CN117610721A - 一种基于误差修正的代理购电电量预测校核方法及系统 - Google Patents

一种基于误差修正的代理购电电量预测校核方法及系统 Download PDF

Info

Publication number
CN117610721A
CN117610721A CN202311565294.8A CN202311565294A CN117610721A CN 117610721 A CN117610721 A CN 117610721A CN 202311565294 A CN202311565294 A CN 202311565294A CN 117610721 A CN117610721 A CN 117610721A
Authority
CN
China
Prior art keywords
predicted
value
power consumption
sub
neural network
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
Application number
CN202311565294.8A
Other languages
English (en)
Inventor
周颖
邱敏
赵伟博
武亚杰
陈宋宋
白雪峰
王永利
李熠
丁一
王恩
张嘉埔
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 Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
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 Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd, North China Electric Power University filed Critical State Grid Corp of China SGCC
Priority to CN202311565294.8A priority Critical patent/CN117610721A/zh
Publication of CN117610721A publication Critical patent/CN117610721A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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

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)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明申请提供了一种基于误差修正的代理购电电量预测校核方法及系统，包括：基于代理购电用户的用电量历史序列，以及基于用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；利用预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；该方法及系统通过利用支持向量回归法得到用电量历史序列对应的预测值的预测残差值，再利用预测残差值对初始用电量预测值进行修正，最终得到校核后的代理购电电量预测值，能够有效降低代理购电用户的用电量历史序列的非平稳性，并实现对预测结果的修正，充分发挥各步骤的优势，增强了预测的稳定性，从而提高代理购电用户的用电量预测的准确性。

Description

一种基于误差修正的代理购电电量预测校核方法及系统
技术领域
本发明申请属于代理购电电量预测校核技术领域，具体涉及一种基于误差修正的代理购电电量预测校核方法及系统。
背景技术
传统的用电量预测方法通常分为数学统计法和基于机器学习的方法。经典的数学统计法包括多元线性回归法、自回归移动模型法和指数平滑法等。由于用电量序列的随机性和非线性较强，而基于机器学习的人工智能算法学习能力强，如支持向量机(supportvector machine，SVM)、长短期记忆神经网络(long short-term memory，LSTM)和随机森林(random forest，RF)等在处理非线性数据上具有明显优势。然而，采用单一神经网络所得预测结果的精度仍需提高。
Jiandong Duan等人对核极限学习机进行优化，并提出了一种新的KELM-GMCC预测模型，对用电量进行了预测，平均绝对百分比误差为1.46％；Feng Gao等人采用时差相关分析、协整检验和格兰杰因果检验来研究在线搜索数据与居民用电量的关系。选择合格的搜索关键字作为预测因子，并提出了一种提出一种利用Jaya算法优化的机器学习模型，所有预测模型的改进率均超过10％。吴翔宇等人设计基于RF变量选择与LSTM回归的长期用电量预测模型。采用收敛交叉映射方法研究用电量与工业发展水平、温度等因素之间的关系，基于各因素之间的关系结合LSTM回归方法，组建用电量预测模型，实现长期用电量预测。
随着用电量需求的升高，代理购电用户用电量相应地增长，用电量增加的同时伴随着电力用电量波动变大。精准地对用电量的变化趋势进行预测具有不可替代的作用。但用电量中始终存在随机因素，因此无法避免模型的预测结果存在误差，因此需要一种能将分析模型的预测值和真实之间进行对比，对真实值与预测值之间的误差进行评估和校核，提高用电量预测的准确性的方法，进而保障电力系统安全、稳定、可靠地运行。
发明内容
为克服上述现有技术的不足，本发明申请提出一种基于误差修正的代理购电电量预测校核方法，包括：
基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；
利用所述预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；
其中，所述基于所述用电量历史序列对应的预测值和初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到。
优选的，所述基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值，包括：
对代理购电用户的用电量历史序列进行模态分解，获得用电量历史序列的多子模态分量；
将各子模态分量输入至预先训练好的长短期记忆神经网络中，得到各子模态分量对应的预测分量；
对所述各子模态分量对应的预测分量进行合并重构，得到所述用电量历史序列对应的预测值；
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值。
优选的，所述基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值，包括：
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，得到残差值；
基于所述残差值，采用支持向量回归法得到预测残差值。
优选的，所述长短期记忆神经网络的训练过程包括：
将历史时刻的用电量序列的各子模态分量划分为训练集和测试集，设置长短期记忆神经网络的初始学习率和隐含层数目，以训练集为输入，以训练集所在时刻的下一时刻的子模态分量实际值为输出，对长短期记忆神经网络进行训练，采用随机优化算法对长短期记忆神经网络参数进行迭代更新，直到长短期记忆神经网络的损失函数收敛为止；
基于测试集，采用训练后的长短期记忆神经网络进行预测，得到训练集所在时刻的下一时刻预测分量，基于所述训练集所在时刻的下一时刻预测分量和训练集所在时刻的下一时刻的实际分量计算所述训练后的长短期记忆神经网络的预测结果准确度，若预测结果准确度小于预设值，则重新划分训练集和测试集进行训练，直至训练后的长短期记忆神经网络的预测结果准确度不小于预设值，得到训练好的长短期记忆神经网络。
优选的，所述将各子模态分量输入至预先训练好的长短期记忆神经网络之前，还包括：对所述各子模态分量进行归一化处理；
所述得到各子模态分量对应的预测分量之后，且在所述对所述各子模态分量对应的预测分量进行合并重构之前，还包括：对所述各子模态分量对应的预测分量进行反归一化处理。
优选的，所述对所述子模态分量进行归一化处理的具体方法为：
其中，uk *为归一化后的子模态分量数据；uk为子模态分量实际值；ukmax为各子模态分量中的最大值，ukmin为各子模态分量中的最小值。
优选的，所述对代理购电用户的用电量历史序列进行模态分解之前，还包括：对所述用电量历史序列进行异常值剔除与均值插补处理。
基于同一发明构思，本发明还提供了一种基于误差修正的代理购电电量预测校核系统，包括：
残差值预测模块，用于基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；
校核预测模块，用于利用所述预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；
其中，所述基于所述用电量历史序列对应的预测值和初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到。
优选的，所述残差值预测模块具体用于：
对代理购电用户的用电量历史序列进行模态分解，获得用电量历史序列的多子模态分量；
将各子模态分量输入至预先训练好的长短期记忆神经网络中，得到各子模态分量对应的预测分量；
对所述各子模态分量对应的预测分量进行合并重构，得到所述用电量历史序列对应的预测值；
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值。
优选的，所述残差值预测模块基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值，包括：
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，得到残差值；
基于所述残差值，采用支持向量回归法得到预测残差值。
优选的，所述残差值预测模块中长短期记忆神经网络的训练过程包括：
将历史时刻的用电量序列的各子模态分量划分为训练集和测试集，设置长短期记忆神经网络的初始学习率和隐含层数目，以训练集为输入，以训练集所在时刻的下一时刻的子模态分量实际值为输出，对长短期记忆神经网络进行训练，采用随机优化算法对长短期记忆神经网络参数进行迭代更新，直到长短期记忆神经网络的损失函数收敛为止；
基于测试集，采用训练后的长短期记忆神经网络进行预测，得到训练集所在时刻的下一时刻预测分量，基于所述训练集所在时刻的下一时刻预测分量和训练集所在时刻的下一时刻的实际分量计算所述训练后的长短期记忆神经网络的预测结果准确度，若预测结果准确度小于预设值，则重新划分训练集和测试集进行训练，直至训练后的长短期记忆神经网络的预测结果准确度不小于预设值，得到训练好的长短期记忆神经网络。
优选的，所述残差值预测模块中将各子模态分量输入至预先训练好的长短期记忆神经网络之前，还包括：对所述各子模态分量进行归一化处理；
所述得到各子模态分量对应的预测分量之后，且在所述对所述各子模态分量对应的预测分量进行合并重构之前，还包括：对所述各子模态分量对应的预测分量进行反归一化处理。
优选的，所述残差值预测模块中对所述子模态分量进行归一化处理的具体方法为：
其中，uk *为归一化后的子模态分量数据；uk为子模态分量实际值；ukmax为各子模态分量中的最大值，ukmin为各子模态分量中的最小值。
优选的，所述残差值预测模块中对代理购电用户的用电量历史序列进行模态分解之前，还包括：对所述用电量历史序列进行异常值剔除与均值插补处理。
基于同一发明构思，本发明还提供了一种基于误差修正的代理购电电量预测校核方法计算机设备，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的代理购电电量预测校核方法。
基于同一发明构思，本发明还提供了一种基于误差修正的代理购电电量预测校核方法计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的代理购电电量预测校核方法。
与最接近的现有技术相比，本发明申请具有的有益效果如下：
本发明申请提供了一种基于误差修正的代理购电电量预测校核方法及系统，包括：基于代理购电用户的用电量历史序列，以及基于用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；利用预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；该方法及系统通过利用支持向量回归法得到用电量历史序列对应的预测值的预测残差值，再利用预测残差值对初始用电量预测值进行修正，最终得到校核后的代理购电电量预测值，能够有效降低代理购电用户的用电量历史序列的非平稳性，并实现对预测结果的修正，充分发挥各步骤的优势，增强了预测的稳定性，从而提高代理购电用户的用电量预测的准确性。
附图说明
图1为本发明申请提供的一种基于误差修正的代理购电电量预测校核方法流程示意图；
图2为本发明申请提供的一种基于误差修正的代理购电电量预测校核方法整体流程示意图；
图3为本发明申请中VMD-LSTM模型预测结果图；
图4为本发明申请中VMD-LSTM-SVR模型预测误差率图；
图5为本发明申请提供的一种基于误差修正的代理购电电量预测校核系统结构示意图。
具体实施方式
下面结合附图对本发明申请的具体实施方式做进一步的详细说明。
实施例1：
本发明申请提供的一种基于误差修正的代理购电电量预测校核方法流程示意图如图1所示，包括：
步骤一、基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；
步骤二、利用所述预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；
其中，所述基于所述用电量历史序列对应的预测值和初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到。
步骤一、所述基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值，如图2所示，具体包括：
S1、对代理购电用户的用电量历史序列进行模态分解，获得用电量历史序列的多子模态分量；其中，本实施例中，所述用电量历史序列为t1时刻的真实用电量序列；
S2、将各子模态分量输入至预先训练好的长短期记忆神经网络中，得到各子模态分量对应的预测分量；其中，本实施例中，所述预测分量为各子模态分量在t2时刻的预测分量；
S3、对所述各子模态分量对应的预测分量进行合并重构，得到所述用电量历史序列对应的预测值；其中，本实施例中，所述用电量历史序列对应的预测值为t2时刻的预测值；
S4、基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值；其中，本实施例中，所述预测残差值为t3时刻的预测残差值。
S4中，具体包括：
基于所述用电量历史序列对应的t2时刻的预测值与t2时刻的实际值，得到t2时刻的残差值；
基于所述t2时刻的残差值，采用支持向量回归法得到t3时刻的预测残差值。
本实施例中，t1为当前时刻的上一时刻，t2为当前时刻，t3为当前时刻的下一时刻。
S1之前，还包括：对所述用电量历史序列进行异常值剔除与均值插补处理。
具体的，步骤S1中，所述模态分解采用变分模态分解算法(VMD)，VMD可将非平稳的信号分解为多个具有中心频率的有限带宽的模态分量，有效降低了信号的非平稳性。
VMD的具体步骤即构造和求解变分问题，首先将用电量历史序列分解为多个子模态分量，确保子模态分量为具有中心频率的有限带宽分量，并且估计带宽之和最小，所有子模态分量之和等于初始信号，表达式为：
其中，{uk}＝{u1,u2,…,uK}为K个子模态分量uk的集合，uk(t)为第k个子模态分量函数；{ωk}＝{ω1,ω2,…,ωK}为K个子模态分量对应的中心频率的集合；为解析信号的梯度；δ(t)为狄拉克函数；t为采样时刻；f(t)为初始信号；/>为预估中心频率，即中心频率ωk对应的指数项；j为虚数单位；
根据上述表达式，同时使用二次惩罚因子α和拉格朗日乘子λ(t)，将约束问题非约束化求解，更新的拉格朗日函数表达式为：
其中，L(·)为拉格朗日函数；
本实施例中，选择VMD算法对历史用电量序列分解，将其转化为非平稳性的子序列，提高LSTM模型的预测准确率，K设置为5，初始中心频率为0，收敛准则容忍度γ＝10-6，二次惩罚因子α＝2000。
将子模态分量uk归一化后作为LSTM的输入，归一化处理的具体方法为：
其中，uk *为归一化后的子模态分量数据；uk为子模态分量实际值；ukmax为各子模态分量中的最大值，ukmin为各子模态分量中的最小值。
具体的，步骤S2中，长短期记忆神经网络(LSTM)属于循环神经网络(recurrentneural network，RNN)的一种变体。相较传统RNN的长期依赖问题，LSTM在RNN基础上在每个细胞状态中加入门来控制信息是否保留，改进了RNN无法长序列的问题。目前，LSTM在长序列的处理中得到普及。LSTM的每个细胞共有遗忘门、输入门和输出门三部分，分别决定信息的过滤、保存和生成。
LSTM的工作步骤如下：
步骤1：通过遗忘门确定分解后的各本征模态函数(intrinsic mode function，IMF)中需要滤除的信息部分。将当前网络输入xt和上一时刻网络输出ht-1通过sigmoid函数σ确定是否过滤，表示为：
ft＝σ[Wf(ht-1,xt)+bf]；
步骤2：输入信息通过sigmoid函数σ来决定保留部分，xt和ht-1通过tanh函数更新后成为新生成信息细胞状态值，随后将上一时刻细胞状态Ct-1更新为当前时刻细胞状态值Ct，表示为：/>
步骤3：首先由sigmoid函数σ确定单元输出部分，再将单元状态通过tanh和sigmoid门输出部分相乘得到模型的当前时刻输出，表示为：
式中:(ht-1,xt)为当前网络输入xt和上一时刻网络输出ht-1的拼接向量，ht为当前时刻网络输出；Wf、Wi、WC、Wo分别为遗忘门ft、输入门it、新生成信息细胞状态和输出门ot的矩阵权重，bf、bi、bC、bo分别为遗忘门ft、输入门it、新生成信息细胞状态/>和输出门ot的偏置向量，当前网络输入xt即为各子模态分量归一化后的数据，当前时刻网络输出ht即为各子模态分量在t2时刻的预测分量。
将K个子模态分量对应的K个当前时刻网络输出ht反归一化后合并重构为t2时刻的预测值。
本实施例中，步骤S2中所述长短期记忆神经网络的训练过程包括：
将历史时刻的用电量序列的各子模态分量划分为训练集和测试集，设置长短期记忆神经网络的初始学习率和隐含层数目，以训练集为输入，以训练集所在时刻的下一时刻的子模态分量实际值为输出，对长短期记忆神经网络进行训练，采用随机优化算法对长短期记忆神经网络参数进行迭代更新，直到长短期记忆神经网络的损失函数收敛为止；
基于测试集，采用训练后的长短期记忆神经网络进行预测，得到训练集所在时刻的下一时刻预测分量，基于所述训练集所在时刻的下一时刻预测分量和训练集所在时刻的下一时刻的实际分量计算所述训练后的长短期记忆神经网络的预测结果准确度，若预测结果准确度小于预设值，则重新划分训练集和测试集进行训练，直至训练后的长短期记忆神经网络的预测结果准确度不小于预设值，得到训练好的长短期记忆神经网络。
LSTM的隐藏层数目影响模型的预测精度。隐藏层数多时，预测效果越好；层数少时，训练时间相应较短。本实施例中，设置长短期记忆神经网络的初始学习率为0.005，隐含层数目为3，经过实验证明，设置隐层数目为3层时，可保证训练用时少的同时有较好的准确率。以训练集为输入，以训练集所在时刻的下一时刻的子模态分量实际值为输出，对长短期记忆神经网络进行训练，采用随机优化算法(ADMA)对长短期记忆神经网络参数进行迭代更新，训练轮数为150次，初始学习率设置为0.005，经过100次训练后学习率通过乘以衰减因子0.2来降低，输出层使用全连接层，输出值反归一化得到预测结果，如图3所示，经过VMD-LSTM模型预测后的结果有较好的拟合效果，而在清晨时段用电量持续上升和夜晚时段用电量持续下降阶段处存在一定误差，通过对预测结果与真实值进行校核，形成误差序列，预测结果如表1所示。
表1用电量上升和下降处预测误差
因此，考虑使用支持向量回归法(SVR)对误差序列进行分析，SVR是一种求解回归问题的高效机器学习算法，其本质为寻找最优超平面进行建模。
具体的，步骤S4中，对给定的预测误差集(xn,yn)，使其所有样本点与回归曲线的“总偏差”最小，其中，xn为模型输入的t2时刻的残差值，yn为模型输出的t3时刻的预测残差值。因此，SVR问题转化为：其中，θ为权重值；b为偏置向量；T为惩罚参数；ξn、/>为松弛变量；N为训练样本总数；
对应约束条件为：其中，ε为回归偏差，xn由上述t2时刻的预测值与t2时刻的实际值得到；f(xn)为为预测函数在输入误差值为xn时候的预测值；
步骤二具体包括：
S5、利用t3时刻的预测残差值对t3时刻的初始用电量预测值进行修正，得到校核后的t3时刻的代理购电电量预测值；其中，所述t2时刻的预测值和t3时刻的初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到；
本实施例中，预测残差值yn来补偿t3时刻的初始用电量预测值，其中，SVR的核函数选择能较好处理非线性序列的径向基函数(radial basis function，RBF)，惩罚参数C取100，VMD-LSTM-SVR模型预测误差率图如图4所示。
误差修正通常需要建立从属预测器来预测误差序列。将预测后的残差序列与初始预测结果叠加，获得修正后的预测结果。经过修正后，有约90％的用电量点的误差绝对值减小，这表明SVR的误差修正模型能够提升整体用电量预测精度，多个模型的精度比较如表2所示。
表2多个模型的精度比较表
BP神经网络因其存在局部极小化问题，且网格结构选择不一，预测结果对比LSTM神经网络具有明显的不足；同时，将序列进行分解-预测-重构操作后，预测结果的准确率有显著提升，VMD-LSTM对比单一LSTM，RMSE值，MAPE值和MAE值分别降低了10％，11.51％和9.80％，数据拟合程度R2提高至98.30％，证明了变分模态分解能够有效降低用电量序列的不稳定性，从历史数据中提取信息，使LSTM模型有更好的用电量预测能力；本实施例方法在此基础上加入误差修正，数据显示该方法能够进一步增加预测准确率。其中，RMSE值，MAPE值和MAE值分别降低了29.1％、50％和49.5％，数据拟合程度R2提高至99.15％，证明了所设计模型在短期用电量预测中具有有效性。
为了评估用户用电量预测模型性能，本实施例使用平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)、平均绝对误差(mean absolute error，MAE)、均方根误差(Root Mean Squared Error，RMSE)和模型拟合系数R2来评价作为评估标准。MAPE是衡量模型性能的相对指标。RMSE是衡量模型性能的绝对指标。RMSE与实际用户用电量数据和预测值都具有相同的量纲，这样很容易计算实际用电量值和预测值之间的绝对误差。上述评估指标分别表示为:
其中:yi是用户用电量真实值，y′i是与真实值相对应的预测值，N是用电量预测步长。学生t检验(Student’s t-test)是做出基本统计分布的假设用于确定两组数据是否具有显著差异性的统计假设检验。本实施例使用具有不同参数或因素(例如滑动窗口长度、隐含层的数量和气候因素等)的用电量预测模型进行预测，并将计算的MAPE进行t检验；然后判断不同模型的MAPE是否具有相同的平均值以及相同但未知的方差，以确定这些因素是否在提高模型性能中起决定性作用。
实施例2：
基于同一发明申请构思，本发明申请还提供了基于支持向量回归误差修正的代理购电电量预测校核系统结构示意图如图5所示，包括：
残差值预测模块，用于基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；
校核预测模块，用于利用所述预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；
其中，所述基于所述用电量历史序列对应的预测值和初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到。
所述残差值预测模块具体用于：
对代理购电用户的用电量历史序列进行模态分解，获得用电量历史序列的多子模态分量；
将各子模态分量输入至预先训练好的长短期记忆神经网络中，得到各子模态分量对应的预测分量；
对所述各子模态分量对应的预测分量进行合并重构，得到所述用电量历史序列对应的预测值；
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值。
所述残差值预测模块基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值，包括：
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，得到残差值；
基于所述残差值，采用支持向量回归法得到预测残差值。
所述残差值预测模块中长短期记忆神经网络的训练过程包括：
将历史时刻的用电量序列的各子模态分量划分为训练集和测试集，设置长短期记忆神经网络的初始学习率和隐含层数目，以训练集为输入，以训练集所在时刻的下一时刻的子模态分量实际值为输出，对长短期记忆神经网络进行训练，采用随机优化算法对长短期记忆神经网络参数进行迭代更新，直到长短期记忆神经网络的损失函数收敛为止；
基于测试集，采用训练后的长短期记忆神经网络进行预测，得到训练集所在时刻的下一时刻预测分量，基于所述训练集所在时刻的下一时刻预测分量和训练集所在时刻的下一时刻的实际分量计算所述训练后的长短期记忆神经网络的预测结果准确度，若预测结果准确度小于预设值，则重新划分训练集和测试集进行训练，直至训练后的长短期记忆神经网络的预测结果准确度不小于预设值，得到训练好的长短期记忆神经网络。
所述残差值预测模块中将各子模态分量输入至预先训练好的长短期记忆神经网络之前，还包括：对所述各子模态分量进行归一化处理；
所述得到各子模态分量对应的预测分量之后，且在所述对所述各子模态分量对应的预测分量进行合并重构之前，还包括：对所述各子模态分量对应的预测分量进行反归一化处理。
所述残差值预测模块中对所述子模态分量进行归一化处理的具体方法为：
其中，uk *为归一化后的子模态分量数据；uk为子模态分量实际值；ukmax为各子模态分量中的最大值，ukmin为各子模态分量中的最小值。
所述残差值预测模块中对代理购电用户的用电量历史序列进行模态分解之前，还包括：对所述用电量历史序列进行异常值剔除与均值插补处理。
实施例3：
基于同一种基于误差修正的代理购电电量预测校核方法发明申请构思，本发明申请还提供了一种基于误差修正的代理购电电量预测校核方法计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种基于误差修正的代理购电电量预测校核方法的步骤。
实施例4：
基于同一种基于误差修正的代理购电电量预测校核方法发明申请构思，本发明申请还提供了一种基于误差修正的代理购电电量预测校核方法存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种基于误差修正的代理购电电量预测校核方法的步骤。
本领域内的技术人员应明白，本发明申请的实施例可提供为方法、系统、或计算机程序产品。因此，本发明申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明申请是参照根据本发明申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (12)

1.一种基于误差修正的代理购电电量预测校核方法，其特征在于，包括：
基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；
利用所述预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；
其中，所述基于所述用电量历史序列对应的预测值和初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到。
2.如权利要求1所述的方法，其特征在于，所述基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值，包括：
对代理购电用户的用电量历史序列进行模态分解，获得用电量历史序列的多子模态分量；
将各子模态分量输入至预先训练好的长短期记忆神经网络中，得到各子模态分量对应的预测分量；
对所述各子模态分量对应的预测分量进行合并重构，得到所述用电量历史序列对应的预测值；
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值。
3.如权利要求2所述的方法，其特征在于，所述基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值，包括：
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，得到残差值；
基于所述残差值，采用支持向量回归法得到预测残差值。
4.如权利要求2所述的方法，其特征在于，所述长短期记忆神经网络的训练过程包括：
将历史时刻的用电量序列的各子模态分量划分为训练集和测试集，设置长短期记忆神经网络的初始学习率和隐含层数目，以训练集为输入，以训练集所在时刻的下一时刻的子模态分量实际值为输出，对长短期记忆神经网络进行训练，采用随机优化算法对长短期记忆神经网络参数进行迭代更新，直到长短期记忆神经网络的损失函数收敛为止；
基于测试集，采用训练后的长短期记忆神经网络进行预测，得到训练集所在时刻的下一时刻预测分量，基于所述训练集所在时刻的下一时刻预测分量和训练集所在时刻的下一时刻的实际分量计算所述训练后的长短期记忆神经网络的预测结果准确度，若预测结果准确度小于预设值，则重新划分训练集和测试集进行训练，直至训练后的长短期记忆神经网络的预测结果准确度不小于预设值，得到训练好的长短期记忆神经网络。
5.如权利要求2所述的方法，其特征在于，所述将各子模态分量输入至预先训练好的长短期记忆神经网络之前，还包括：对所述各子模态分量进行归一化处理；
所述得到各子模态分量对应的预测分量之后，且在所述对所述各子模态分量对应的预测分量进行合并重构之前，还包括：对所述各子模态分量对应的预测分量进行反归一化处理。
6.如权利要求5所述的方法，其特征在于，所述对所述子模态分量进行归一化处理的具体方法为：
其中，uk *为归一化后的子模态分量数据；uk为子模态分量实际值；ukmax为各子模态分量中的最大值，ukmin为各子模态分量中的最小值。
7.如权利要求2所述的方法，其特征在于，所述对代理购电用户的用电量历史序列进行模态分解之前，还包括：对所述用电量历史序列进行异常值剔除与均值插补处理。
8.一种基于误差修正的代理购电电量预测校核系统，其特征在于，包括：
残差值预测模块，用于基于代理购电用户的用电量历史序列，以及基于所述用电量历史序列对应的预测值，利用支持向量回归法得到预测残差值；
校核预测模块，用于利用所述预测残差值对初始用电量预测值进行修正，得到校核后的代理购电电量预测值；
其中，所述基于所述用电量历史序列对应的预测值和初始用电量预测值采用相同的长短期记忆神经网络模型进行预测得到。
9.如权利要求8所述的系统，其特征在于，所述残差值预测模块具体用于：
对代理购电用户的用电量历史序列进行模态分解，获得用电量历史序列的多子模态分量；
将各子模态分量输入至预先训练好的长短期记忆神经网络中，得到各子模态分量对应的预测分量；
对所述各子模态分量对应的预测分量进行合并重构，得到所述用电量历史序列对应的预测值；
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值。
10.如权利要求9所述的系统，其特征在于，所述残差值预测模块基于所述用电量历史序列对应的预测值与其对应时刻的实际值，利用支持向量回归法得到预测残差值，包括：
基于所述用电量历史序列对应的预测值与其对应时刻的实际值，得到残差值；
基于所述残差值，采用支持向量回归法得到预测残差值。
11.一种基于误差修正的代理购电电量预测校核方法计算机设备，其特征在于，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至7中任一项所述的代理购电电量预测校核方法。
12.一种基于误差修正的代理购电电量预测校核方法计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任一项所述的代理购电电量预测校核方法。
CN202311565294.8A 2023-11-22 2023-11-22 一种基于误差修正的代理购电电量预测校核方法及系统 Pending CN117610721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311565294.8A CN117610721A (zh) 2023-11-22 2023-11-22 一种基于误差修正的代理购电电量预测校核方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311565294.8A CN117610721A (zh) 2023-11-22 2023-11-22 一种基于误差修正的代理购电电量预测校核方法及系统

Publications (1)

Publication Number Publication Date
CN117610721A true CN117610721A (zh) 2024-02-27

Family

ID=89947406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311565294.8A Pending CN117610721A (zh) 2023-11-22 2023-11-22 一种基于误差修正的代理购电电量预测校核方法及系统

Country Status (1)

Country Link
CN (1) CN117610721A (zh)

Similar Documents

Publication Publication Date Title
CN112036084B (zh) 一种相似产品寿命迁移筛选方法和系统
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN113065283A (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
Xie et al. Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
Wang et al. State of health estimation for lithium-ion batteries using random forest and gated recurrent unit
CN110413657B (zh) 面向季节型非平稳并发量的平均响应时间评估方法
CN113884937B (zh) 基于分解集成策略的锂离子电池剩余寿命预测方法及系统
CN114545270A (zh) 一种考虑健康因子延迟的锂电池健康状态估计方法
CN112381279A (zh) 一种基于vmd和bls组合模型的风电功率预测方法
CN109599866A (zh) 一种预测辅助的电力系统状态估计方法
CN114840375A (zh) 一种半导体存储产品的老化性能测试方法及系统
Sharifnia et al. Multilevel Monte Carlo with Surrogate Models for Resource Adequacy Assessment
Zhou et al. Parsimonious kernel recursive least squares algorithm for aero-engine health diagnosis
Lin et al. Battery-supercapacitor state-of-health estimation for hybrid energy storage system using a fuzzy brain emotional learning neural network
CN117076866A (zh) 基于数据驱动和粒子滤波融合模型的锂电池rul预测方法、系统、设备及介质
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
Du et al. A novel locally regularized automatic construction method for RBF neural models
CN117610721A (zh) 一种基于误差修正的代理购电电量预测校核方法及系统
CN115860277A (zh) 一种数据中心能耗预测方法及系统
CN115169173A (zh) 工程机械可靠性分析方法和装置、计算机设备和存储介质
Hu et al. Temporal pattern attention based Hammerstein model for estimating battery SOC
CN111047090A (zh) 基于混合核函数自适应融合的电力系统短期负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication