CN117674078A - 基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 - Google Patents
基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 Download PDFInfo
- Publication number
- CN117674078A CN117674078A CN202311453208.4A CN202311453208A CN117674078A CN 117674078 A CN117674078 A CN 117674078A CN 202311453208 A CN202311453208 A CN 202311453208A CN 117674078 A CN117674078 A CN 117674078A
- Authority
- CN
- China
- Prior art keywords
- load power
- information
- value
- rnn
- hpso
- 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 40
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 230000000306 recurrent effect Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统负荷功率预测领域,具体为基于RNN和HPSO的电力系统负荷功率预测方法、系统及装置。该方法考虑了多个特征信息,包括时间信息、气象信息、突发事件信息和工业信息。通过设置负荷功率值的阈值,将训练集分为标准负荷功率、高负荷功率和低负荷功率。使用RNN模型进行训练,能够捕捉到负荷功率序列中的时序关系和非线性特征。通过计算对应信息的权重值,可以对不同特征信息进行加权处理。使用HPSO算法对负荷功率序列模型的参数进行优化。通过采用递归神经网络和混合粒子群优化算法,充分利用大规模数据和非线性特征,提高负荷功率预测的准确性和可靠性,通过具有较好的灵活性和适应性,可以适应电力系统的变化和复杂性。
Description
技术领域
本发明属于电力系统负荷功率预测领域,具体为基于RNN和HPSO的电力系统负荷功率预测方法、系统及装置。
背景技术
电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。
在电力负荷预测中,很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化,比如气象。有些因按地区条件产生差异,如工农业发展速度;有些因素是无估计的重大事件,如严重灾害等,并且各个因素对负荷的影响可能是不一样的,而且同一因素的不同水平对负荷的影也是不同的。
1.气象因素的影响,很多负荷预测数学模型都引入了气象部门提供的气象预报信息,包括温湿度、雨量等在内的气象因素都会直接影响负荷波动,尤其在居民负荷占据较高比例的地区,这种影响更大。
2.节假日及特殊条件的影响,较之正常工作日,一般节假日的负荷都会明显降低,以春节为例,春节期间的负荷曲线一般会出现大幅度的下降变形,而其变化周期也大致与假日周期吻合。
3.大工业用户突发事件的影响对于大工业用户装接容量占用电负荷较高的地区,大工业用户在负荷预测偏差中起到的影响作用也比较大。
现有的电力系统负荷功率预测方法存在以下一些缺点:
1.非线性关系:负荷功率受到多种因素的影响,包括天气状况、季节变化、工业生产活动等。这些因素之间存在复杂的非线性关系,传统的线性模型往往不能很好地捕捉到这些关系,导致预测结果的偏差较大。
2.灵活性不足:传统的负荷功率预测方法通常基于特定条件,缺乏灵活性和适应性。当电力系统发生变化时,现有的预测方法可能需要重新调整或重新训练,从而导致预测准确性下降。
发明内容
有鉴于此,本发明提供了基于RNN和HPSO的电力系统负荷功率预测方法、系统及装置,通过采用递归神经网络和混合粒子群优化算法,充分利用大规模数据和非线性特征,提高负荷功率预测的准确性和可靠性,通过具有较好的灵活性和适应性,可以适应电力系统的变化和复杂性。
为实现上述目的,具体技术方案如下:
第一方面提供了基于RNN和HPSO的电力系统负荷功率预测方法,包括:
步骤一:获取历史电力系统负荷功率值及负荷功率值的对应信息,对应信息包括:时间信息,气象信息,突发事件信息,工业信息;
步骤二:根据负荷功率值的大小设置阈值,构建负荷功率值区分模型,将训练集分为标准负荷功率、高负荷功率、低负荷功率;
步骤三:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序,将构建好的数据序列划分为训练集和测试集;
其中,对产生标准负荷功率的对应信息编序为:Δ=0;
其中,对产生高负荷功率的对应信息编序为:Δ=1;
其中,对产生低负荷功率的对应信息编序为:Δ=-1;
步骤四:对训练集使用递归神经网络RNN训练计算所述对应信息的权重值,计算公式为:
其中,ω为对应信息的权重值,pn为对应信息的当前负荷功率值,p标为标准负荷功率,n为对应信息的单个信息数量值;
步骤五:对训练集使用递归神经网络RNN训练,形成负荷功率序列模型:
p总=(ω1+1)p标1+(ω2+1)p标2+(ω1+1)p标2+......+(ωx+1)p标x
其中,ω1,ω2,ω3,ωx为对应信息的权重值,p1,p2,p3,px,为对应信息的标准负荷功率值;
步骤六:使用混合粒子群优化(HPSO)算法对负荷功率序列模型的参数进行优化;
步骤七:使用测试集对负荷功率序列模型评估,计算预测结果与真实值之间的误差,根据评估结果对模型进行调整和优化。
在第一方面使用时,收集和整理电力系统的历史负荷功率数据,并获取相关特征信息,考虑多个特征信息,提供更全面的负荷功率预测依据。后特征选择和权重计算,建立区分负荷功率模型,并采用RNN模型训练和HPSO参数优化,针对不同负荷状态建立相应的模型,提高预测准确性和可靠性,RNN模型捕捉负荷功率序列的时序关系和非线性特征,具有记忆能力。通过计算对应信息的权重值,加权处理不同特征信息,提高预测准确性。HPSO参数优化全局搜索最优解,优化负荷功率序列模型参数,提高预测性能。最后通过评估和调整,获得电力系统负荷功率准确预测模型,
进一步的,所述阈值的确定方式为:计算训练集中负荷功率值的平均值和标准差,根据正态分布的性质,选择平均值加上2倍标准差作为高阈值,平均值减去2倍标准差作为低阈值。
进一步的,所述高负荷功率、标准负荷功率、低负荷功率的确定方式为:
高负荷功率>高阈值;
高阈值≥标准负荷功率≥低阈值;
低负荷功率≤低阈值。
进一步的,所述时间信息,气象信息,突发事件信息和工业信息设置均依据测定情况设置有若干组,同时对若干组进行编序。
进一步的,所述优化步骤包括:
初始化粒子群的位置和速度;
其中,位置表示模型参数的取值,速度表示参数的变化速率;以及
使用RMSE作为适应度函数,计算每个粒子的适应度,RMSE的公式如下:
其中,f(xi)表示模型预测值,yi表示实际值,N表示样本数量;
更新粒子的速度和位置,
v(t+1)=wv(t)+c1r1(pbest-x(t))+c2 r2*(gbest-x(t))
其中,其中,v(t)表示粒子的当前速度,x(t)表示粒子的当前位置,w是惯性权重,c1和c2是学习因子,r1是一个随机数,pbest表示粒子的个体最优位置,gbest表示粒子群的全局最优位置;
更新个体最优位置和全局最优位置;
重复上述步骤,输出最优参数。
第二方面方面提供了一种基于RNN和HPSO的电力系统负荷功率预测系统,包括:
输入模块:配置为:手动输入对应信息;
负荷功率值区分模块:配置为:根据负荷功率值的大小将训练集分为标准负荷功率、高负荷功率、低负荷功率;
编序模块:配置为:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序;
权重值计算模块:配置为:对训练集使用递归神经网络RNN训练计算所述对应信息的权重值;
参数优化模块:配置为:使用混合粒子群优化(HPSO)算法对负荷功率序列模型的参数进行优化;
显示模块:配置为语音播报及显示屏显示。
第三方面提供了一种基于RNN和HPSO的电力系统负荷功率预测装置,
所述电力系统负荷功率预测装置与基于RNN和HPSO的电力系统负荷功率预测系统通讯连接。
第四方面方面提供一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如第一方面所述方法。
与现有技术相比,本发明的有益效果至少在于:
1)该方法考虑了多个特征信息,包括时间信息、气象信息、突发事件信息和工业信息。这些特征信息能够提供更全面的负荷功率预测依据,使预测模型能够更好地捕捉到负荷变化的规律。
2)通过设置负荷功率值的阈值,将训练集分为标准负荷功率、高负荷功率和低负荷功率。这样可以针对不同负荷状态建立相应的模型,提高预测的准确性和可靠性。
3)使用RNN模型进行训练,能够捕捉到负荷功率序列中的时序关系和非线性特征。RNN模型具有记忆能力,能够利用历史数据对当前的负荷功率进行预测。
4)通过计算对应信息的权重值,可以对不同特征信息进行加权处理,提高对不同特征的关注程度。这样可以更好地利用特征信息,提高预测的准确性。
5)使用HPSO算法对负荷功率序列模型的参数进行优化。HPSO算法能够全局搜索最优解,提高模型的性能和预测准确性。
综上所述,基于RNN和HPSO的电力系统负荷功率预测方法能够综合利用多个特征信息,建立区分负荷功率模型,并通过递归神经网络和混合粒子群优化进行训练和优化,从而提高预测的准确性和可靠性。
附图说明
图1是本申请基于RNN和HPSO的电力系统负荷功率预测方法流程示意图;
图2是本申请一种纸电书籍一体化自动管理的方法步骤一流程示意图;
图3是本申请一种纸电书籍一体化自动管理的方法步骤二流程示意图;
图4是本申请一种纸电书籍一体化自动管理的方法步骤三流程示意图四;
图5是本申请一种纸电书籍一体化自动管理的方法步骤四流程示意图五;
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下是示例性基于RNN和HPSO的电力系统负荷功率预测方法整体步骤如图1所示
如图2所示,步骤一:获取历史电力系统负荷功率值及负荷功率值的对应信息,对应信息包括:时间信息,气象信息,突发事件信息,工业信息;并对数据进行清洗和处理;
收集电力系统的历史负荷功率数据,通常这些数据可以从电力系统监测设备、能源供应商或电力系统运营商处获取。对于每个负荷功率值,记录对应的时间信息,包括日期和时间戳。这些信息可以用来建立负荷功率的时序关系,并且在预测模型中起到重要作用。收集与负荷功率相关的气象数据,如温度、湿度、风速等。这些信息可以反映气候条件对负荷功率的影响,例如在炎热的天气下,空调的使用可能会导致负荷功率的增加。记录与负荷功率相关的突发事件,如停电、设备故障、天灾等。这些事件可能会对负荷功率产生突发性的影响,需要在预测模型中进行考虑。收集与负荷功率相关的工业数据,如生产量、产能利用率等。工业活动的变化可能会导致负荷功率的波动,因此需要将这些信息纳入预测模型中。
数据的清洗和处理包括:
缺失值处理:检查数据中是否存在缺失值,如果存在,需要进行相应的处理。常见的处理方法包括删除缺失值所在的样本或使用插值法填补缺失值。
异常值处理:检查数据中是否存在异常值,即与其他样本相比明显偏离的数值。异常值可能会对预测模型产生不良影响,因此需要进行处理,常见的方法包括删除异常值或进行平滑处理。
数据归一化:对不同特征的数据进行归一化处理,将其转化为相同的数值范围。常用的归一化方法包括最小-最大归一化和标准化。
特征选择:根据特征的重要性和相关性,选择合适的特征。可以使用统计方法、相关系数分析或机器学习算法进行特征选择。
通过本步骤,可以获取清洗和处理后的历史电力系统负荷功率值及其对应的时间信息、气象信息、突发事件信息和工业信息。这些数据可以作为建立负荷功率预测模型的输入。
如图3所示,步骤二:根据负荷功率值的大小设置阈值,构建负荷功率值区分模型,将训练集分为标准负荷功率、高负荷功率、低负荷功率;
在本步骤中,所述阈值的确定方式为:计算训练集中负荷功率值的平均值和标准差,根据正态分布的性质,选择平均值加上2倍标准差作为高阈值,平均值减去2倍标准差作为低阈值。高负荷功率、标准负荷功率、低负荷功率的确定方式为:
高负荷功率>高阈值;
高阈值≥标准负荷功率≥低阈值;
低负荷功率≤低阈值。
所述时间信息,气象信息,突发事件信息和工业信息设置均依据测定情况设置有若干组,同时对若干组进行编序。
通过步骤二,可以根据负荷功率值的大小设置阈值,并将训练集划分为不同的负荷功率类别。同时,还可以设置其他信息,以便更好地建立负荷功率预测模型。这样可以提高模型的精度和适应性,使其能够更准确地预测不同负荷状态下的负荷功率。
例如,具体使用时,首先计算平均值和标准差:训练集中有100个样本数据,首先计算这100个样本数据的平均值和标准差。假设平均值为1000kW,标准差为50kW。
设置阈值:根据正态分布的性质,我们选择平均值加上2倍标准差作为高阈值,平均值减去2倍标准差作为低阈值。在本例中,高阈值为1000+2*50=1100kW,低阈值为1000-2*50=900kW。其次确定负荷功率类别:根据阈值的设定,我们可以将负荷功率分为三个类别:
高负荷功率:负荷功率值大于1100kW。
标准负荷功率:负荷功率值在900kW和1100kW之间(包括等于)。
低负荷功率:负荷功率值小于900kW。
如图4所示,步骤三:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序,将构建好的数据序列划分为训练集和测试集;
其中,对产生标准负荷功率的对应信息编序为:Δ=0;
其中,对产生高负荷功率的对应信息编序为:Δ=1;
其中,对产生低负荷功率的对应信息编序为:Δ=-1;
在本步骤中,对于每个时间点,根据负荷功率状态对应的信息,进行编序处理。将产生标准负荷功率的对应信息编序为Δ=0,将产生高负荷功率的对应信息编序为Δ=1,将产生低负荷功率的对应信息编序为Δ=-1,将编序后的时间信息、气象信息、突发事件信息和工业信息与负荷功率状态的编码Δ整理,构建好数据序列,将构建好的数据序列划分为训练集和测试集。通常可以按照时间顺序划分,将一部分数据作为训练集用于模型构建,将另一部分数据作为测试集用于模型评估。该编序方式有助于后续负荷功率预测模型的建立和分析。
例如:在某一时间点,负荷功率处于标准状态,对应的时间信息为周一上午10点,气象信息为晴天,突发事件信息为空,工业信息为正常运行。根据上述编序方式,我们将时间信息、气象信息、突发事件信息和工业信息与负荷功率状态的编码Δ组合在一起,得到编序后的数据为(周一上午10点,气象信息0,突发事件信息0,工业信息0);
在另一个时间点,负荷功率处于高负荷状态,对应的时间信息为周二下午2点,气象信息为高温,突发事件信息为空,工业信息为正常运行。根据编序方式,我们将时间信息、气象信息、突发事件信息和工业信息与负荷功率状态的编码Δ组合在一起,得到编序后的数据为(周二下午2点,气象信息1,突发事件信息0,工业信息0)。
同样地,对于低负荷状态的数据,可以使用编序方式得到对应的编序数据。
如图5所示,步骤四:对训练集使用递归神经网络RNN训练计算所述对应信息的权重值,计算公式为:
其中,ω为对应信息的权重值,pn为对应信息的当前负荷功率值,p标为对应信息的标准负荷功率值,n为对应信息的单个信息数量值;
在本步骤中,将训练集中的负荷功率值和对应的时间信息、气象信息、突发事件信息和工业信息作为RNN模型的输入。根据公式中的计算公式,定义目标函数,即计算对应信息的权重值的损失函数。使用训练集对RNN模型进行训练。训练完成后,可以得到对应信息的权重值,用于后续的负荷功率预测和分析。通过本步骤,能够捕捉到时间信息、气象信息、突发事件信息和工业信息对负荷功率的影响,从而提高负荷功率预测的准确性。可以灵活地调整权重值的计算方式,根据实际需求对不同信息的重要性进行加权处理。RNN模型能够处理序列数据,适用于负荷功率预测这种具有时序关系的问题。
步骤五:对训练集使用递归神经网络RNN训练,形成负荷功率序列模型:
p总=ω1p标1+ω2p标2+ω3p标3+......+ωxp标x
其中,ω1,ω2,ω3,ωx为对应信息的权重值,p标1,p标2,p标3,p标x,为对应信息的标准负荷功率值;
将步骤四中获得的对应信息的权重值与与对应信息的标准负荷功率值的乘积,代表该状态下负荷功率值的大小,可为正值,也可为负值,多个信息下的负荷功率值得和,即为该时段下负荷功率总值。
步骤六:使用混合粒子群优化(HPSO)算法对负荷功率序列模型的参数进行优化;
所述优化步骤包括:
初始化粒子群的位置和速度;
其中,位置表示模型参数的取值,速度表示参数的变化速率;以及
使用RMSE作为适应度函数,计算每个粒子的适应度,RMSE的公式如下:
其中,f(xi)表示模型预测值,yi表示实际值,N表示样本数量;
更新粒子的速度和位置:
v(t+1)=wv(t)+c1r1(pbest-x(t))+c2 r2*(gbest-x(t))
其中,其中,v(t)表示粒子的当前速度,x(t)表示粒子的当前位置,w是惯性权重,c1和c2是学习因子,r1是一个随机数,pbest表示粒子的个体最优位置,gbest表示粒子群的全局最优位置;
更新个体最优位置和全局最优位置:根据粒子群的当前位置和适应度值,更新个体最优位置和全局最优位置。对于每个粒子,如果当前位置的适应度值优于个体最优位置的适应度值,则更新个体最优位置为当前位置。如果当前位置的适应度值优于全局最优位置的适应度值,则更新全局最优位置为当前位置。
重复上述步骤,输出最优参数。
步骤七:使用测试集对负荷功率序列模型评估,计算预测结果与真实值之间的误差,根据评估结果对模型进行调整和优化。
在本实施例使用时,收集和整理电力系统的历史负荷功率数据,并获取相关特征信息,考虑多个特征信息,提供更全面的负荷功率预测依据。后特征选择和权重计算,建立区分负荷功率模型,并采用RNN模型训练和HPSO参数优化,针对不同负荷状态建立相应的模型,提高预测准确性和可靠性,RNN模型捕捉负荷功率序列的时序关系和非线性特征,具有记忆能力。通过计算对应信息的权重值,加权处理不同特征信息,提高预测准确性。HPSO参数优化全局搜索最优解,优化负荷功率序列模型参数,提高预测性能。最后通过评估和调整,获得电力系统负荷功率准确预测模型。
实施例2::一种基于RNN和HPSO的电力系统负荷功率预测系统,包括:
输入模块:配置为:手动输入对应信息;
负荷功率值区分模块:配置为:根据负荷功率值的大小将训练集分为标准负荷功率、高负荷功率、低负荷功率;
编序模块:配置为:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序;
权重值计算模块:配置为:对训练集使用递归神经网络RNN训练计算所述对应信息的权重值;
参数优化模块:配置为:使用混合粒子群优化(HPSO)算法对负荷功率序列模型的参数进行优化;
显示模块:配置为语音播报及显示屏显示。
实施例3一种基于RNN和HPSO的电力系统负荷功率预测装置,
所述电力系统负荷功率预测装置与基于RNN和HPSO的电力系统负荷功率预测系统通讯连接。
实施例4一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例1所述方法。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此发明的原理和新颖的特征一致的最宽范围。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (8)
1.基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,包括:
步骤一:获取历史电力系统负荷功率值及负荷功率值的对应信息,对应信息包括:时间信息,气象信息,突发事件信息,工业信息;并对数据进行清洗和处理;
步骤二:根据负荷功率值的大小设置阈值,构建负荷功率值区分模型,将训练集分为标准负荷功率、高负荷功率、低负荷功率;
步骤三:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序,将构建好的数据序列划分为训练集和测试集;
其中,对产生标准负荷功率的对应信息编序为:Δ=0;
其中,对产生高负荷功率的对应信息编序为:Δ=1;
其中,对产生低负荷功率的对应信息编序为:Δ=-1;
步骤四:对训练集使用RNN训练计算所述对应信息的权重值,计算公式为:
其中,ω为对应信息的权重值,pn为对应信息的当前负荷功率值,p标为标准负荷功率,n为对应信息的单个信息数量值;
步骤五:对训练集使用RNN训练,形成负荷功率序列模型:
p总=(ω1+1)p标1+(ω2+1)p标2+(ω1+1)p标2+......+(ωx+1)p标x
其中,ω1,ω2,ω3,ωx为对应信息的权重值,p1,p2,p3,px,为对应信息的标准负荷功率值;
步骤六:使用HPSO算法对负荷功率序列模型的参数进行优化;
步骤七:使用测试集对负荷功率序列模型评估,计算预测结果与真实值之间的误差,根据评估结果对模型再度调整和优化。
2.根据权利要求1所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,所述阈值的确定方式为:
计算训练集中负荷功率值的平均值和标准差,根据正态分布的性质,选择平均值加上2倍标准差作为高阈值,平均值减去2倍标准差作为低阈值。
3.根据权利要求2所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,所述高负荷功率、标准负荷功率、低负荷功率的确定方式为:
高负荷功率>高阈值;
高阈值≥标准负荷功率≥低阈值;
低负荷功率≤低阈值。
4.根据权利要求1所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于:所述时间信息,气象信息,突发事件信息和工业信息设置均依据测定情况设置有若干组,同时对若干组进行编序。
5.根据权利要求1所述的基于RNN和HPSO的电力系统负荷功率预测方法,其特征在于,所述优化步骤包括:
初始化粒子群的位置和速度;
其中,位置表示模型参数的取值,速度表示参数的变化速率;以及
使用RMSE作为适应度函数,计算每个粒子的适应度,RMSE的公式如下:
其中,f(xi)表示模型预测值,yi表示实际值,N表示样本数量;
更新粒子的速度和位置,
v(t+1)=wv(t)+c1r1(pbest-x(t))+c2 r2*(gbest-x(t))
其中,其中,v(t)表示粒子的当前速度,x(t)表示粒子的当前位置,w是惯性权重,c1和c2是学习因子,r1是一个随机数,pbest表示粒子的个体最优位置,gbest表示粒子群的全局最优位置;
更新个体最优位置和全局最优位置;
重复上述步骤,输出最优参数。
6.一种基于RNN和HPSO的电力系统负荷功率预测系统,其特征在于,包括:
输入模块:配置为:手动输入对应信息;
负荷功率值区分模块:配置为:根据负荷功率值的大小将训练集分为标准负荷功率、高负荷功率、低负荷功率;
编序模块:配置为:对标准负荷功率序列、高负荷功率序列、低负荷功率序列对应的时间信息,气象信息,突发事件信息和工业信息进行编序;
权重值计算模块:配置为:对训练集使用RNN训练计算所述对应信息的权重值;
参数优化模块:配置为:使用HPSO算法对负荷功率序列模型的参数进行优化;
显示模块:配置为语音播报及显示屏显示。
7.一种基于RNN和HPSO的电力系统负荷功率预测装置,其特征在于,
所述电力系统负荷功率预测装置与权利要求6所述的基于RNN和HPSO的电力系统负荷功率预测系统通讯连接。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453208.4A CN117674078A (zh) | 2023-11-02 | 2023-11-02 | 基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453208.4A CN117674078A (zh) | 2023-11-02 | 2023-11-02 | 基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117674078A true CN117674078A (zh) | 2024-03-08 |
Family
ID=90085359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311453208.4A Pending CN117674078A (zh) | 2023-11-02 | 2023-11-02 | 基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117674078A (zh) |
-
2023
- 2023-11-02 CN CN202311453208.4A patent/CN117674078A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN117674078A (zh) | 基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 |
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 |