CN116014731B - 一种利用模糊时间序列进行电力负载短期预测的方法 - Google Patents
一种利用模糊时间序列进行电力负载短期预测的方法 Download PDFInfo
- Publication number
- CN116014731B CN116014731B CN202310303253.5A CN202310303253A CN116014731B CN 116014731 B CN116014731 B CN 116014731B CN 202310303253 A CN202310303253 A CN 202310303253A CN 116014731 B CN116014731 B CN 116014731B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- data
- sequence
- fuzzy logic
- carrying
- 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
Links
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能预测技术领域,公开了一种利用模糊时间序列进行电力负载短期预测的方法。选择n个输入数据作为移动平均的窗口大小;将窗口内的数据点取平均值,作为当前数据点的值;计算整个数据序列X的移动平均值,得到序列Z;从原始数据X中减去序列Z,获得去趋势序列Y。构建预测模型:定义序列Y的论域U;将论域U划分为有序的子集;定义模糊集A;利用模糊函数将每个输入模糊化,并确定所属模糊集;建立模糊逻辑关系;建立模糊逻辑关系组。预测:将已知t时刻的历史数据模糊化,并确定所属模糊集;匹配模糊逻辑关系组集合;计算权重;解模糊输出t+1时刻的估计值。
Description
技术领域
本发明涉及智能预测技术领域,尤其涉及一种利用模糊时间序列进行电力负载短期预测的方法。
背景技术
在现代社会中,电力负载预测是一个十分重要的问题。准确的电力负载预测可以帮助电力系统规划电力供应,提高电力系统的效率和可靠性。同时,在能源管理、智能制造等领域,电力负载预测也具有重要的应用价值。
传统的电力负载预测方法主要采用时间序列分析、回归分析等方法,这些方法的主要思想是利用历史数据预测未来的负载情况。然而,这些方法存在一些缺陷。例如,当电力负载存在突变或异常情况时,这些方法容易失效。此外,这些方法通常只考虑时间序列数据的变化趋势,无法很好地反映数据的周期性。
近年来,随着模糊数学的发展,模糊时间序列逐渐成为电力负载预测领域的研究热点。模糊时间序列考虑了时间序列数据的不确定性和模糊性,可以更好地处理电力负载中的异常情况和周期性变化,具有更高的预测精度和鲁棒性。
发明内容
为了解决传统电力负载预测方法存在的不足,本发明提出了一种利用模糊时间序列进行电力负载短期预测的方法。该方法结合了模糊时间序列和传统的时间序列预测方法,包括以下步骤:
步骤1:数据预处理,将电力负载时序数据X去趋势化得到时序数据Y。
步骤2:定义时序数据Y的论域U。
步骤3:将论域U划分为有序子集。
步骤4:定义模糊集,定义论域U上的模糊集/>:
。
步骤5:将数据Y模糊化,利用模糊函数将每个输入/>模糊化,并确定所属模糊集为隶属度最大的模糊集/>。
步骤6:建立模糊逻辑关系,其中先件/>为t时刻的输入数据所属模糊集,后件/>为t+1时刻的输入数据所属模糊集。
步骤7:建立模糊逻辑关系组。
步骤8:匹配模糊逻辑关系组,在模糊逻辑关系组集合中匹配前件为的模糊逻辑关系组,得到:/>。
步骤9:计算所匹配得到的模糊逻辑关系组后件集合的权重,权重为。
步骤10:输出t+1时刻的预测值:
,m为区间的中点。
优选的,所述的步骤1,通过在电力系统中采集电力负载时序数据X,利用移动平滑滤波器获得序列Z,去趋势的时序数据Y=X-Z;更优选的,所述的步骤1,通过在电力系统中采集电力负载时序数据X,将其输入到窗口大小为5的移动平滑滤波器获得序列Z,去趋势的时序数据Y=X-Z。
优选的,所述的步骤3,所述有序子集为;更优选的,所述的步骤3,所述有序子集为等长度的有序子集/>。
优选的,所述的步骤7具体为:将具有相同先件的模糊逻辑关系合并,建立模糊逻辑关系组。
优选的,所述的步骤8,通过将已知t时刻的数据模糊化,并确定所属模糊集,在模糊逻辑关系组集合中匹配前件为/>的模糊逻辑关系组,得到
。
优选的,所述的步骤9具体为:计算所匹配得到的模糊逻辑关系组后件集合的权重,根据后件中模糊集的先后顺序赋予线性权重1,2,3……,并归一化处理,权重计算方式如下:。
优选的,所述的步骤10具体为:将匹配到的模糊逻辑关系组解模糊,输出t+1时刻的预测值:。
从以上技术方案可以看出,本发明具有以下优点:
1.更好地处理电力负载中的异常情况和周期性变化。传统的时间序列方法往往无法处理电力负载中的周期性变化和异常情况,容易导致预测结果偏差较大。而本发明采用模糊时间序列建模和预测方法,能够较好地处理电力负载中的周期性变化和异常情况,提高了预测精度和鲁棒性。
2.能够自适应地调整隶属函数和模糊度。本发明所提出的自适应模糊时间序列建模算法,能够根据数据的实际情况自适应地调整隶属函数和模糊度,提高了建模的精度和鲁棒性。
3.采用移动平滑滤波器进行数据预处理,以去除时间序列数据的变化趋势;同时对模糊逻辑关系组进行权重调整,进一步提高了预测精度。
附图说明
图1是本发明的流程图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将运用具体的实施例及附图,对本发明保护的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本专利中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本专利保护的范围。
本发明提出了一种利用模糊时间序列进行电力负载短期预测的方法,如图1所示,预测方法包括:
步骤 1:数据预处理,从电力系统中采集电力负载时序数据X,将其输入到窗口大小为5的移动平滑滤波器获得序列Z:
z1=x1
z2=(x1+x2+x3)/3
z3=(x1+x2+x3+x4+x5)/5
z4=(x2+x3+x4+x5+x6)/5
……
zn=(xn-2+xn-1+xn+xn+1+xn+2)/5,时序数据X=Y+Z,Y为去趋势数据。
步骤 2:定义时序数据Y的论域, , d 1,d 2为调整论域范围的参数。
步骤 3:划分区间,将论域U均分为等长度的有序子集。
步骤 4:定义论域U上的模糊集,
。
步骤5:利用三角模糊函数将每个输入/>模糊化,并确定/>所属模糊集为隶属度最大的模糊集/> ,模糊函数如下:
,其中,a,b,c指的是函数边界控制参数。
步骤6:建立模糊逻辑关系,其中先件/>为t时刻的输入数据所属模糊集,后件/>为t+1时刻的输入数据所属模糊集。
步骤 7:将具有相同先件的模糊逻辑关系合并,建立模糊逻辑关系组
。
步骤 8:预测:已知t时刻的数据,则将t时刻的历史数据模糊化,并确定所属模糊集,在模糊逻辑关系组集合中匹配前件为/>的模糊逻辑关系组,
得到。
步骤 9:计算所匹配得到的模糊逻辑关系组后件集合的权重。根据后件中模糊集的先后顺序赋予线性权重1,2,3……,并归一化处理,
权重为。
步骤10:解模糊输出t+1时刻的预测值:
,m为区间的中点。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽范围。
Claims (1)
1.一种利用模糊时间序列进行自适应电力负载短期预测的方法,其特征在于,包括以下步骤:
步骤 1:数据预处理,从电力系统中采集电力负载时序数据X,将其输入到窗口大小为5的移动平滑滤波器获得序列Z:
z1=x1
z2=(x1+x2+x3)/3
z3=(x1+x2+x3+x4+x5)/5
z4=(x2+x3+x4+x5+x6)/5
……
zn=(xn-2+xn-1+xn+xn+1+xn+2)/5,时序数据X=Y+Z,Y为去趋势数据;
步骤 2:定义时序数据Y的论域, ,d 1,d 2为调整论域范围的参数;
步骤 3:划分区间,将论域U均分为等长度的有序子集;
步骤 4:定义论域U上的模糊集,
;
步骤5:利用三角模糊函数将每个输入/>模糊化,并确定/>所属模糊集为隶属度最大的模糊集/> ,模糊函数如下:
,其中,a,b,c指的是函数边界控制参数;
步骤6:建立模糊逻辑关系,其中先件/>为t时刻的输入数据所属模糊集,后件/>为t+1时刻的输入数据所属模糊集;
步骤 7:将具有相同先件的模糊逻辑关系合并,建立模糊逻辑关系组
;
步骤 8:预测:已知t时刻的数据,则将t时刻的历史数据模糊化,并确定所属模糊集,在模糊逻辑关系组集合中匹配前件为/>的模糊逻辑关系组,
得到;
步骤 9:计算所匹配得到的模糊逻辑关系组后件集合的权重,根据后件中模糊集的先后顺序赋予线性权重1,2,3……,并归一化处理,
权重为;
步骤10:解模糊输出t+1时刻的预测值:
,m为区间的中点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303253.5A CN116014731B (zh) | 2023-03-27 | 2023-03-27 | 一种利用模糊时间序列进行电力负载短期预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303253.5A CN116014731B (zh) | 2023-03-27 | 2023-03-27 | 一种利用模糊时间序列进行电力负载短期预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116014731A CN116014731A (zh) | 2023-04-25 |
CN116014731B true CN116014731B (zh) | 2023-07-18 |
Family
ID=86021413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303253.5A Active CN116014731B (zh) | 2023-03-27 | 2023-03-27 | 一种利用模糊时间序列进行电力负载短期预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116014731B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886183A (zh) * | 2021-10-11 | 2022-01-04 | 国网河南省电力公司电力科学研究院 | 测算电压暂降事件发生时间的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4298581B2 (ja) * | 2004-05-17 | 2009-07-22 | 中国電力株式会社 | 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法 |
US10509586B2 (en) * | 2018-04-24 | 2019-12-17 | EMC IP Holding Company LLC | System and method for capacity forecasting in backup systems |
CN109118009A (zh) * | 2018-08-24 | 2019-01-01 | 山东师范大学 | 基于极坐标模糊信息粒的时间序列预测方法、系统及介质 |
CN112381334B (zh) * | 2020-12-09 | 2024-02-13 | 鞍钢集团矿业有限公司 | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 |
CN114445449A (zh) * | 2022-01-14 | 2022-05-06 | 深圳大学 | 基于变结构t-s模糊语义模型的目标跟踪方法及相关装置 |
-
2023
- 2023-03-27 CN CN202310303253.5A patent/CN116014731B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886183A (zh) * | 2021-10-11 | 2022-01-04 | 国网河南省电力公司电力科学研究院 | 测算电压暂降事件发生时间的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116014731A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177633B (zh) | 一种深度解耦时间序列预测方法 | |
Tian | Backtracking search optimization algorithm-based least square support vector machine and its applications | |
Ishfaq et al. | Randomized exploration in reinforcement learning with general value function approximation | |
CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN110320473A (zh) | 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 | |
CN105675320B (zh) | 一种基于声学信号分析的机械系统运行状态实时监控方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN111160659A (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN116014731B (zh) | 一种利用模糊时间序列进行电力负载短期预测的方法 | |
CN115344927A (zh) | 基于工程历史数据的高拱坝施工仿真参数动态更新方法 | |
Liu et al. | A novel combined forecasting model for short-term wind power based on ensemble empirical mode decomposition and optimal virtual prediction | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
CN111984906A (zh) | 考虑光伏与负荷时序相关性的概率潮流快速计算方法 | |
Huang et al. | Elman neural network considering dynamic time delay estimation for short-term forecasting of offshore wind power | |
CN110794676A (zh) | 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法 | |
CN113516171B (zh) | 基于贝叶斯神经网络随机加法分解结构的图像分类方法 | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
Jiao et al. | Improved particle filter using clustering similarity of the state trajectory with application to nonlinear estimation: theory, modeling, and applications | |
Wang et al. | Short term load forecasting: A dynamic neural network based genetic algorithm optimization | |
CN114358368A (zh) | 一种基于eemd和离群点检测的月度售电量组合预测方法 | |
CN112069721B (zh) | 一种风电爬坡事件预测方法 | |
Yang et al. | Intelligent Forecasting System Using Grey Model Combined with Neural Network. | |
Gangwar et al. | Cumulative probability distribution based computational method for high order fuzzy time series forecasting | |
CN117609792B (zh) | 一种水质预测模型训练方法 |
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 |