CN116667322A - 基于相空间重构和改进rbf神经网络的电力负荷预测方法 - Google Patents
基于相空间重构和改进rbf神经网络的电力负荷预测方法 Download PDFInfo
- Publication number
- CN116667322A CN116667322A CN202310536507.8A CN202310536507A CN116667322A CN 116667322 A CN116667322 A CN 116667322A CN 202310536507 A CN202310536507 A CN 202310536507A CN 116667322 A CN116667322 A CN 116667322A
- Authority
- CN
- China
- Prior art keywords
- neural network
- phase space
- rbf neural
- power load
- improved
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010845 search algorithm Methods 0.000 claims abstract description 25
- 230000000739 chaotic effect Effects 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 239000002245 particle Substances 0.000 claims description 26
- 230000005484 gravity Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,包括如下步骤:步骤一、获取电力负荷时间序列数据,对数据进行归一化处理,确定电力负荷时间序列相空间重构参数;步骤二、混沌特性判定,判定电力负荷数据是否具备混沌特性;步骤三、对具备混沌特性的数据进行相空间重构;步骤四、对引力搜索算法进行改进,通过改进引力搜索算法优化RBF神经网络的模型结构;步骤五、利用优化后的RBF神经网络对经过相空间重构的时间序列进行预测。该预测方法结合相空间重构理论和和改进的引力搜索算法对RBF神经网络进行优化,优化后的RBF神经网络对电力负荷进行短期预测,具备更优的预测能力。
Description
技术领域
本发明涉及电力系统短期负荷预测领域,特别涉及一种基于相空间重构和改进RBF神经网络的电力负荷预测方法。
背景技术
国内外学者在电力系统短期负荷预测领域做了大量研究,提出了多种短期预测模型,包括神经网络预测法、差分自回归移动平均模型、回归预测法、模糊预测法、小波分解法和混沌时间序列法等,这些方法有效解决了短期电力负荷的预测问题。近年来,神经网络算法被广泛应用于电力系统短期负荷预测的研究中,有效解决了电力负荷时间序列的非线性问题。然而,这些方法仍存在缺陷,如难以确定最优参数,降低了负荷预测结果的准确性和有效性。RBF神经网络是目前应用最为广泛和成功的神经网络之一,具有结构简单、可塑性强、全局最优逼近能力强、泛化能力强等优点,已成功应用于多个领域相关预测问题的研究中(例如,机械加工、光伏功率预测和环境监测等)。然而,传统的RBF神经网络参数优化方法采用梯度下降算法,搜索速度慢,存在盲目性,得到的参数不一定是最优的,因此传统RBF神经网络参数的选择限制了其在负荷预测中的应用。
作为一种新的优化搜索技术,引力搜索算法(GSA)源于物理学中的万有引力定律。该算法通过粒子之间引力相互作用产生的群体智能来指导搜索优化,是一种元启发式算法,非常适合神经网络参数组合的优化。尽管GSA的收敛性优于其他仿生智能优化算法,如粒子群优化和遗传算法,但存在早熟收敛和缺乏有效加速机制等缺点。为此,许多专家学者对该算法进行了大量改进。例如,ZhangXL等人通过学习生物中大雁的飞行特性和加权平均法,扩大了搜索范围,加强了粒子之间的合作与竞争;Mohadeseh SM等人提出了一种新的GSA,使用量子力学理论来生成受量子启发的引力搜索算法;Jiang SH等人提出了一种改进的引力搜索算法(IGSA),它首先采用混沌扰动算子,然后考虑内存策略来克服上述问题。这些算法在一定程度上提高了引力搜索算法的性能,并取得了较好的效果。
发明内容
本发明所要解决的技术问题是提供一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,结合相空间重构理论和和改进的引力搜索算法对RBF神经网络进行优化,优化后的RBF神经网络对电力负荷进行短期预测,具备更优的预测能力。
为解决上述技术问题,本发明所采用的技术方案是:一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,包括如下步骤:
步骤一、获取电力负荷时间序列数据,对数据进行归一化处理,确定电力负荷时间序列相空间重构参数;
步骤二、混沌特性判定,判定电力负荷数据是否具备混沌特性;
步骤三、对具备混沌特性的数据进行相空间重构;
步骤四、对引力搜索算法进行改进,通过改进引力搜索算法优化RBF神经网络的模型结构;
步骤五、利用优化后的RBF神经网络对经过相空间重构的时间序列进行预测。
优选的方案中,所述步骤一中,采用平均互信息和虚假最近邻点法来分别确定电力负荷时间序列相空间重构参数延迟时间τ和嵌入维数m。
优选的方案中,所述步骤二中,采用最大李雅普诺夫指数判定电力负荷数据的混沌特性:
假设重建的相空间为Rm=X(ti),d0为相空间中两个邻近点X(t0)和X0(t0)之间的初始距离;随着演化时间到t1,如果d(t1)=|X(t1)-X0(t1)|超过了ε的设定值,则保留X(t1),然后搜索另一个最近的邻居X0(t1),使得d(t1)<ε;重复上述过程,直到遍历相空间的终点XN;因此,总的迭代次数为N,这时,最大李雅普诺夫指数计算公式为:
λ1>0表示时间序列中存在混沌特征。
优选的方案中,所述步骤三中,假设混沌时间序列[x1,x2,…,xN],通过延迟时间τ和嵌入维数m进行相空间重构,得到由序列所有元素构成大小为M×m的相空间矩阵:
式中:M=N-(m-1)τ;
i=1,2,…,M;
存在时间序列相空间中表示混沌吸引子轨迹变化趋势的非线性映射关系,该关系可表示为:
xi+1=F(Xi) (3)
式中:i=1+(m-1)τ,2+(m-1)τ,…,M+(m-1)τ。
优选的方案中,所述步骤四中,对引力搜索算法进行改进包括提高引力系数G(t)、改进速度更新公式和改进位置更新公式;
提高引力系数G(t):采用线性函数来改进引力系数G(t),计算公式如下:
G(t)=G0(1-t/T) (4)
其中,γ为常数;和/>分别表示当前种群中个体在d维空间中的最小位置值和最大位置值;t为当前的迭代次数;T为最大的迭代次数;
改进速度更新公式:通过引入粒子群算法的记忆功能和群体信息共享机制,对GSA算法进行了改进,改进速度更新公式定义如下:
其中randi、randj和randk表示区间[0,1]中的随机变量;c1和c2表示区间[0,1]中的常数;表示粒子i经历过的最佳位置;/>表示粒子群中所有粒子经历过的最佳位置;表示粒子i在d维空间中在时刻t时的速度;/>表示粒子i在d维空间中在时刻t时的加速度;
改进位置更新公式:采用“贪婪”选择模式进行选择操作,即当且仅当新向量个体的适应度值优于目标向量个体的适应度值时,新更新的个体才能被种群所接受,否则,上一代个体将保留在下一代群体中;选择操作可通过以下公式表示:
其中,表示粒子i在d维空间t时刻的适应度值;在每一代中,只有新位置的适应度小于上一代位置的适应度,它才会取代当前一代个体的位置。
优选的方案中,所述步骤四中,RBF神经网络输入到输出之间的映射关系如下所示:
式中,X=[x1,x2,…,xn]T,Cj和σj为第j个隐含层节点的中心向量和宽度值;
式中,wj为第j个隐含层节点和输出节点之间的权重;
改进引力搜索算法优化RBF神经网络的模型结构针对隐含层节点基函数的中心Cj、宽度值σj和网络连接权值wj三个参数进行优化,将RBF神经网络中关键参数编码成IGSA算法中的粒子,以实际值与预测值的平均绝对误差作为适应度值,根据个体间的引力相互作用进行优化,直至找到最优个体。
优选的方案中,所述步骤五中,在优化后的RBF神经网络中,通过训练数据Xi和标签数据xi+1,可得到非线性状态转移矩阵Ψ,使得xi+1=Ψ(Xi),可以得到如下等式:
式中:为时间序列连续k个预测值。
本发明提供的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,通过平均互信息和虚假最近邻点法确定相空间重构参数,进而确定RBF神经网络的输入;在改进的引力搜索算法中,我们通过线性函数改进引力系数,通过引入PSO算法的记忆和群通信改进速度选择公式,以适者生存的选择法则选择更新后的粒子位置,对RBF神经网络的关键参数进行迭代寻优,得到具有全局最优解的RBF神经网络预测模型。具有以下有益效果:
1、对实测负荷数据,利用平均互信息法和虚假最近邻点法实现了系统的相空间重构,并利用最大李雅普诺夫指数确定了电力系统负荷数据具有混沌特性。
2、基于相空间重构的预测模型,根据原始负荷序列自身内在的演化规律特征进行预测,有效提高了模型预测的准确度。
3、通过改进的GSA算法(IGSA)对RBF神经网络的关键参数进行迭代寻优,使其在短期负荷预测中具有更好的预测表现。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的预测流程图;
图2为RBF神经网络拓扑图;
图3为模型单步预测时训练数据映射关系;
图4为本发明的预测模型与其他预测模型的预测结果对比图;
图5为多种预测模型预测误差百分数曲线图;
具体实施方式
结合图1对本发明具体实施方式进一步详细说明。
本实施例中的实验数据来源于某地区11月1日—12月1日的实测负荷数据,数据采样频率为15min。拟利用11月1日-11月30日的数据为训练数据,预测12月1日的负荷数据(共计96个数据点),即对负荷时间序列进行96步预测。
一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,包括如下步骤:步骤一、获取电力负荷时间序列数据,对数据进行归一化处理,确定电力负荷时间序列相空间重构参数。
采用平均互信息和虚假最近邻点法来分别确定电力负荷时间序列相空间重构参数延迟时间τ和嵌入维数m。
通过平均互信息和虚假最近邻点法,求得某地区11月1日—11月30日的负荷数据相空间重构的最佳嵌入维数为7,延迟时间为15。
步骤二、混沌特性判定,判定电力负荷数据是否具备混沌特性。
采用最大李雅普诺夫指数(LLE)判定电力负荷数据的混沌特性,根据混沌理论,最大李雅普诺夫指数的倒数为时间序列最大可预测时间,负荷序列的预测步长的选取将以此为依据。
假设重建的相空间为Rm=X(ti),d0为相空间中两个邻近点X(t0)和X0(t0)之间的初始距离;随着演化时间到t1,如果d(t1)=|X(t1)-X0(t1)|超过了ε的设定值,则保留X(t1),然后搜索另一个最近的邻居X0(t1),使得d(t1)<ε;重复上述过程,直到遍历相空间的终点XN;因此,总的迭代次数为N,这时,最大李雅普诺夫指数计算公式为:
λ1>0表示时间序列中存在混沌特征。
采用常见的小数据量法计算出该地区负荷序列的最大李雅普诺夫指数为0.0086>0,表明该负荷时间序列具备混沌特性。
步骤三、对具备混沌特性的数据进行相空间重构。
当延迟时间τ和嵌入维数m两个参数确定后,重构相空间。假设混沌时间序列[x1,x2,…,xN],通过延迟时间τ和嵌入维数m进行相空间重构,得到由序列所有元素构成大小为M×m的相空间矩阵:
式中:M=N-(m-1)τ;
i=1,2,…,M。
时间序列经过相空间重构后,原始的一维数据空间变为高维数据空间,相空间矩阵的每一行数据就构成了高维相空间中的每一个相点,记为Xi=[xi,xi+τ,…,xi+(m-1)τ]T,i=1,2,…,M;并且该高维相空间保持了与原动力系统之间的等价性。
于是,存在时间序列相空间中表示混沌吸引子轨迹变化趋势的非线性映射关系,该关系可表示为:
xi+1=F(Xi) (3)
式中:i=1+(m-1)τ,2+(m-1)τ,…,M+(m-1)τ。
步骤四、对引力搜索算法进行改进,通过改进引力搜索算法(IGSA)优化RBF神经网络的模型结构。
引力搜索算法(GSA)是基于物理学中的万有引律定律和牛顿第二定律的种群优化算法,已经成功应用于诸多电力工业研究,为了提高传统GSA的收敛速度和收敛精度,对传统GSA做如下3点改进。
对引力搜索算法进行改进包括提高引力系数G(t)、改进速度更新公式和改进位置更新公式;
提高引力系数G(t):采用线性函数来改进引力系数G(t),计算公式如下:
G(t)=G0(1-t/T) (4)
其中,γ为常数,在本实施例中经过多次测试后设为常数2.5;和/>分别表示当前种群中个体在d维空间中的最小位置值和最大位置值;t为当前的迭代次数;T为最大的迭代次数。
改进速度更新公式:通过引入粒子群算法的记忆功能和群体信息共享机制,对GSA算法进行了改进,改进后的空间搜索方法采用了新的策略,既符合运动规律,又增加了记忆和群体信息通信机制。改进速度更新公式定义如下:
其中randi、randj和randk表示区间[0,1]中的随机变量;c1和c2表示区间[0,1]中的常数;表示粒子i经历过的最佳位置;/>表示粒子群中所有粒子经历过的最佳位置;表示粒子i在d维空间中在时刻t时的速度;/>表示粒子i在d维空间中在时刻t时的加速度。通过调整c1和c2的值,可以平衡重力、记忆以及群体信息对搜索的影响。
改进位置更新公式:采用了一种类似于差分进化算法选择操作的“贪婪”选择模式,即当且仅当新向量个体的适应度值优于目标向量个体的适应度值时,新更新的个体才能被种群所接受,否则,上一代个体将保留在下一代群体中;选择操作可通过以下公式表示:
其中,表示粒子i在d维空间t时刻的适应度值。
在每一代中,只有新位置的适应度小于上一代位置的适应度,它才会取代当前一代个体的位置。这种方法可以实现优胜劣汰,从而使种群朝着最优解的方向进化。
RBF神经网络是一种3层前馈型神经网络,包括输入层、隐层和输出层,其拓扑结构如图2所示。
RBF神经网络输入到输出之间的映射关系如下所示:
式中,X=[x1,x2,…,xn]T,Cj和σj为第j个隐含层节点的中心向量和宽度值;
式中,wj为第j个隐含层节点和输出节点之间的权重。
改进引力搜索算法优化RBF神经网络的模型结构针对隐含层节点基函数的中心Cj、宽度值σj和网络连接权值wj三个参数进行优化,上述三个参数共同决定了RBF神经网络模型的预测性能。因此,在进行神经网络预测之前,尽可能的选择最优的Cj、σj和wj,以提高RBF神经网络的预测性能。
将RBF神经网络中关键参数编码成IGSA算法中的粒子,以实际值与预测值的平均绝对误差作为适应度值,根据个体间的引力相互作用进行优化,直至找到最优个体。
本实施例中RBF神经网络的结构为7-15-1,IGSA优化算法中,最大迭代次数为150,γ为2.5,c1=0.15,c2=0.25;GSA优化算法中G0=100,β=20。
步骤五、利用优化后的RBF神经网络对经过相空间重构的时间序列进行预测。
利用RBFNN进行时间序列的预测,本质上为对式(3)非线性映射关系F(·)的求解。
在优化后的RBF神经网络中,通过训练数据Xi和标签数据xi+1,可得到非线性状态转移矩阵Ψ,使得xi+1=Ψ(Xi),可以得到如下等式:
式中:为时间序列连续k个预测值。
图3详细展示了本文所提方法对负荷时间序列进行单步预测时,模型中负荷历史数据的映射关系。
优化后的RBF神经网络模型完全基于负荷历史数据[x1,x2,…,xN],预测t=N+1时刻负荷数据xN+1;将得到的预测值作为真实值可得到预测t=N+2时刻的输入向量[xM+1,xM+2,…,xN+1]T,进而得到预测数据xN+2。因此,该模型具有对负荷时间序列进行k步预测(xN+i,i=1,2,…,k)的能力。
在本实施例中,选择以下指标来评估预测准确性:平均绝对误差(mean absoluteerror,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(root mean square error,RMSE)。三种量化指标的计算公式如下所示:
其中,xi和n分别为序列的预测值,真实值和预测的步长。
本实施例中RBF神经网络的结构为7-15-1,IGSA优化算法中,最大迭代次数为150,γ为2.5,c1=0.15,c2=0.25;GSA优化算法中G0=100,β=20。
为了验证所提预测方法的有效性和准确性,采用4种短期负荷预测模型作对比,分别是:PSR-GSA-RBF预测模型、IGSA-RBF预测模型、GSA-RBF预测模型和RBF预测模型。PSR表示相空间重构,GSA表示引力搜索算法,RBF表示RBF神经网络,IGSA表示改进引力搜索算法。
模型的预测结果如图4所示、预测误差百分数曲线如图5所示、表1为各模型的预测性能评估结果。
表1模型性能评估对比
综合图4和表1,可以得出以下结论:
1)从预测效果来看:5种预测模型在给定的电力负荷数据集上表现良好,均实现了电力短期负荷的有效预测。本发明所提模型PSR-IGSA-RBF的预测效果最佳,传统RBF预测模型的预测效果较差;从模型的预测耗时来看:虽然基于PSR的预测模型的时间更长,但是也控制在1分钟以内,满足实际工程应用的要求;此外,本发明所提模型的预测耗时和PSR-GSA-RBF预测模型基本相同,说明改进后的算法并未对模型的预测耗时产生较大的影响。
2)本发明提出的改进引力搜索算法(IGSA),在传统GSA算法的基础上,对重力系数、速度更新公式和位置更新公式加以改进,有效的提高了模型预测的准确度。对比PSR-GSA-RBF模型,PSR-IGSA-RBF的MAE、RMSE、MAPE(%)分别降低了2.25%、2.13%、1.82%;对比GSA-RBF模型,IGSA-RBF的MAE、RMSE、MAPE分别降低了4.06%、3.1%、3.52%。
3)对电力负荷混沌时间序列进行相空间重构(PSR)是提升短期负荷预测准确率的有效方法。采用PSR的两种模型,对比IGSA-RBF和GSA-RBF,在模型性能的各项指标上具有显著的优势;以指标的平均值来计算,分别降低了41.08%、41.61%、44.39%。这是由于利用PSR充分挖掘出了负荷数据的内部信息,将电力负荷的波动演化规律通过高维相空间中混沌吸引子的轨迹特征呈现出来,通过对系统非线性动力学特征的还原弥补了单一预测模型的缺陷。
由图5可知,模型的预测曲线误差百分数主要集中在±3%以内。通过统计得出,96个预测点中,五种预测模型(PSR-IGSA-RBF、PSR-GSA-RBF、IGSA-RBF、GSA-RBF和RBF)的预测误差百分数在±3%区间内的概率分别为:94.8%、92.7%、82.3%、81.2%、70.8%;基于PSR的两种模型的预测性能显著优于其它3种模型。此外,由图5粉色区域可以看出,由于预测过程中误差的累计,传统模型的预测误差逐步扩大,预测能力逐步减弱;但是,基于PSR的模型很好的克服了这一缺陷,具备更优的预测能力。
为了提升神经网络的预测性能,本发明提出了基于相空间重构和改进RBF神经网络的电力负荷短期预测模型,并应用实测电力负荷数据,根据实例分析的结果,得出以下结论:对实测负荷数据,利用平均互信息法和虚假最近邻点法实现了系统的相空间重构,并利用最大李雅普诺夫指数确定了电力系统负荷数据具有混沌特性。
基于相空间重构的预测模型,根据原始负荷序列自身内在的演化规律特征进行预测,有效提高了模型预测的准确度。
通过改进的GSA算法(IGSA)对RBF神经网络的关键参数进行迭代寻优,使其在短期负荷预测中具有更好的预测表现。
Claims (7)
1.一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,包括如下步骤:
步骤一、获取电力负荷时间序列数据,对数据进行归一化处理,确定电力负荷时间序列相空间重构参数;
步骤二、混沌特性判定,判定电力负荷数据是否具备混沌特性;
步骤三、对具备混沌特性的数据进行相空间重构;
步骤四、对引力搜索算法进行改进,通过改进引力搜索算法优化RBF神经网络的模型结构;
步骤五、利用优化后的RBF神经网络对经过相空间重构的时间序列进行预测。
2.根据权利要求1所述的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,所述步骤一中,采用平均互信息和虚假最近邻点法来分别确定电力负荷时间序列相空间重构参数延迟时间τ和嵌入维数m。
3.根据权利要求1所述的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,所述步骤二中,采用最大李雅普诺夫指数判定电力负荷数据的混沌特性:
假设重建的相空间为Rm=X(ti),d0为相空间中两个邻近点X(t0)和X0(t0)之间的初始距离;随着演化时间到t1,如果d(t1)=|X(t1)-X0(t1)|超过了ε的设定值,则保留X(t1),然后搜索另一个最近的邻居X0(t1),使得d(t1)<ε;重复上述过程,直到遍历相空间的终点XN;因此,总的迭代次数为N,这时,最大李雅普诺夫指数计算公式为:
λ1>0表示时间序列中存在混沌特征。
4.根据权利要求2所述的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,所述步骤三中,假设混沌时间序列[x1,x2,…,xN],通过延迟时间τ和嵌入维数m进行相空间重构,得到由序列所有元素构成大小为M×m的相空间矩阵:
式中:M=N-(m-1)τ;
i=1,2,…,M;
存在时间序列相空间中表示混沌吸引子轨迹变化趋势的非线性映射关系,该关系可表示为:
xi+1=F(Xi) (3)
式中:i=1+(m-1)τ,2+(m-1)τ,…,M+(m-1)τ。
5.根据权利要求1所述的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,所述步骤四中,对引力搜索算法进行改进包括提高引力系数G(t)、改进速度更新公式和改进位置更新公式;
提高引力系数G(t):采用线性函数来改进引力系数G(t),计算公式如下:
G(t)=G0(1-t/T) (4)
其中,γ为常数;和/>分别表示当前种群中个体在d维空间中的最小位置值和最大位置值;t为当前的迭代次数;T为最大的迭代次数;
改进速度更新公式:通过引入粒子群算法的记忆功能和群体信息共享机制,对GSA算法进行了改进,改进速度更新公式定义如下:
其中randi、randj和randk表示区间[0,1]中的随机变量;c1和c2表示区间[0,1]中的常数;表示粒子i经历过的最佳位置;/>表示粒子群中所有粒子经历过的最佳位置;/>表示粒子i在d维空间中在时刻t时的速度;/>表示粒子i在d维空间中在时刻t时的加速度;
改进位置更新公式:采用“贪婪”选择模式进行选择操作,即当且仅当新向量个体的适应度值优于目标向量个体的适应度值时,新更新的个体才能被种群所接受,否则,上一代个体将保留在下一代群体中;选择操作可通过以下公式表示:
其中,表示粒子i在d维空间t时刻的适应度值;
在每一代中,只有新位置的适应度小于上一代位置的适应度,才会取代当前一代个体的位置。
6.根据权利要求1所述的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,所述步骤四中,RBF神经网络输入到输出之间的映射关系如下所示:
式中,X=[x1,x2,…,xn]T,Cj和σj为第j个隐含层节点的中心向量和宽度值;
式中,wj为第j个隐含层节点和输出节点之间的权重;
改进引力搜索算法优化RBF神经网络的模型结构针对隐含层节点基函数的中心Cj、宽度值σj和网络连接权值wj三个参数进行优化,将RBF神经网络中关键参数编码成IGSA算法中的粒子,以实际值与预测值的平均绝对误差作为适应度值,根据个体间的引力相互作用进行优化,直至找到最优个体。
7.根据权利要求1所述的一种基于相空间重构和改进RBF神经网络的电力负荷预测方法,其特征在于,所述步骤五中,在优化后的RBF神经网络中,通过训练数据Xi和标签数据xi+1,可得到非线性状态转移矩阵Ψ,使得xi+1=Ψ(Xi),可以得到如下等式:
式中:为时间序列连续k个预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536507.8A CN116667322A (zh) | 2023-05-12 | 2023-05-12 | 基于相空间重构和改进rbf神经网络的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536507.8A CN116667322A (zh) | 2023-05-12 | 2023-05-12 | 基于相空间重构和改进rbf神经网络的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116667322A true CN116667322A (zh) | 2023-08-29 |
Family
ID=87710944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310536507.8A Pending CN116667322A (zh) | 2023-05-12 | 2023-05-12 | 基于相空间重构和改进rbf神经网络的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116667322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488335A (zh) * | 2015-11-23 | 2016-04-13 | 广东工业大学 | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 |
CN107038535A (zh) * | 2017-04-27 | 2017-08-11 | 湘潭大学 | 一种改进万有引力搜索的智能微网楼宇负荷用电调度方法 |
CN112288139A (zh) * | 2020-10-10 | 2021-01-29 | 浙江中烟工业有限责任公司 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
CN112990576A (zh) * | 2021-03-16 | 2021-06-18 | 中国民航大学 | 基于bp神经网络和最小二乘法的空中交通流量短期预测方法 |
CN113076696A (zh) * | 2021-04-13 | 2021-07-06 | 国网上海市电力公司 | 基于ipso-混沌bp网络的负荷短期预测方法及预测系统 |
CN115143051A (zh) * | 2022-05-27 | 2022-10-04 | 北京华能新锐控制技术有限公司 | 变速风电机组最大功率捕获方法、系统及其应用 |
-
2023
- 2023-05-12 CN CN202310536507.8A patent/CN116667322A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488335A (zh) * | 2015-11-23 | 2016-04-13 | 广东工业大学 | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 |
CN107038535A (zh) * | 2017-04-27 | 2017-08-11 | 湘潭大学 | 一种改进万有引力搜索的智能微网楼宇负荷用电调度方法 |
CN112288139A (zh) * | 2020-10-10 | 2021-01-29 | 浙江中烟工业有限责任公司 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
CN112990576A (zh) * | 2021-03-16 | 2021-06-18 | 中国民航大学 | 基于bp神经网络和最小二乘法的空中交通流量短期预测方法 |
CN113076696A (zh) * | 2021-04-13 | 2021-07-06 | 国网上海市电力公司 | 基于ipso-混沌bp网络的负荷短期预测方法及预测系统 |
CN115143051A (zh) * | 2022-05-27 | 2022-10-04 | 北京华能新锐控制技术有限公司 | 变速风电机组最大功率捕获方法、系统及其应用 |
Non-Patent Citations (1)
Title |
---|
DENGFENG WEI: ""Network traffic prediction based on RBF neural network optimized by improved gravitation search algorithm"", 《NEURAL COMPUT & APPLIC》, no. 28, 31 December 2017 (2017-12-31), pages 2303 - 2312 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A novel combination forecasting model for wind power integrating least square support vector machine, deep belief network, singular spectrum analysis and locality-sensitive hashing | |
Zakeri et al. | Efficient feature selection method using real-valued grasshopper optimization algorithm | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
Xue et al. | Partial connection based on channel attention for differentiable neural architecture search | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
Zhao et al. | DGM (1, 1) model optimized by MVO (multi-verse optimizer) for annual peak load forecasting | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN110674965A (zh) | 基于动态特征选取的多时间步长风功率预测方法 | |
CN116667322A (zh) | 基于相空间重构和改进rbf神经网络的电力负荷预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
Ma | An Efficient Optimization Method for Extreme Learning Machine Using Artificial Bee Colony. | |
Liu et al. | Incremental Bayesian broad learning system and its industrial application | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
Chen et al. | Remaining useful life prediction of turbofan engine based on temporal convolutional networks optimized by genetic algorithm | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN113537539B (zh) | 一种基于注意力机制的多时间步供热用气量预测模型 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
Han et al. | A new approach for function approximation incorporating adaptive particle swarm optimization and a priori information | |
Zhang et al. | Tuning extreme learning machine by an improved electromagnetism-like mechanism algorithm for classification problem | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 |
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 |