
有鉴于此,本发明实施例提供了一种短期电力负荷预测方法、装置及电子设备,以进一步提高使用ELM模型对电力负荷进行短期预测的精度。
本发明实施例的第一方面提供了一种短期电力负荷预测方法,包括:
获取目标电网的历史电力负荷数据,得到训练集;
根据训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数;
根据训练集和最优超参数,训练ELM模型的输出权重,根据最优超参数和输出权重确定训练后的ELM模型;
基于训练后的ELM模型对目标电网进行短期负荷预测。
本发明实施例的第二方面提供了一种短期电力负荷预测装置,包括:
获取模块,用于获取目标电网的历史电力负荷数据,得到训练集;
计算模块,用于根据训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数;
训练模块,用于根据训练集和最优超参数,训练ELM模型的输出权重,根据最优超参数和输出权重确定训练后的ELM模型;
预测模块,用于基于训练后的ELM模型对目标电网进行短期负荷预测。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面的短期电力负荷预测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面的短期电力负荷预测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例在对ELM模型进行训练时,首先通过改进斑点鬣狗算法寻找ELM模型的最优超参数,然后再基于训练集和最优超参数训练ELM模型的输出权重,得到最终的ELM模型来进行电力负荷预测。由于改进斑点鬣狗算法在优化ELM模型的超参数时,具有良好的收敛性,能够准确计算出ELM模型的最优超参数,提高了ELM模型的预测精度,进而提高了ELM模型在进行短期电力负荷预测时的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的短期电力负荷预测方法的流程示意图;
图2是本发明实施例提供的短期电力负荷预测方法的详细流程示意图;
图3是本发明实施例提供的短期电力负荷预测装置的示意图;
图4是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
根据预测时间的长短,电力负荷预测可分为长期、中期、短期和超短期电力负荷预测。电力负荷预测的方法经历了由经验预测法到传统预测法再到现代预测法的发展过程。经验预测法主要包含历史经验预测和趋势外推预测两种方法,该方法提出的较早,但理论较为简单。随着用电负荷的种类和随机性的增加,只凭借主观经验对电力负荷进行预测缺乏客观的理论依据。
传统预测法主要包含回归分析法、时间序列法、灰色理论法和卡尔曼滤波。回归分析法通过分析变量之间的关系建立回归方程来实现对电力负荷的预测;现有技术一通过应用逐步回归分析法进行海上油田的中长期电力负荷预测,但工程实际中,电力负荷与变量之间往往呈现非线性的关系,通过线性回归的方法会降低电力负荷预测的精度。时间序列法通过分析历史电力负荷数据的变化规律,构建相关的数学模型,从而达到对电力负荷的预测;现有技术二构建了基于概率统计的电力负荷时间序列预测模型,并对电力运行数据通过概率主分量分析模型进行处理,对于电力负荷预测实现了较高的精度,但其本质上仍属于回归分析法,存在与回归分析法相同的缺点。灰色理论法是通过对原始电力负荷数据的内部特征进行分析,以此构建方程来进行求解;现有技术三进行了单因素与多因素灰色理论在电力负荷预测中的对比分析,完善了灰色预测理论,但是该方法对于原始数据质量要求较高。通过建立基于卡尔曼滤波法的模型,可以有效的去除原始电力负荷数据中的噪声;现有技术四提出一种基于极端梯度提升结合无迹卡尔曼滤波的电网虚假数据注入攻击检测方法,计算量适中,但是构建相应的状态方程具有较大的难度。
现代预测法主要包含专家系统法、人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、极限学习机(Extreme LearningMachine,ELM)预测模型和组合预测法。专家系统法类似于传统的经验预测法,通过结合相关专家的经验、观点等生成对于电力负荷数据的处理方法。虽然该方法结合了现代的理论对负荷数据进行处理,但是依旧存在由于专家主观因素对于预测结果的影响。人工神经网络法是随着计算机领域而发展起来的一种新方法,通过模拟人脑的思维和工作方式来对历史负荷数据进行规律性的总结学习从而得出历史负荷数据的变化规律。现有技术五建立了一种新型的鲁棒人工神经网络框架,提高了传统人工神经网络的预测能力。人工神经网络对于负荷预测具有较好的效果,但该方法存在的问题是确定其相关参数需要一定的时间。为了克服传统神经网络预测误差大、运算时间长等缺点,学者们提出了ELM理论。ELM是在单隐含层前馈神经网络的基础上提出的一种算法,因其学习速度快而在众多领域获得广泛应用,例如应用于电动汽车锂离子动力电池外部短路热模型研究、定日镜光斑偏移量预测研究以及钢桥面板腐蚀评估及预测方面。ELM是以统计学理论为基础而衍生出来的机器学习算法,其求解精度受自身随机参数的影响较大。部分学者选择通过智能算法优化ELM模型的随机参数,从而得到相应条件下ELM模型的最优超参数,以提高ELM模型的预测精度,当前已取得一定效果。现有技术六提出了基于麻雀算法结合ELM的短期风电功率预测模型,但该模型并未对麻雀算法做出改进,算法存在易于陷入局部最优的缺点。现有技术七通过结合果蝇优化算法与ELM模型进行短期电力负荷预测,但该算法提出时间较早,收敛性能尚有不足。综上,现有技术中优化ELM随机参数的算法均存在缺陷。
有鉴于此,本发明实施例提供了一种短期电力负荷预测方法,参见图1所示,该方法包括以下步骤:
步骤S101,获取目标电网的历史电力负荷数据,得到训练集。
在本发明实施例中,目标电网的历史电力负荷数据可以从电力系统直接导出。训练集中的数据按时间先后分为两部分,一部分作为ELM模型的输入值,另一部分用于对ELM模型输出的预测值进行校验。
步骤S102,根据训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数。
Uω=λ
其中,U为隐含层输出矩阵,ω为权重矩阵,U的表达式为:
在ELM模型的训练过程中,只有输出权重需要训练,连接权重和阈值通常是随机而定的,这在一定程度上造成了模型的输出不稳定。为解决这一问题,本发明实施例采用改进斑点鬣狗优化(Improved Spotted Hyena Optimizer,ISHO)算法优化ELM模型的超参数,从而构建ISHO-ELM短期电力负荷预测模型。改进斑点鬣狗算法在优化ELM模型的超参数时,具有良好的收敛性,能够准确计算出ELM模型的最优超参数,从而提高ELM模型的预测精度。
步骤S103,根据训练集和最优超参数,训练ELM模型的输出权重,根据最优超参数和输出权重确定训练后的ELM模型。
在本发明实施例中,ELM模型的超参数确定后,通过训练集训练得到ELM模型的输出权重,即可得到训练后的ELM模型。
步骤S104,基于训练后的ELM模型对目标电网进行短期负荷预测。
在本发明实施例中,可以获取待预测时段前某一预设时段目标电网的电力负荷数据,输入至训练后的ELM模型,模型输出即为负荷预测结果。
可见,本发明实施例在对ELM模型进行训练时,首先通过改进斑点鬣狗算法寻找ELM模型的最优超参数,然后再基于训练集和最优超参数训练ELM模型的输出权重,得到最终的ELM模型来进行电力负荷预测。由于改进斑点鬣狗算法在优化ELM模型的超参数时,具有良好的收敛性,能够准确计算出ELM模型的最优超参数,提高了ELM模型的预测精度,进而提高了ELM模型在进行短期电力负荷预测时的预测精度。
作为一种可能的实现方式,在步骤S102中,根据训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数,包括:
步骤一、通过准反向学习策略对斑点鬣狗种群进行初始化;
步骤二、根据训练集计算斑点鬣狗种群中各个个体在相同输出权重下的适应度,并确定全局适应度最优的个体;其中,适应度为个体对应的ELM模型输出值与实际值的拟合情况,拟合程度越高则适应度越优;
步骤三、更新斑点鬣狗种群中的各个个体;
步骤四、重复执行步骤二和步骤三,不断迭代直至达到迭代终止条件,输出当前全局适应度最优的个体,得到ELM模型的最优超参数。
在本发明实施例中,首先介绍常规斑点鬣狗优化算法。
斑点鬣狗主要模拟了斑点鬣狗的狩猎行为,常规斑点鬣狗优化算法的主要数学模型如下:
(1)种群初始化
斑点鬣狗的种群初始化矩阵如下所示:
其中,表示经过初始化后的斑点鬣狗种群的位置矩阵,m为斑点鬣狗种群中斑点鬣狗的数量,d表示种群的维度,表示第i只斑点鬣狗在第j维度的位置信息。为了评价斑点鬣狗的质量,采用ELM模型输出值与实际值的拟合程度作为算法的适应度函数,求解斑点鬣狗的适应度,适应度函数为F,并以矩阵的形式保存。斑点鬣狗的适应度矩阵如下所示:
(2)狩猎过程
斑点鬣狗可以熟悉猎物的位置并对猎物进行包围,斑点鬣狗种群中的个体通过判断与猎物的距离来确定自己的移动方向,在斑点鬣狗优化算法中假定种群个体知道猎物的位置并向其靠近,实际在算法的执行过程中,猎物的位置为适应度最优的斑点鬣狗位置代替,这一行为可以表示为:
其中,m为斑点鬣狗种群中的个体数量,d表示种群的维度,表示第i只斑点鬣狗在第j维度的位置信息,t是当前的迭代次数;为第t次迭代中一次更新后各个个体的位置矩阵;为第t-1次迭代中全局适应度最优个体的位置;为第t-1次迭代中各个个体与全局适应度最优个体之间的距离;B和E为系数向量,用来平衡斑点鬣狗的局部搜索和全局搜索过程,通过调整B和E的数值,斑点鬣狗可以改变当前的位置去靠近猎物,相应表达式如下:
B=2·r1
E=2h·r2-h
h=5-(t*(5/T))
其中,h表示线性收敛因子,随着迭代次数的增加从5线性减小至0,表示斑点鬣狗对猎物从包围到攻击过程的转变,r1和r2表示[0,1]的随机向量。
(3)攻击和寻找猎物
h和E的值会随着迭代次数的增加而变化,斑点鬣狗优化算法中规定当|E|<1时,斑点鬣狗对猎物发起攻击,否则不对猎物进行攻击。斑点鬣狗主要根据斑点鬣狗群体的位置搜索在种群中确定的猎物,他们彼此保持一定的距离去搜寻并攻击猎物,当|E|>1时,斑点鬣狗并不对猎物进行攻击,这种机制使得算法能够进行全局搜索,另一约束算法进行全局搜索的是B,B为猎物的位置提供了一个随机权重,这也将帮助算法进行全局搜索和避免陷入局部最优,最后在满足终止条件时终止算法。
但是,原始斑点鬣狗优化算法在处理复杂问题时,仍存在容易陷入局部最优的问题,收敛精度较差。针对该缺点,本发明实施例提出了斑点鬣狗优化算法,即ISHO算法,具体的改进过程如下所述:
改进一:可以引入准反向学习策略参与种群初始化。
准反向学习策略是指在算法的初始化过程中同时生成当前种群位置相反的个体,以产生更好的候选解。在初始化过程中引入准反向学习策略能够提高求解精度,并加快算法的收敛速度,算法陷入局部最优解的可能性也有所降低,而且比随机产生的群体有更好的机会达到全局最优解。
改进后的初始化公式如下所示:
改进二:原始斑点鬣狗优化算法中h随着迭代次数的增加而线性减小,这就使得算法不能较好的平衡迭代前期和迭代后期的速度,因此,可以引入动态权重惯量,在迭代前期对全局进行搜索,更快的找到全局最优区域,迭代后期充分发挥算法的局部搜索能力,提高算法的收敛精度,h的公式变更为:
根据上述公式,迭代前期,为了保证算法的全局搜索能力,惯性权重取值较大。随着迭代的进行,惯性权重逐渐减小,算法快速向全局最优解收敛并逐渐缩小搜索范围,有利于当前种群在全局最优解附近进行充分搜索,在加快算法收敛速度的基础上,提高了算法的局部寻优能力。
改进三:可以引入精英策略,使上一代最优个体参与斑点鬣狗位置更新。
在原始斑点鬣狗优化算法中,斑点鬣狗个体在迭代过程中只受到当前最优位置的斑点鬣狗的位置的影响,其全局搜索能力较差,容易陷入局部极值区域,造成算法收敛精度较低。因此在斑点鬣狗个体位置更新公式中引入上一代最优斑点鬣狗的位置,使得最优斑点鬣狗的位置更新阶段既受上一代最优斑点鬣狗的位置的影响,同时又受上一代斑点鬣狗个体位置的影响,以避免原始算法易陷入局部极值的问题。即根据原算法对各个斑点鬣狗个体进行一次更新后,根据下式对一次更新后的斑点鬣狗个体进行二次更新:
作为一种可能的实施方式,个体的适应度计算公式可以为:
根据以上内容,本发明实施例提供的短期电力负荷预测方法的整体流程可以参见图2所示(在实际预测中,模型可以预先训练直接应用):
导入训练数据,并进行归一化处理;初始化模型、算法参数;采用准反向学习方式初始化种群个体位置;开始进行算法的迭代过程,更新个体位置,计算个体适应度值;达到迭代终止条件时,输出最优个体位置,即ELM模型的最优超参数;将最优超参数输入ELM模型,并训练模型的输出权重;采用训练好的模型进行短期电力负荷预测。
以下,通过对比测试本发明实施例所提算法的性能。
为了测试ISHO算法的性能,选取6个基准测试函数对ISHO算法的性能进行测试,以验证算法改进的效果。其中f1(x)-f3(x)为单峰测试函数,主要用于测试ISHO算法的局部搜索能力;f4(x)-f6(x)为多峰测试函数,主要用于测试ISHO算法的全局搜索能力。相应的基准测试函数如表1所示。
表1基准测试函数表
选取SHO算法以及近年来提出的优秀的智能算法,例如灰狼优化算法(Grey WolfOptimizer,GWO)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、海鸥优化算法(Seagull optimization algorithm,SOA)、被囊群优化算法(Tunicate Swarm Algorithm,TSA)与ISHO算法进行性能对比。所有算法的个体数设置为30,迭代次数为1000,对于每个基准测试函数,每个算法分别独立运行30次,并保存相应的实验数据。选取30次实验的最优值、劣值、平均值和标准差作为实验结果的评价指标,相应的数据如表2所示。
表2各算法测试结果表
由表2可以看出,对于单峰测试函数f1(x)-f3(x),ISHO算法在六个算法中的寻优效果都处于最佳的位置,对于四个评价指标,ISHO算法的值均为最小。对于f1(x),ISHO算法和SHO算法均能收敛至0,但是通过收敛曲线图的对比,ISHO的初始化效果更好,能够更快的进入搜索状态;对于多峰测试函数f4(x)-f6(x),ISHO算法同样展示了优越的搜索能力,对于相应的评价指标,ISHO算法的数值均能达到六个算法中的最优。由相应的实验数据可以看出,通过对SHO算法的改进得到的ISHO算法相较于近些年提出的优化算法,在全局搜索和局部搜索方面均有较大的提升。
另外,通过选取某地区从2012年1月1日至2012年3月31日共91天的电力负荷数据对模型进行精度测试,对于训练样本数量不同的三次测试,本发明实施例所提出的ISHO-ELM模型的拟合系数相较于ELM模型分别提高了1.6%、0.93%、0.90%,相较于SVM模型分别提高了1.7%、1.3%、1.3%,证明本模型对于电力负荷数据的预测体现出较高的预测精度。并且,ISHO-ELM模型对于训练集数据的数量要求较低,不需要数量较多的原始电力负荷数据作为模型的训练数据就能够得到较为精确的电力负荷预测结果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例还提供一种短期电力负荷预测装置,参见图3所示,该装置30包括:
获取模块31,用于获取目标电网的历史电力负荷数据,得到训练集。
计算模块32,用于根据所述训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数。
训练模块33,用于根据所述训练集和所述最优超参数,训练ELM模型的输出权重,根据所述最优超参数和所述输出权重确定训练后的ELM模型。
预测模块34,用于基于训练后的ELM模型对目标电网进行短期负荷预测。
在一种可能的实现方式中,计算模块32具体用于执行以下步骤:
步骤一、通过准反向学习策略对斑点鬣狗种群进行初始化;
步骤二、根据训练集计算斑点鬣狗种群中各个个体在相同输出权重下的适应度,并确定全局适应度最优的个体;其中,适应度为个体对应的ELM模型输出值与实际值的拟合情况,拟合程度越高则适应度越优;
步骤三、更新斑点鬣狗种群中的各个个体;
步骤四、重复执行步骤二和步骤三,不断迭代直至达到迭代终止条件,输出当前全局适应度最优的个体,得到ELM模型的最优超参数。
在一种可能的实现方式中,通过准反向学习策略对斑点鬣狗种群进行初始化的公式为:
在一种可能的实现方式中,个体的适应度计算公式为:
在一种可能的实现方式中,在每次迭代中,更新斑点鬣狗种群中的各个个体包括:
对鬣狗种群中的各个个体进行一次更新,并对一次更新后的各个个体进行二次更新,得到当前迭代次数下更新后的各个个体。
在一种可能的实现方式中,对鬣狗种群中的各个个体进行一次更新的公式为:
B=2·r1
E=2h·r2-h
式中,为第t次迭代中一次更新后各个个体的位置矩阵;为第t-1次迭代中全局适应度最优个体的位置;为第t-1次迭代中各个个体与全局适应度最优个体之间的距离;B和E为系数向量;r1和r2为[0,1]的随机向量;h为收敛因子,t为当前迭代次数,T为最大迭代次数。
在一种可能的实现方式中,对一次更新后的各个个体进行二次更新的公式为:
图4是本发明一实施例提供的电子设备40的示意图。如图4所示,该实施例的电子设备40包括:处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43,例如短期电力负荷预测程序。处理器41执行计算机程序43时实现上述各个短期电力负荷预测方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,处理器41执行计算机程序43时实现上述各装置实施例中各模块的功能,例如图3所示模块31至34的功能。
示例性的,计算机程序43可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器42中,并由处理器41执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序43在电子设备40中的执行过程。例如,计算机程序43可以被分割成获取模块31、计算模块32、训练模块33、预测模块34(虚拟装置中的模块),各模块具体功能如下:
获取模块31,用于获取目标电网的历史电力负荷数据,得到训练集。
计算模块32,用于根据所述训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数。
训练模块33,用于根据所述训练集和所述最优超参数,训练ELM模型的输出权重,根据所述最优超参数和所述输出权重确定训练后的ELM模型。
预测模块34,用于基于训练后的ELM模型对目标电网进行短期负荷预测。
电子设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备40可包括,但不仅限于,处理器41、存储器42。本领域技术人员可以理解,图4仅仅是电子设备40的示例,并不构成对电子设备40的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备40还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是电子设备40的内部存储单元,例如电子设备40的硬盘或内存。存储器42也可以是电子设备40的外部存储设备,例如电子设备40上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器42还可以既包括电子设备40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及电子设备40所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种短期电力负荷预测方法,其特征在于,包括:
获取目标电网的历史电力负荷数据,得到训练集;
根据所述训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数;
根据所述训练集和所述最优超参数,训练ELM模型的输出权重,根据所述最优超参数和所述输出权重确定训练后的ELM模型;
基于训练后的ELM模型对目标电网进行短期负荷预测。
2.如权利要求1所述的短期电力负荷预测方法,其特征在于,根据所述训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数,包括:
步骤一、通过准反向学习策略对斑点鬣狗种群进行初始化;
步骤二、根据所述训练集计算斑点鬣狗种群中各个个体在相同输出权重下的适应度,并确定全局适应度最优的个体;其中,所述适应度为个体对应的ELM模型输出值与实际值的拟合情况,拟合程度越高则适应度越优;
步骤三、更新斑点鬣狗种群中的各个个体;
步骤四、重复执行步骤二和步骤三,不断迭代直至达到迭代终止条件,输出当前全局适应度最优的个体,得到ELM模型的最优超参数。
5.如权利要求2所述的短期电力负荷预测方法,其特征在于,在每次迭代中,更新斑点鬣狗种群中的各个个体包括:
对鬣狗种群中的各个个体进行一次更新,并对一次更新后的各个个体进行二次更新,得到当前迭代次数下更新后的各个个体。
8.一种短期电力负荷预测装置,其特征在于,包括:
获取模块,用于获取目标电网的历史电力负荷数据,得到训练集;
计算模块,用于根据所述训练集,利用改进斑点鬣狗算法寻找ELM模型的最优超参数;
训练模块,用于根据所述训练集和所述最优超参数,训练ELM模型的输出权重,根据所述最优超参数和所述输出权重确定训练后的ELM模型;
预测模块,用于基于训练后的ELM模型对目标电网进行短期负荷预测。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210302207.9A CN114781692A (zh) | 2022-03-24 | 2022-03-24 | 短期电力负荷预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210302207.9A CN114781692A (zh) | 2022-03-24 | 2022-03-24 | 短期电力负荷预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781692A true CN114781692A (zh) | 2022-07-22 |
Family
ID=82424708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210302207.9A Pending CN114781692A (zh) | 2022-03-24 | 2022-03-24 | 短期电力负荷预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781692A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204324A (zh) * | 2022-09-16 | 2022-10-18 | 西安热工研究院有限公司 | 基于ifoa-dbn-elm的设备耗电异常检测方法和装置 |
CN116596044A (zh) * | 2023-07-18 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于多源数据的发电负荷预测模型训练方法及装置 |
CN117272051A (zh) * | 2023-11-21 | 2023-12-22 | 浪潮通用软件有限公司 | 一种基于lstm优化模型的时间序列预测方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019035770A1 (en) * | 2017-08-18 | 2019-02-21 | Nanyang Technological University | ADAPTIVE COMPUTER SYSTEM, AND METHODS AND APPARATUS FOR LEARNING THE ADAPTIVE COMPUTER SYSTEM |
-
2022
- 2022-03-24 CN CN202210302207.9A patent/CN114781692A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019035770A1 (en) * | 2017-08-18 | 2019-02-21 | Nanyang Technological University | ADAPTIVE COMPUTER SYSTEM, AND METHODS AND APPARATUS FOR LEARNING THE ADAPTIVE COMPUTER SYSTEM |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204324A (zh) * | 2022-09-16 | 2022-10-18 | 西安热工研究院有限公司 | 基于ifoa-dbn-elm的设备耗电异常检测方法和装置 |
CN116596044A (zh) * | 2023-07-18 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于多源数据的发电负荷预测模型训练方法及装置 |
CN116596044B (zh) * | 2023-07-18 | 2023-11-07 | 华能山东泰丰新能源有限公司 | 基于多源数据的发电负荷预测模型训练方法及装置 |
CN117272051A (zh) * | 2023-11-21 | 2023-12-22 | 浪潮通用软件有限公司 | 一种基于lstm优化模型的时间序列预测方法、设备及介质 |
CN117272051B (zh) * | 2023-11-21 | 2024-03-08 | 浪潮通用软件有限公司 | 一种基于lstm优化模型的时间序列预测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
CN111416797A (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
CN110555530B (zh) | 一种基于分布式的大规模基因调控网络构建方法 | |
Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
CN114548498A (zh) | 一种架空输电线路局部区域的风速预测方法及系统 | |
CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
CN113591957A (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
CN109189973B (zh) | 基于策略梯度的大规模图像检索方法及装置 | |
CN116565876A (zh) | 一种鲁棒强化学习的配网潮流优化方法及计算机可读介质 | |
CN114492199A (zh) | 一种电压互感器性能的分析方法、系统、电子设备及介质 | |
CN114265674A (zh) | 时序逻辑约束下基于强化学习的任务规划方法及相关装置 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Wang et al. | Evolutionary Optimization of Robust Multi-objective Expensive Problems Assisted by Incremental Kriging Models | |
CN116339130B (zh) | 基于模糊规则的飞行任务数据获取方法、装置及设备 | |
Huang et al. | A long short-term memory based wind power prediction method | |
He et al. | Application of ALO-ELM in Load Forecasting Based on Big Data | |
Wei et al. | Multi-strategy synergy-based backtracking search optimization algorithm | |
Wang et al. | A Weight Optimization Method of Deep Echo State Network Based on Improved Knowledge Evolution | |
CN117235477B (zh) | 基于深度神经网络的用户群组评估方法和系统 |
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 |