CN115049038A - 园区负荷预测模型寻优方法及系统、设备及可读存储介质 - Google Patents
园区负荷预测模型寻优方法及系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115049038A CN115049038A CN202210768355.XA CN202210768355A CN115049038A CN 115049038 A CN115049038 A CN 115049038A CN 202210768355 A CN202210768355 A CN 202210768355A CN 115049038 A CN115049038 A CN 115049038A
- Authority
- CN
- China
- Prior art keywords
- load
- historical data
- park
- neural network
- prediction 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 239000002245 particle Substances 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 241000254158 Lampyridae Species 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000007670 refining Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000005611 electricity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—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
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明涉及园区负荷预测模型寻优方法及系统、设备及可读存储介质，属于机器学习技术领域，包括：步骤S1，并根据预处理后的园区负荷历史数据建立神经网络模型；步骤S2，分析负荷特点和时间序列特征；步骤S3，计算时间交叉特征，并结合负荷所受外部影响因素精炼数据；步骤S4，根据粒子群优化算法和萤火虫算法对神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；步骤S5，训练神经网络模型的权重参数。有益效果：基于粒子群算法和萤火虫算法对神经网络模型的输入参数进行优化处理，大大提高了网络的预测精度和训练速度，且能较好应对负荷数据的时间序列特征。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种园区负荷预测模型寻优方法及系统、设备及可读存储介质。
背景技术
粒子群(ParticleSwarmOptimization，PSO)算法的基本思想是：社会中的个体通过社会交互，不断修正自己关于搜索空间的知识，在社会交互的过程中，所有个体倾向于模仿成功的同伴，最终导致了社会规范的涌现。粒子群算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由目标函数决定的适应值(FitnessValue)，目标函数一般由实际问题中被优化的函数决定。每个粒子还有一个速度决定它们飞翔的方向和每一步的位移。PSO算法需要初始化一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解pbest，这个解称为个体极值。另一个是整个种群目前找到的最优解，这个解称为全局极值gbest。PSO系统中每个备选解被称为一个粒子(particle)，多个粒子共存合作寻优(近似鸟群寻找食物)，每个粒子根据它自身的经验和相邻粒子群的最佳经验在问题空间中向更好的位置飞行，搜索最优解。
粒子群算法虽能提高网络寻优速度，但依然难以保证所得解的全局收敛性，局部最优解的干扰性和适应性不足的问题，易导致在负荷预测的过程中难以获得更好的预测效果。
发明内容
为了解决以上技术问题，本发明提供了一种园区负荷预测模型寻优方法及系统、设备及可读存储介质。
本发明所解决的技术问题可以采用以下技术方案实现：
一种园区负荷预测模型寻优方法，包括：
步骤S1，获取园区负荷历史数据，并根据预处理后的所述园区负荷历史数据建立神经网络模型；
步骤S2，对所述园区负荷历史数据进行分析，得到负荷特点和时间序列特征；
步骤S3，根据所述负荷特点和所述时间序列特征计算所述园区负荷历史数据的时间交叉特征，并根据所述时间交叉特征结合负荷所受外部影响因素进行处理，得到精炼后的所述园区负荷历史数据；
步骤S4，根据粒子群算法和萤火虫算法对所述神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；
步骤S5，根据精炼后的所述园区负荷历史数据训练所述神经网络模型的权重参数。
优选地，所述步骤S1包括：
步骤S11，获取所述园区负荷历史数据，所述园区负荷历史数据包括工业负荷历史数据和生活负荷历史数据；
步骤S12，对所述工业负荷历史数据和所述生活负荷历史数据分别进行预处理；
步骤S13，根据预处理后的所述工业负荷历史数据建立工业负荷预测模型，以及根据预处理后的所述生活负荷历史数据建立生活负荷预测模型；
所述神经网络模型包括所述工业负荷预测模型和/或所述生活负荷预测模型。
优选地，所述步骤S1中，所述预处理包括离差标准化或标准差法。
优选地，所述步骤S4具体包括：
步骤S41，采用粒子群算法，根据第一约束条件确定初始化粒子数目、位置和速度，同时根据目标函数计算每个粒子对应的第一适应度值，并进行位置更新；
步骤S42，采用萤火虫算法，根据第二约束条件确定初始化最大吸引度、吸引因子、步长、初始位置，同时根据第三目标约束条件得到与所述粒子群算法中所述初始化粒子数目相匹配的个体数目、种群数目和维度，根据所述目标函数计算每个个体的第二适应度值，并进行位置更新；
步骤S43，判断所述粒子群算法和所述萤火虫算法的进化代数是否达到对应的预设值：
若是，分别对所述第一适应度值和所述第二适应度值进行排序并进行交换；
若否，则返回所述步骤S41；
步骤S44，记录每一次迭代结束后所述粒子群算法和所述萤火虫算法中的全局最优值，并判断是否达到循环停止条件：
若是，则退出迭代过程，并输出所述全局最优值，作为优化后的所述神经网络模型参数；
若否，则返回所述步骤S41。
优选地，所述步骤S43中，进行交换的方法包括：
步骤A1，判断是否为第一次交换：
若是，则进入步骤A2；
若否，则进入步骤A3；
步骤A2，在第一预设次数的进化代数处分别取所述适应度值的前N个个体，中部N个个体以及最后N个个体的结果进行交换，其中，N为正整数；
步骤A3，在第二预设次数的进化代数处分别取所述适应度值的前M个个体和最后M个个体的结果进行交换，其中，M为正整数。
优选地，所述步骤A2中，N的数值随着当前进化代数的增加而增加。
优选地，所述步骤A2中，采用如下公式确定所述N的数值：
其中，
z表示当前进化代数；
Zmax表示最大进化代数；
k表示控制系数；
S表示种群数量。
本发明还提供一种园区负荷预测模型寻优系统，其特征在于，应用于如上述的园区负荷预测模型寻优方法，包括：
数据获取及模型建立单元，用于获取园区负荷历史数据；以及用于根据预处理后的所述园区负荷历史数据建立神经网络模型；
分析单元，连接所述数据获取及模型建立单元，用于对所述园区负荷历史数据进行分析，得到负荷特点和时间序列特征；
计算处理单元，分别连接所述数据获取及模型建立单元和所述分析单元，用于根据所述负荷特点和所述时间序列特征计算所述园区负荷历史数据的时间交叉特征，并根据所述时间交叉特征结合负荷所受外部影响因素进行处理，得到精炼后的所述园区负荷历史数据；
寻优处理单元，分别连接所述数据获取及模型建立单元和所述计算处理单元，用于根据粒子群算法和萤火虫算法对所述神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；
权重训练单元，连接所述计算处理单元，用于根据精炼后的所述园区负荷历史数据训练所述神经网络模型的权重参数。
本发明还提供一种计算机设备，包括存储器和处理器，所述的存储器存储有计算机程序，所述的处理器执行所述的计算机程序时实现上述的方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现上述方法的步骤。
本发明技术方案的优点或有益效果在于：
本发明基于粒子群算法和萤火虫算法对神经网络模型的输入参数进行优化处理，避免局部最优解的干扰性和适应性不足的问题，大大提高了网络的预测精度和训练速度，且能较好应对负荷数据的时间序列特征。
附图说明
图1为本发明较佳实施例中，园区负荷预测模型寻优方法的流程示意图；
图2为本发明较佳实施例中，步骤S1具体实施例的流程示意图；
图3为本发明较佳实施例中，步骤S4具体实施例的流程示意图；
图4为本发明较佳实施例中，进行交换的方法具体实施例的流程示意图；
图5为本发明较佳实施例中，园区负荷预测模型寻优系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种园区负荷预测模型寻优方法，属于机器学习技术领域，如图1所示，包括：
步骤S1，获取园区负荷历史数据，并根据预处理后的园区负荷历史数据建立神经网络模型；
作为优选的实施方式，其中，如图2所示，步骤S1包括：
步骤S11，获取园区负荷历史数据，园区负荷历史数据包括工业负荷历史数据和生活负荷历史数据；
步骤S12，对工业负荷历史数据和生活负荷历史数据分别进行预处理；
步骤S13，根据预处理后的工业负荷历史数据建立工业负荷预测模型，以及根据预处理后的生活负荷历史数据建立生活负荷预测模型；
神经网络模型包括工业负荷预测模型和/或生活负荷预测模型。
具体的，本发明实施例适用于具有至少两个光伏机组以及至少两个储能系统的集生活用电和工业用电的并网运行园区。
首先，分别获取园区内工业负荷历史数据以及生活负荷历史数据作为园区负荷历史数据。
工业负荷的特点在于：其在园区电力消耗中占主要地位，其负荷量大，需求相对较稳定，同时断电、订单以及工作时间对于工业用电的影响较大。
生活负荷的特点在于：受园区作息、天气和用电习惯等因素影响，呈现明显的周期性波动，其中，周期性包括以日为单位的周期，和/或以年为单位的周期。在工作时间，生活负荷量较小；非工作时间下生活负荷量较大，冬夏负荷量相对于春秋需求较大，即生活负荷受季节、光照、温度影响较大。
由于工业负荷与生活负荷具有大相径庭的变化规律和误差容许量，基于以上特点，针对这两种负荷类型对应的预测模型进行参数优化时需考虑不同的优化条件，在进行预测模型建立时会对输入端进行不同的限定，即工业负荷预测模型和生活负荷预测模型具有不同的特征参数。
作为优选的实施方式，其中，步骤S1中，预处理包括离差标准化或标准差法。
具体的，对上述两种数据分别进行预处理，以统一不同数据的单位量纲，使其负荷标准化，以便于进入下一步计算。本发明实施例采用离差标准化(通常指将数据线性化变换以使数据∈[0,1])进行预处理，或者也可以采用标准差法(Z-score法)进行预处理。
对预处理后的两种负荷数据分别建立工业负荷预测模型和生活负荷预测模型，工业负荷预测模型和生活负荷预测模型的参数至少包括迭代次数、学习率以及神经元节点。
进一步的，工业负荷预测模型和生活负荷预测模型可分别基于递归神经网络构建，例如LSTM神经网络。
本发明实施例主要对LSTM神经网络的输入参数进行优化处理，以提高LSTM神经网络的预测精度和训练速度，在LSTM神经网络的参数设定时采用粒子群算法和萤火虫算法两种群体智能算法的结合以避免局部最优解的干扰性和适应性不足的问题，以获得更好的预测效果。
对工业负荷预测模型的参数和生活负荷预测模型的参数分别进行优化，针对每一LSTM神经网络的参数的具体优化过程如下：
步骤S2，对园区负荷历史数据进行分析，得到负荷特点和时间序列特征；
步骤S3，根据负荷特点和时间序列特征计算园区负荷历史数据的时间交叉特征，并根据时间交叉特征结合负荷所受外部影响因素进行处理，得到精炼后的园区负荷历史数据；
具体的，在本实施例中，根据负荷特点和时间序列特征对园区负荷历史数据进行处理，得到精炼的园区负荷历史数据，使得本发明实施例最终得到的LSTM神经网络能够较好应对数据的时间序列特征。
步骤S4，根据粒子群算法(PSO)和萤火虫(Firefly Algorithm，FA)算法对神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；
步骤S5，根据精炼后的园区负荷历史数据训练神经网络模型的权重参数。
具体的，在本实施例中，利用粒子群算法和萤火虫算法的全局寻优能力进行LSTM神经网络的参数寻优，对LSTM神经网络的迭代次数、学习率、神经元节点等进行优化；最后，根据历史数据训练网络权重，进行使得预测得到设定时间段内的工业负荷和生活负荷的预测精度大大提升，且能较好应对数据的时间序列特征。
作为优选的实施方式，其中，如图3所示，步骤S4具体包括：
步骤S41，采用粒子群算法，根据第一约束条件确定初始化粒子数目、位置和速度，同时根据目标函数计算每个粒子对应的第一适应度(fitness)值，并进行位置更新；步骤S42，采用萤火虫算法，根据第二约束条件确定初始化最大吸引度、吸引因子、步长、初始位置，同时根据第三目标约束条件得到与粒子群算法中初始化粒子数目相匹配的个体数目、种群数目和维度，根据目标函数计算每个个体的第二适应度值，并进行位置更新；
具体的，上述粒子群算法的第一约束条件和萤火虫算法中的第二约束条件、第三目标约束条件相同。
优选的，上述第一约束条件以及第二约束条件、第三约束条件是对工业负荷历史数据、生活负荷历史数据参数的限制约束，针对上述工业负荷相关的各参数的限制约束阈值与生活负荷相关参数的限制约束阈值有所不同，具体阈值数值可根据实际需要设置，在此不赘述。
步骤S43，判断粒子群算法和萤火虫算法的进化代数是否达到对应的预设值：
若是，分别对第一适应度值和第二适应度值进行排序并进行交换；
若否，则返回步骤S41；
步骤S44，记录每一次迭代结束后粒子群算法和萤火虫算法中的全局最优值；
然后，判断是否达到循环停止条件：
若是，则退出迭代过程，并输出全局最优值，作为优化后的神经网络模型参数；
若否，则返回步骤S41。
其中，步骤S41和步骤S42不分先后顺序。
作为优选的实施方式，其中，如图4所示，步骤S43中，进行交换的方法包括：
步骤A1，判断是否为第一次交换：
若是，则进入步骤A2；
若否，则进入步骤A3；
步骤A2，在第一预设次数的进化代数处分别取适应度值的前N个个体，中部N个个体以及最后N个个体的结果进行交换，其中，N为正整数；
步骤A3，在第二预设次数的进化代数处分别取适应度值的前M个个体和最后M个个体的结果进行交换，其中，M为正整数。
具体的，在本实施例中，进行交换的方法是：若是第一次交换，分别取第一适应度值排序的前N个个体，中部N个个体以及最后N个个体的结果，与第一适应度值排序对应位置的个体进行交换；
若非第一次交换，则分别取第一适应度值排序的前M个个体和最后M个个体的结果进行交换，以在开始阶段提高搜索范围，取得更多的交换组数。
作为优选的实施方式，其中，步骤A2中，N的数值随着当前进化代数的增加而增加。
作为优选的实施方式，其中，步骤A2中，采用如下公式确定N的数值：
其中，
z表示当前进化代数；
Zmax表示最大进化代数；
k表示控制系数，唯一设置值；
S表示种群数量。
具体的，N的具体值为可变值，会随当前进化代数的增加而增加。优选的，可以按照上述公式确定当前进化代数对应的N值。
进一步的，还可以进行N的预先设置，例如设置好每一次进化代数对应的N值，按照预先设置的值进行增加。
进一步的，M的具体值也为可变值，在迭代后期，将M设为定值，以增加收敛速度，避免发生早熟情况。
本发明还提供一种神经网络算法的参数寻优系统，其特征在于，应用于如上述的神经网络算法的参数寻优方法，如图3所示，包括：
数据获取及模型建立单元1，用于获取园区负荷历史数据；以及用于根据预处理后的园区负荷历史数据建立神经网络模型；
分析单元2，连接数据获取及模型建立单元1，用于对园区负荷历史数据进行分析，得到负荷特点和时间序列特征；
计算处理单元3，分别连接数据获取及模型建立单元1和分析单元2，用于根据负荷特点和时间序列特征计算园区负荷历史数据的时间交叉特征，并根据时间交叉特征结合负荷所受外部影响因素进行处理，得到精炼后的园区负荷历史数据；
寻优处理单元4，分别连接数据获取及模型建立单元1和计算处理单元3，用于根据粒子群算法和萤火虫算法对神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；
权重训练单元5，连接计算处理单元3，用于根据精炼后的园区负荷历史数据训练神经网络模型的权重参数。
本发明还提供一种计算机设备，包括存储器和处理器，的存储器存储有计算机程序，的处理器执行的计算机程序时实现上述的方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，的计算机程序被处理器执行时实现上述方法的步骤。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
采用上述技术方案具有如下优点或有益效果：本发明基于粒子群算法和萤火虫算法对神经网络模型的输入参数进行优化处理，大大提高了网络的预测精度和训练速度，且能较好应对负荷数据的时间序列特征。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种园区负荷预测模型寻优方法，其特征在于，包括：
步骤S1，获取园区负荷历史数据，并根据预处理后的所述园区负荷历史数据建立神经网络模型；
步骤S2，对所述园区负荷历史数据进行分析，得到负荷特点和时间序列特征；
步骤S3，根据所述负荷特点和所述时间序列特征计算所述园区负荷历史数据的时间交叉特征，并根据所述时间交叉特征结合负荷所受外部影响因素进行处理，得到精炼后的所述园区负荷历史数据；
步骤S4，根据粒子群算法和萤火虫算法对所述神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；
步骤S5，根据精炼后的所述园区负荷历史数据训练所述神经网络模型的权重参数。
2.根据权利要求1所述的园区负荷预测模型寻优方法，其特征在于，所述步骤S1包括：
步骤S11，获取所述园区负荷历史数据，所述园区负荷历史数据包括工业负荷历史数据和生活负荷历史数据；
步骤S12，对所述工业负荷历史数据和所述生活负荷历史数据分别进行预处理；
步骤S13，根据预处理后的所述工业负荷历史数据建立工业负荷预测模型，以及根据预处理后的所述生活负荷历史数据建立生活负荷预测模型；
所述神经网络模型包括所述工业负荷预测模型和/或所述生活负荷预测模型。
3.根据权利要求1所述的园区负荷预测模型寻优方法，其特征在于，所述步骤S1中，所述预处理包括离差标准化或标准差法。
4.根据权利要求1所述的园区负荷预测模型寻优方法，其特征在于，所述步骤S4具体包括：
步骤S41，采用粒子群算法，根据第一约束条件确定初始化粒子数目、位置和速度，同时根据目标函数计算每个粒子对应的第一适应度值，并进行位置更新；
步骤S42，采用萤火虫算法，根据第二约束条件确定初始化最大吸引度、吸引因子、步长、初始位置，同时根据第三目标约束条件得到与所述粒子群算法中所述初始化粒子数目相匹配的个体数目、种群数目和维度，根据所述目标函数计算每个个体的第二适应度值，并进行位置更新；
步骤S43，判断所述粒子群算法和所述萤火虫算法的进化代数是否达到对应的预设值：
若是，分别对所述第一适应度值和所述第二适应度值进行排序并进行交换；
若否，则返回所述步骤S41；
步骤S44，记录每一次迭代结束后所述粒子群算法和所述萤火虫算法中的全局最优值，并判断是否达到循环停止条件：
若是，则退出迭代过程，并输出所述全局最优值，作为优化后的所述神经网络模型参数；
若否，则返回所述步骤S41。
5.根据权利要求4所述的园区负荷预测模型寻优方法，其特征在于，所述步骤S43中，进行交换的方法包括：
步骤A1，判断是否为第一次交换：
若是，则进入步骤A2；
若否，则进入步骤A3；
步骤A2，在第一预设次数的进化代数处分别取所述适应度值的前N个个体，中部N个个体以及最后N个个体的结果进行交换，其中，N为正整数；
步骤A3，在第二预设次数的进化代数处分别取所述适应度值的前M个个体和最后M个个体的结果进行交换，其中，M为正整数。
6.根据权利要求5所述的园区负荷预测模型寻优方法，其特征在于，所述步骤A2中，N的数值随着当前进化代数的增加而增加。
7.根据权利要求5所述的园区负荷预测模型寻优方法，其特征在于，所述步骤A2中，采用如下公式确定所述N的数值：
其中，
z表示当前进化代数；
Zmax表示最大进化代数；
k表示控制系数；
S表示种群数量。
8.一种园区负荷预测模型寻优系统，其特征在于，应用于如权利要求1-7中任意一项所述的园区负荷预测模型寻优方法，包括：
数据获取及模型建立单元，用于获取园区负荷历史数据；以及用于根据预处理后的所述园区负荷历史数据建立神经网络模型；
分析单元，连接所述数据获取及模型建立单元，用于对所述园区负荷历史数据进行分析，得到负荷特点和时间序列特征；
计算处理单元，分别连接所述数据获取及模型建立单元和所述分析单元，用于根据所述负荷特点和所述时间序列特征计算所述园区负荷历史数据的时间交叉特征，并根据所述时间交叉特征结合负荷所受外部影响因素进行处理，得到精炼后的所述园区负荷历史数据；
寻优处理单元，分别连接所述数据获取及模型建立单元和所述计算处理单元，用于根据粒子群算法和萤火虫算法对所述神经网络模型的参数进行寻优处理，得到优化后的神经网络模型参数；
权重训练单元，连接所述计算处理单元，用于根据精炼后的所述园区负荷历史数据训练所述神经网络模型的权重参数。
9.一种计算机设备，包括存储器和处理器，所述的存储器存储有计算机程序，其特征在于，所述的处理器执行所述的计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210768355.XA CN115049038A (zh) | 2022-07-01 | 2022-07-01 | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210768355.XA CN115049038A (zh) | 2022-07-01 | 2022-07-01 | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115049038A true CN115049038A (zh) | 2022-09-13 |
Family
ID=83164785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210768355.XA Pending CN115049038A (zh) | 2022-07-01 | 2022-07-01 | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049038A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480815A (zh) * | 2017-08-03 | 2017-12-15 | 国网河北省电力公司保定供电分公司 | 一种电力系统台区负荷预测方法 |
| CN108446808A (zh) * | 2018-04-08 | 2018-08-24 | 广东电网有限责任公司 | 一种萤火虫算法优化神经网络的短期负荷预测方法 |
| 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 |
| CN112700060A (zh) * | 2021-01-08 | 2021-04-23 | 佳源科技股份有限公司 | 站所终端负荷预测方法和预测装置 |
| US20210133536A1 (en) * | 2018-10-22 | 2021-05-06 | Ennew Digital Technology Co., Ltd. | Load prediction method and apparatus based on neural network |
| CN113393339A (zh) * | 2021-05-21 | 2021-09-14 | 南京理工大学 | 基于深度神经网络组合模型的配电网短期负荷预测方法 |
-
2022
- 2022-07-01 CN CN202210768355.XA patent/CN115049038A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480815A (zh) * | 2017-08-03 | 2017-12-15 | 国网河北省电力公司保定供电分公司 | 一种电力系统台区负荷预测方法 |
| CN108446808A (zh) * | 2018-04-08 | 2018-08-24 | 广东电网有限责任公司 | 一种萤火虫算法优化神经网络的短期负荷预测方法 |
| US20210133536A1 (en) * | 2018-10-22 | 2021-05-06 | Ennew Digital Technology Co., Ltd. | Load prediction method and apparatus based on neural network |
| 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 |
| CN112700060A (zh) * | 2021-01-08 | 2021-04-23 | 佳源科技股份有限公司 | 站所终端负荷预测方法和预测装置 |
| CN113393339A (zh) * | 2021-05-21 | 2021-09-14 | 南京理工大学 | 基于深度神经网络组合模型的配电网短期负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| G ASHA, GOWRISHANKAR: "An Energy aware Routing Mechanism in WRNs using PSO and GSO Algorithm", 2018 5TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING AND INTEGRATED NETWORKS, 31 December 2018 (2018-12-31), pages 7 - 12 * |
| SHI YAN, WANG QIN, ZHANG HUIYAN: "Hybrid ensemble PSO-GSO algorithm", 2012 IEEE 2ND INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND INTELLIGENCE SYSTEMS, 31 December 2012 (2012-12-31), pages 114 - 117 * |
| 马健钧: "基于GSO与GSA对PSO算法的改进研究及其在神经网络电力负荷预测中的应用", 中国优秀硕士学位论文全文数据库工程科技II辑, 15 August 2021 (2021-08-15), pages 10 - 35 * |
| 马健钧: "基于GSO与GSA对PSO算法的改进研究及其在神经网络电力负荷预测中的应用", 说明书第11段、第18-24段、第77-84段, 15 August 2021 (2021-08-15), pages 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
| CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
| CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 | |
| CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
| CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
| CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
| CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
| CN114358485A (zh) | 一种源荷匹配性评估方法、系统、介质及电子设备 | |
| CN115049038A (zh) | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
| CN115936208A (zh) | 基于深度混合学习模型的短期电力负荷预测方法及装置 | |
| CN116227704A (zh) | 基于边缘计算和云计算的供热能耗诊断及节能调控方法 | |
| Wu et al. | WOA-LSTM | |
| CN113254857A (zh) | 一种基于ssa-elm的短期电力负荷预测方法 | |
| CN114091782A (zh) | 中长期电力负荷预测方法 | |
| CN113962454A (zh) | 基于双重特征选择+粒子群优化的lstm能耗预测方法 | |
| CN114676866A (zh) | 基于误差修正的负荷日前预测修正方法、设备和存储介质 | |
| CN114049143B (zh) | 面向节假日电力负荷的衍生簇模型预测方法及系统 | |
| CN116227741A (zh) | 基于自适应算法的冷水机组节能方法、装置及相关介质 | |
| CN117708525A (zh) | 一种融合专家经验及iwoa-bp算法的全钒液流电池数据分析方法 | |
| CN115409266A (zh) | 一种商业建筑冷负荷预测方法、系统、设备及介质 | |
| Ji et al. | An Active Learning based Latency Prediction Approach for Neural Network Architecture |
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 |