CN117495435B - 基于fig-irelm的售电量区间预测方法和装置 - Google Patents

基于fig-irelm的售电量区间预测方法和装置 Download PDF

Info

Publication number
CN117495435B
CN117495435B CN202311841983.7A CN202311841983A CN117495435B CN 117495435 B CN117495435 B CN 117495435B CN 202311841983 A CN202311841983 A CN 202311841983A CN 117495435 B CN117495435 B CN 117495435B
Authority
CN
China
Prior art keywords
layer
interval
output
electricity
sales
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
Application number
CN202311841983.7A
Other languages
English (en)
Other versions
CN117495435A (zh
Inventor
陈奕汝
何妍妍
沈韬
赵志扬
林少娃
吴伟玲
林洋佳
金瓯涵
徐梦佳
王哲萍
程叙鹏
郭烨烨
庄志画
吴秀英
高函
季小雨
徐建斌
许宇奏
夏瑜
陈晓玉
潘志冲
刘源
李坦
吴倩璐
周露
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 Zhejiang Electric Power Co Ltd
Zhejiang Huayun Information Technology Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Zhejiang Huayun Information Technology Co Ltd
Marketing Service Center of State Grid Zhejiang 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 Zhejiang Electric Power Co Ltd, Zhejiang Huayun Information Technology Co Ltd, Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202311841983.7A priority Critical patent/CN117495435B/zh
Publication of CN117495435A publication Critical patent/CN117495435A/zh
Application granted granted Critical
Publication of CN117495435B publication Critical patent/CN117495435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)

Abstract

本发明为基于FIG‑IRELM的售电量区间预测方法和装置，属于售电量测算领域，针对现有模型或者预测方法存在缺陷导致预测结果不准确的问题，提供一种基于FIG‑IRELM的售电量区间预测方法，包括搜集并预处理售电量的时间序列历史数据，确定原始售电量时间序列以及模糊粒化窗口；确定隶属度函数；基于模糊粒化窗口和隶属度函数，获取售电区间上下界初始区间；建立改进极限学习机预测模型；通过求解改进极限学习机预测模型，获得售电区间上下界的预测值和售电区间的趋势曲线。采用模糊信息粒化方式，有效降低时间序列复杂度并提取数据特征，通过引入改进的递归极限学习机模型，提高精度、解决模型结构的不稳定性问题。

Description

基于FIG-IRELM的售电量区间预测方法和装置
技术领域
本发明属于售电量测算领域，特别涉及基于FIG-IRELM的售电量区间预测方法和装置。
背景技术
售电量是供电企业经营管理的重要经济指标，是供电企业销售利润、售电均价、线损等一系列指标计算的基础数据，对于售电量的预测至关重要。售电量预测是指在正确的理论指导下，通过调查研究，运用可靠的技术方法和管理手段对售电量的发展趋势做出科学合理的推断。这对于售电侧合理规划售电、保障企业利润具有极大的现实意义。然而对于售电量点预测值的传统研究中，即使最优秀的模型仍无法规避预测误差，售电量点预测值能够提供给决策者的信息量十分有限，在当下售电量不断增大的趋势下，难以控制风险，因此对于售电量的区间预测非常有必要。然而以往的售电量预测仅仅聚焦于点预测，其预测结果只能够获取某时点上单个售电量值的大小，这种单个的售电量预测值能够提供的信息量相当有限，在当下售电量巨大增长的情形下，售电侧依靠售电量点预测结果进行决策和风险防控将会非常被动。为此，衍生出售电侧最关注且亟需解决的两个问题：第一，如何测算售电量的大小且量化出售电量的不确定性；第二，如何基于售电量的测算结果以更好的规避售电量不确定所带来的风险。然而现有模型或者预测方式并未考虑上述两个问题，亟需提供一种方法或模型以实现对售电量的区间预测。
发明内容
针对现有模型或者预测方法存在缺陷导致预测结果不准确的问题，本发明提供基于FIG-IRELM的售电量区间预测方法和装置，能够提供较为准确的区间预测结果。
本发明采用技术方案如下：一种基于FIG-IRELM的售电量区间预测方法，包括：
S1，搜集售电量的时间序列历史数据，预处理搜集的历史数据，确定原始售电量时间序列以及模糊粒化窗口，以便售电量数据的粒化处理；
S2，根据历史售电量时间序列样本数据的分布情况确定隶属度函数；
S3，基于模糊粒化窗口和隶属度函数，获取售电区间上下界初始区间；
S4，以获取的售电区间上下界初始区间为基础，建立改进极限学习机预测模型；
S5，通过求解改进极限学习机预测模型，获得售电区间上下界的预测值和售电区间的趋势曲线。
对于区间预测而言，区间预测的结果能够给出售电量的范围，能够提供售电侧更多的信息量与更大的决策空间，有助于风险的防范与规避。对于极限学习机而言，其是一类基于前馈神经网络构建的机器学习系统或方法，适用于监督学习和非监督学习问题，现已被广泛的应用到机器视觉、人脸辨识、智能搜索、智能控制、语言处理等领域。本申请采用改进的极限学习机有效解决了传统神经网络模型存在的结构误差的问题，从而进一步提高模型的可靠性。采用模糊信息粒化算法和改进的极限学习机实现售电量的区间预测。
模糊信息粒化（Fuzzy Information Granulation, FIG）通过将数据划分为一系列的模糊区间,使得数据的特征和关系得到更好的表示。改进的递归极限学习机（ImprovedRecurrent Extreme Learning Machine, IRELM）通过反馈层与正则化的引入进一步提升模型的性能。
进一步地，步骤S1中，所述预处理包括增减替换、查缺补漏和审核加工，目的是保证售电量样本数据的可靠性。
进一步地，确定原始售电量时间序列，并将原始售电量时间序列进行分割，获得模糊粒化窗口。
设时间序列数据为：
（5）；
式中：Y T为表达售电量时间序列的集合；y 1至y t为售电量样本数据，T为时间的集合，t为采集样本点对应的时间。
针对时间序列数据，W定义为数据时间窗口的个数，其值为1≤W≤t，当W为1，代表该时间窗口包含所有时间序列数据；当W为t，代表每一个时间窗口中包含一个时间序列数据；因此，时间窗口大小的选择直接影响模糊粒子能否代表原始数据的能力。时间窗口的选择是用来将时间序列数据进行分割的尺度，每个时间窗口都包含着数据特征信息，通常针对时间窗口的选择为固定值，这样可以使得每个窗口具有同等的价值。
进一步地，所述隶属度函数为三角隶属度函数，其构建过程为：
确定三角型模糊集表达式：
（1）；
式中：f（.）为三角型模糊隶属度函数；d是时间窗口的中值，对于一组确定的时间序列数据，d是一个固定的值，表示数据变化的平均水平，称之为特征模态值；a表示时间窗口的下界；b表示时间窗口的上界；x为售电量数据序列数据。每一个窗口对应的时间序列数据变化的这三种参数特征。因此模糊信息粒化处理之后的特征区间（a,b,d）来描述时间序列数据的重要信息。
三角模糊集的下界定义为：
（2）；
式中：F（a）为三角模糊集的下界定义；x n表示为任意数；x h为函数自变量；h的取值范围是[a,d]。
三角模糊集的上界定义为：
（3）；
式中：F（b）为三角模糊集的上界定义。
确定模糊信息粒的形式：
（4）；
其中，P为模糊信息粒的形式表达；f（a）=0表示函数自变量为a时对应的函数值为0；f（d）=1表示函数自变量为d时对应的函数值为1；f（b）=0为函数自变量为b时对应的函数值为0。
进一步地，S3具体过程为：通过隶属度函数处理每个模糊粒化窗口的数据，输出售电区间上下界初始区间。此步骤的目的是为历史数据确定适合的模糊粒子。
进一步地，步骤S4中，基于改进的递归极限学习机预测模型具体过程为：
S4.1，在隐含层与输出层之间设置反馈层，并构建隐含层、反馈层之间初始输出权重；
S4.2，基于初始输出权重，构建隐含层矩阵；
S4.3，设置反馈层的特征因子，用于动态调整反馈层的输出；
S4.4，将前一时刻隐含层输出结果与反馈层的输出结果的线性叠加结果，作为更新的隐含层的输出；
S4.5，设置输出层的权重；
S4.6，通过引入经验风险和结构风险构成的正则化系数，构建基于改进的递归极限学习机算法的目标函数，用于约束隐含层、反馈层和输出层的计算。
所述极限学习机包括输入层、隐含层、反馈层和输出层，所述输入层用于输入售电量数据，所述隐含层用于输出权重；反馈层用于存储隐含层的实时输出，增强模型性能，以适应时间序列数据；输出层用于将神经网络对输入数据的处理结果进行输出。
进一步地，步骤S5具体过程为：设置拟合回归模型，并向基于改进的递归极限学习机预测模型输入售电区间上下界初始区间，获得售电区间上下界的预测值和售电区间的趋势曲线。
本发明还保护一种基于FIG-IRELM的售电量区间预测装置，包括：
获取模块，搜集售电量的时间序列历史数据，预处理搜集的历史数据，确定原始售电量时间序列以及模糊粒化窗口，以便售电量数据的粒化处理；
建模模块，根据历史售电量时间序列样本数据的分布情况确定隶属度函数；
整合模块，基于模糊粒化窗口和隶属度函数，获取售电区间上下界初始区间；
预测模块，以获取的售电区间上下界初始区间为基础，建立改进极限学习机预测模型；
求解模块，通过求解改进极限学习机预测模型，获得售电区间上下界的预测值和售电区间的趋势。
本发明还保护一种基于FIG-IRELM的售电量区间预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述基于FIG-IRELM的售电量区间预测方法。
本发明具有的有益效果：本申请为基于FIG-IRELM的售电量区间预测方法和装置，采用模糊信息粒化方式，有效降低时间序列复杂度并提取数据特征，在传统极限学习机的基础上引入正则化参数，同时在隐含层与输出层之间增加反馈层，获得改进的递归极限学习机模型，赋予模型一种动态特性，进而提高模型的精度和解决模型结构的不稳定性问题；通过模型计算获得售电量区间预测结果，该售电量区间有较高覆盖率，且区间宽度降低，较好的反应出售电量的不确定性，给予售电端更优质的决策空间，有利于其规避售电风险。
附图说明
图1为区间预测流程图；
图2为信息粒化结果示意图；
图3为实施例1的输出结果图；
图4为传统极限学习机方法预测区间结果示意图。
具体实施方式
下面结合本发明的附图，对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
本实施例为基于FIG-IRELM的售电量区间预测方法，如图1所示，包括：
S1，搜集售电量的时间序列历史数据，通过增减替换、查缺补漏和审核加工搜集的历史数据，确定原始售电量时间序列，并将原始售电量时间序列进行分割，获得模糊粒化窗口；以便售电量数据的粒化处理。
设时间序列数据为：
（5）；
式中：Y T为表达售电量时间序列的集合；y 1至y t为售电量样本数据，T为时间的集合，t为采集样本点对应的时间。粒化窗口结果如图2所示。
针对时间序列数据，W定义为数据时间窗口的个数，其值为1≤W≤t，当W为1，代表该时间窗口包含所有时间序列数据；当W为t，代表每一个时间窗口中包含一个时间序列数据；因此，时间窗口大小的选择直接影响模糊粒子能否代表原始数据的能力。时间窗口的选择是用来将时间序列数据进行分割的尺度，每个时间窗口都包含着数据特征信息，通常针对时间窗口的选择为固定值，这样可以使得每个窗口具有同等的价值。
S2，根据历史售电量时间序列样本数据的分布情况确定隶属度函数；所述隶属度函数为三角隶属度函数，其构建过程为：
确定三角型模糊集表达式：
（1）；
式中：f（.）为三角型模糊隶属度函数；d是时间窗口的中值，对于一组确定的时间序列数据，d是一个固定的值；a和b分别代表每个时间窗口的上界和下界；x为售电量数据序列数据。每一个窗口对应的时间序列数据变化的这三种参数特征。窗口中最小值由参数a表示，称其为三角模糊集的下界，参数b表示时间序列数据变化的最大值，参数d表示数据变化的平均水平，称之为特征模态值。因此模糊信息粒化处理之后的特征区间（a,b,d）来描述时间序列数据的重要信息。
三角模糊集的下界定义为：
（2）；
式中：F（a）为三角模糊集的下界定义；x n表示为任意数；x h为函数自变量；h的取值范围是[a,d]。
三角模糊集的上界定义为：
（3）；
式中：F（b）为三角模糊集的上界定义。
确定模糊信息粒的形式：
（4）；
其中，P为模糊信息粒的形式表达；f（a）=0表示函数自变量为a时对应的函数值为0；f（d）=1表示函数自变量为d时对应的函数值为1；f（b）=0为函数自变量为b时对应的函数值为0。
S3，通过隶属度函数处理每个模糊粒化窗口的数据，输出售电区间上下界初始区间。此步骤的目的是为历史数据确定适合的模糊粒子化。
S4，以获取的售电区间上下界初始区间为基础，建立改进极限学习机预测模型；所述极限学习机包括输入层、隐含层、反馈层和输出层，所述输入层用于输入售电量数据，所述隐含层用于输出权重；反馈层用于存储隐含层的实时输出，增强模型性能，以适应时间序列数据；输出层用于将神经网络对输入数据的处理结果进行输出。具体过程为：
S4.1，在隐含层与输出层之间设置反馈层，并构建隐含层、反馈层之间初始输出权重；
第n个隐含层、反馈层之间的权重反馈层的初始输出权重为W fn，其定义为：
（6）；
其中，I为隐含层和反馈层的总数，W fi为反馈层的输出权重；第n个隐含层、反馈层之间的权重W fn是输出权重W fi的Ｎ次幂，其中该权重为0至1之间的随机数，同时正因为该权重的存在，才得以使层数不断增加的情况下，得到的权重越小，从而隐含层的反馈层得以不断更新；I表示隐含层的总数。
S4.2，基于初始输出权重，构建隐含层矩阵：
（7）；
式中：本公式中，η n表示反馈层的变化率，即η n=[μ 1,....μ l,......μ I]，k的取值范围与售电量样本数据的采集范围相同；g（.）表示激活函数；，表示隐含层、反馈层之间的输出权重，i与n的取值相等；X表示输入样本；b n为神经网络的偏置；H '表示隐含层矩阵。
S4.3，设置反馈层的特征因子，用于动态调整反馈层的输出；特征因子表达式为：
（8）；
式中：ai表示输入层与隐含层的连接权重，i的取值为1-I；Xk-l+1表示后一时刻的反馈层的记忆样本；Xk-l表示前一时刻的反馈层的记忆样本；C(k-l+1)为后一时刻的时间；C(k-l)表示前一时刻的时间。第n个反馈层所记忆的的存储样本为g(k-l)。反馈层的特征因子表示的是单位时间内数据变化率，用于表征数据变化趋势。
样本数据X通过公式（6）至公式（8），获得反馈层的输出结果H''。
S4.4，通过线性叠加前一时刻的隐含层输出结果与反馈层的输出结果，更新隐含层的输出：
（9）；
（10）；
式中：H为前一时刻的隐含层输出，H new为更新的隐含层的输出，H''为反馈层的输出结果，至/>表示对应隐含层输出各元素的反馈层输出，x 1至x I为输入样本，b 1至b I为偏置。
更新之后的隐含层输出是由前一时刻的隐含层输出与反馈层的输出的线性叠加，即H new=H+H''。
S4.5，设置输出层的权重：
（11）；
式中：β m为输出层的权重，T为网络目标输出；为H new 的Moore-Penrose广义逆矩阵。
所述输出层的权重根据输出权值矩阵计算获得：
（12）；
其中，为输出权值矩阵，λ为拉格朗日乘子。
S4.6，通过引入经验风险和结构风险构成的正则化系数，构建基于改进的递归极限学习机算法的目标函数，用于约束隐含层、反馈层和输出层的计算；
构建改进的递归极限学习机算法的目标函数为：
（13）；
其中为正则化系数，训练误差的和为/>，其中/>和/>为风险因子，分别是经验风险和结构风险，模型加入了正则化系数，使模型规避了经验风险和结构风险；
上述目标函数中正则化系数通过如下方式获得：
构造拉格朗日方程：
（14）；
式中，为拉格朗日算子，/>为拉格朗日方程表达式，β m为权重在拉格朗日方程范式中的定义，表示输出层权重。
对拉格朗日方程求偏导得到：
（15）；
S5，通过求解改进极限学习机预测模型，获得售电区间上下界的预测值和售电区间的趋势曲线，具体为：
设置拟合回归模型，并向基于改进的递归极限学习机预测模型输入售电区间上下界初始区间，获得售电区间上下界的预测值和售电区间的趋势曲线。拟合回归模型表达式为：
（16）；
式中，y为网络的输出，L为隐含层节点的总数，含义是网络其他部分的权重，含义是输出层权重矩阵；u为网络的输入。
对于区间预测而言，区间预测的结果能够给出售电量的范围，能够提供售电侧更多的信息量与更大的决策空间，有助于风险的防范与规避。对于极限学习机而言，其是一类基于前馈神经网络构建的机器学习系统或方法，适用于监督学习和非监督学习问题，现已被广泛的应用到机器视觉、人脸辨识、智能搜索、智能控制、语言处理等领域。本申请采用改进的极限学习机有效解决了传统神经网络模型存在的结构误差的问题，从而进一步提高模型的可靠性。采用模糊信息粒化算法和改进的极限学习机实现售电量的区间预测。
采用中国一某市中某区的实际统计的月度售电量数据对实施例进行说明。随机选取该地区2004年到2013年共十年的时间段中，每年12个月的月售电量数据作为应用数据，总样本量为120。将样本售电量数据进行模糊信息粒化处理，以5个采样点为一个窗口，每个分量均可提取出区间下限、均值和区间上限。分别取图2粒化后获得的LOW、UP的25 个售电量数据，其中前19个月的售电量数据作为模型的训练样本，后5个月的售电量数据作为模型的测试样本。利用上述所提模型构建区间，最终得到图3的售电量区间结果。
评价预测区间的效果需要考虑两个维度：一是区间覆盖率，二是区间的宽度。实际值落入区间的个数越多代表区间的可靠性越强，通常以覆盖率作为指标来反应区间的可靠性。在一定条件下区间宽度越小则清晰度越高，故以区间宽度作为指标来衡量区间的清晰度。由图3可知，区间结果能够完全覆盖售电量的实际值，为实现对比，图4绘制了采用传统极限学习机算法获取的区间结果，图3比图4具备较小的区间宽度。反观图4，存在实际售电量在区间以外的情况，这说明其覆盖率较差，其区间宽度也较本实施例所提方法的宽度大。
实施例2
一种基于FIG-IRELM的售电量区间预测装置，其特征在于，包括：
获取模块，搜集售电量的时间序列历史数据，预处理搜集的历史数据，确定原始售电量时间序列以及模糊粒化窗口；
建模模块，根据历史售电量时间序列样本数据的分布情况确定隶属度函数；
整合模块，基于模糊粒化窗口和隶属度函数，获取售电区间上下界初始区间；
预测模块，以获取的售电区间上下界初始区间为基础，建立改进极限学习机预测模型；
求解模块，通过求解改进极限学习机预测模型，获得售电区间上下界的预测值和售电区间的趋势曲线。
实施例3
一种基于FIG-IRELM的售电量区间预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1所述的基于FIG-IRELM的售电量区间预测方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求的范围中。

Claims (5)

1.一种基于FIG-IRELM的售电量区间预测方法，其特征在于，包括：
S1，搜集售电量的时间序列历史数据，预处理搜集的历史数据，确定原始售电量时间序列以及模糊粒化窗口，以便售电量数据的粒化处理；
S2，根据历史售电量时间序列样本数据的分布情况确定隶属度函数；
S3，基于模糊粒化窗口和隶属度函数，获取售电区间上下界初始区间；具体过程为：通过隶属度函数处理每个模糊粒化窗口的数据，输出售电区间上下界初始区间；
S4，以获取的售电区间上下界初始区间为基础，建立改进极限学习机预测模型；具体过程为：
S4.1，在隐含层与输出层之间设置反馈层，并构建隐含层、反馈层之间初始输出权重；
第n个隐含层、反馈层之间的权重反馈层的初始输出权重为W fn，其定义为：
（6）；
其中，I为隐含层和反馈层的总数，W fi为反馈层的输出权重；第n个隐含层、反馈层之间的权重W fn是输出权重W fi的Ｎ次幂，其中该权重为0至1之间的随机数，同时正因为该权重的存在，才得以使层数不断增加的情况下，得到的权重越小，从而隐含层的反馈层得以不断更新；I表示隐含层的总数；
S4.2，基于初始输出权重，构建隐含层矩阵：
（7）；
式中：η n表示反馈层的变化率，即η n=[μ 1,....μ l,...... μ I]，k的取值范围与售电量样本数据的采集范围相同；g（.）表示激活函数；，表示隐含层、反馈层之间的输出权重，i与n的取值相等；X表示输入样本；b n为神经网络的偏置；H ' 表示隐含层矩阵；
S4.3，设置反馈层的特征因子，用于动态调整反馈层的输出；特征因子表达式为：
（8）；
式中：ai表示输入层与隐含层的连接权重，i的取值为1-I；Xk-l+1表示后一时刻的反馈层的记忆样本；Xk-l表示前一时刻的反馈层的记忆样本；C(k-l+1)为后一时刻的时间；C(k-l)表示前一时刻的时间。第n个反馈层所记忆的的存储样本为g(k-l)。反馈层的特征因子表示的是单位时间内数据变化率，用于表征数据变化趋势；
样本数据X通过公式（6）至公式（8），获得反馈层的输出结果H''；
S4.4，将前一时刻隐含层输出结果与反馈层的输出结果的线性叠加结果，作为更新的隐含层的输出：
（9）；
（10）；
式中：H为前一时刻的隐含层输出，H new为更新的隐含层的输出，H''为反馈层的输出结果，至/>表示对应隐含层输出各元素的反馈层输出，x 1至x I为输入样本，b 1至b I为偏置；
S4.5，设置输出层的权重：
（11）；
式中：β m为输出层的权重，T为网络目标输出；
所述输出层的权重根据输出权值矩阵计算获得：
（12）；
其中，为输出权值矩阵，λ为拉格朗日乘子；
S4.6，通过引入经验风险和结构风险构成的正则化系数，构建基于改进的递归极限学习机算法的目标函数，用于约束隐含层、反馈层和输出层的计算；
S5，通过求解改进极限学习机预测模型，获得售电区间上下界的预测值和售电区间的趋势曲线，具体过程为：设置拟合回归模型，并向基于改进的递归极限学习机预测模型输入售电区间上下界初始区间，获得售电区间上下界的预测值和售电区间的趋势曲线。
2.根据权利要求1所述的基于FIG-IRELM的售电量区间预测方法，其特征在于，所述预处理包括增减替换、查缺补漏和审核加工。
3.根据权利要求1所述的基于FIG-IRELM的售电量区间预测方法，其特征在于，步骤S1具体过程为确定原始售电量时间序列，并将原始售电量时间序列进行分割，获得模糊粒化窗口。
4.根据权利要求1所述的基于FIG-IRELM的售电量区间预测方法，其特征在于，所述隶属度函数为三角隶属度函数，其构建过程为：
确定三角型模糊集表达式：
（1）；
式中：f（.）为三角型模糊隶属度函数；d是时间窗口的中值，对于一组确定的时间序列数据，d是一个固定的值，表示数据变化的平均水平，称之为特征模态值；a表示时间窗口的下界；b表示时间窗口的上界；x为售电量数据序列数据；每一个窗口对应的时间序列数据变化的这三种参数特征。因此模糊信息粒化处理之后的特征区间（a,b,d）来描述时间序列数据的重要信息；
三角模糊集的下界定义为：
（2）；
式中：F（a）为三角模糊集的下界定义；x n表示为任意数；x h为函数自变量；h的取值范围是[a,d]；
三角模糊集的上界定义为：
（3）；
式中：F（b）为三角模糊集的上界定义；
确定模糊信息粒的形式：
（4）；
其中，P为模糊信息粒的形式表达；f（a）=0表示函数自变量为a时对应的函数值为0；f（d）=1表示函数自变量为d时对应的函数值为1；f（b）=0为函数自变量为b时对应的函数值为0。
5.一种基于FIG-IRELM的售电量区间预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现所述权利要求1至4任一项所述的基于FIG-IRELM的售电量区间预测方法。
CN202311841983.7A 2023-12-29 2023-12-29 基于fig-irelm的售电量区间预测方法和装置 Active CN117495435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311841983.7A CN117495435B (zh) 2023-12-29 2023-12-29 基于fig-irelm的售电量区间预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311841983.7A CN117495435B (zh) 2023-12-29 2023-12-29 基于fig-irelm的售电量区间预测方法和装置

Publications (2)

Publication Number Publication Date
CN117495435A CN117495435A (zh) 2024-02-02
CN117495435B true CN117495435B (zh) 2024-05-28

Family

ID=89681455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311841983.7A Active CN117495435B (zh) 2023-12-29 2023-12-29 基于fig-irelm的售电量区间预测方法和装置

Country Status (1)

Country Link
CN (1) CN117495435B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002005153A2 (en) * 2000-07-07 2002-01-17 2020Me Holdings Ltd. System, method and medium for facilitating transactions over a network
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统
CN111784043A (zh) * 2020-06-29 2020-10-16 南京工程学院 一种基于模态gru学习网络的配电台区售电量精准预测方法
CN116014724A (zh) * 2023-01-16 2023-04-25 华北电力大学（保定） 一种有源配电网网格化负荷预测方法
CN116681154A (zh) * 2023-05-08 2023-09-01 湖南工程学院 一种基于emd-ao-delm的光伏功率计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002005153A2 (en) * 2000-07-07 2002-01-17 2020Me Holdings Ltd. System, method and medium for facilitating transactions over a network
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统
CN111784043A (zh) * 2020-06-29 2020-10-16 南京工程学院 一种基于模态gru学习网络的配电台区售电量精准预测方法
CN116014724A (zh) * 2023-01-16 2023-04-25 华北电力大学（保定） 一种有源配电网网格化负荷预测方法
CN116681154A (zh) * 2023-05-08 2023-09-01 湖南工程学院 一种基于emd-ao-delm的光伏功率计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"采用正则化极限学习机的短期风速预测";袁翀 等;《电网与清洁能源》;20161130;第32卷(第11期);第2节 *

Also Published As

Publication number Publication date
CN117495435A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN108388962B (zh) 一种风电功率预测系统及方法
Guo et al. Short-term household load forecasting based on Long-and Short-term Time-series network
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN104424598A (zh) 现金需求量预测装置与方法
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN114692981B (zh) 基于Seq2Seq模型的中长期径流预报方法和系统
CN113608975A (zh) 电力现货市场下电能计量系统运行状态在线评估方法及系统
CN113344467A (zh) 一种电力工程资金预测方法和装置
CN115616333A (zh) 一种配电网线损预测方法及系统
CN115271186A (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN116885699A (zh) 基于双重注意力机制的电力负荷预测方法
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
CN117495435B (zh) 基于fig-irelm的售电量区间预测方法和装置
CN112529268A (zh) 一种基于流形学习的中短期负荷预测方法及装置
Belhaiza et al. A Neural Network Forecasting Approach for the Smart Grid Demand Response Management Problem
CN116882580A (zh) 一种面向公共机构的lstm循环神经网络碳排放预测方法
CN108345996B (zh) 一种降低风电功率考核电量的系统及方法
CN113722970B (zh) 一种光伏功率超短期在线预测方法
CN115549082A (zh) 基于负荷挖掘和lstm神经网络的电力负荷预测方法
Wu et al. Unveiling bidding uncertainties in electricity markets: A Bayesian deep learning framework based on accurate variational inference
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network

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