CN104299043A - 极限学习机超短期负荷预测方法 - Google Patents
极限学习机超短期负荷预测方法 Download PDFInfo
- Publication number
- CN104299043A CN104299043A CN201410265989.9A CN201410265989A CN104299043A CN 104299043 A CN104299043 A CN 104299043A CN 201410265989 A CN201410265989 A CN 201410265989A CN 104299043 A CN104299043 A CN 104299043A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- short
- data
- term load
- 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 10
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013277 forecasting method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000005054 agglomeration Methods 0.000 abstract description 5
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种极限学习机超短期负荷预测方法,通过建立极限学习机模型,将采集数据输入模型,能够实现对重点行业、产业集聚实时监测数据,运用极限学习机算法进行重点行业用户短期负荷预测,监测分析重点行业负荷变化特性,预警企业用电模式变动。
Description
技术领域
本发明涉及一种极限学习机超短期负荷预测方法。
背景技术
电力***,电力调度领域,通常根据负荷曲线进行调度,参考包括日负荷曲线、月负荷曲线、年负荷曲线等等。随着计算机技术、信息技术的不断发展,如河南省,已经建立了用电信息采集***应用平台及调度EMS***(能量管理***)、调度TMR(电量计量***),通过数据共享,对省内部分重点行业、产业集聚区的售电量、负荷等关键信息进行实时监测。
在此背景下,对重点行业、产业集聚区的用电信息监测、短期预测、超短期预测都有监测分析重点行业负荷变化特性,预警企业、乃至行业用电模式变动的重要意义。
发明内容
本发明的目的是提供一种极限学习机超短期负荷预测方法,用以解决如何实现用电负荷超短期预测的问题。
为实现上述目的,本发明的方案包括:
一种极限学习机超短期负荷预测方法,步骤如下:
1)采集目标日负荷数据;
2)将目标日负荷数据作为输入层参数带入建立好的极限学习机模型,通过训练确定模型中的参数;
3)把数据输入到经过训练的极限学习机模型进行预测。
极限学习机模型由输入层,隐含层和输出层三层组成,设训练数据组的样本个数为n,SLFN有l层隐含节点,用sigmoid函数作为激活函数,则其输
出函数为: (9),即Hβ=T(10)。
对一个训练数据集合,给定激活函数和隐含层节点数,主要包括:随机产生输入权值向量wj和bj,1≤j≤l;计算隐含层输出矩阵H;计算输出权值矩阵β=H+T;H+是H的广义逆矩阵;采用奇异值分解的方法H。
本发明能够实现对重点行业、产业集聚实时监测数据,运用极限学习机算法进行重点行业用户短期负荷预测,监测分析重点行业负荷变化特性,预警企业用电模式变动。
附图说明
图1是极限学习机预测模型图;
图2是极限学习机算法流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明运用极限学习机算法,建立目标行业或企业用电负荷超短期预测模型。
极限学习机(Extreme Learning Machine,ELM)是一种简单易用、有效的单隐层前馈神经网络(SLFNs)学习算法。传统的神经网络学习算法(如BP神经网络)需要人为设置大量的网络训练参数,并且很容易产生局部最优解,而极限学习机只需要设置网络的隐含层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解。
一个单隐层前馈神经网络SLFN包括三层:输入层,隐含层和输出层。其模型如图1所示。假设训练数据组的样本个数为n,SLFN有l层隐含节点,用sigmoid函数作为激活函数,则其输出函数为: (9)
ELM完全不同于传统的迭代学习算法,因为它随机选取输入权值向量w和隐含层的偏差b,并且能利用最小二乘法分析计算输出权值β。在这种情况下,仍然可以用更好的概括性能来减小训练误差。
根据ELM理论,(9)式可简化为:
Hβ=T (10)
对一个训练数据集合,给定激活函数和隐含层节点数,ELM算法可总结为以下三个主要的步骤:
1)随机产生输入权值向量wj和bj,1≤j≤l;
2)计算隐含层输出矩阵H;
3)计算输出权值矩阵β=H+T
H+是H的广义逆矩阵。
计算H+的广义逆矩阵的方法有多种,其中奇异值分解由于其普遍性而被认为是最合适的方法。相比于传统的ANN算法,ELM算法在训练过程中不需要调整网络的输入权值,因此其训练速度可以快几千倍。
本发明中,为了对目标行业或者企业进行监测,首先对预测模型中的参数通过训练获得。为了进行超短期预测,首先采集日负荷,采样周期和采样点数可以根据需要进行设定,如每日采样96个点,采样频率f=0.00067Hz。将采集到的负荷数据作为输入数据带入ELM模型。根据输出方式,可以进行对第二天进行预测,或者对当天下一个点进行预测。
通过***采集的企业用电负荷数据,运用极限学习机预测方法进行负荷预测,分析负荷预测结果,能够预测企业用电负荷的变化,对负荷变动较大的企业进行提前预警,防范电网企业经营风险。
采集的数据可以来源于运营监测(控)平台。利用公司用电信息采集***应用平台及调度EMS***(能量管理***)、调度TMR(电量计量***),通过数据共享,建立运营监测(控)数据平台实时监测收集重点行业、产业集聚区的售电量、负荷等关键信息。数据采集***为保证数据质量,进行三次采集数据并校核。数据采集***第一次采集数据后,***自动对数据进行校核,对于未采集到数据和较昨日偏差较大的数据进行补充采集并校核,第二天通过数据采集***对前一天数据再进行一次采集并进行校核,数据经过以上三次采集校核后确认正确。
在数据采集的基础上进行输入数据清理。电力负荷数据经过三次采集校核后,***依然存在数据缺值情况。***采取标准差不变法对***缺值进行填充,填充后的数据标准差将保持不变。对于***采集的异常或噪声数据,***采用聚类法进行清除。聚类是基于距离的,其标准是类间的距离最大,而类内的距离最小。很小的聚类具有到其他类较大的距离,很有可能是异常点。本***采用k值聚类方法。
以上给出了具体的实施方式,但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案,对本领域普通技术人员而言,根据本发明的教导,设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (3)
1.一种极限学习机超短期负荷预测方法,其特征在于,步骤如下:
1)采集目标日负荷数据;
2)将目标日负荷数据作为输入层参数带入建立好的极限学习机模型,通过训练确定模型中的参数;
3)把数据输入到经过训练的极限学习机模型进行预测。
2.根据权利要求1所述的一种极限学习机超短期负荷预测方法,其特征在于,极限学习机模型由输入层,隐含层和输出层三层组成,设训练数据组的样本个数为n,SLFN有l层隐含节点,用sigmoid函数作为激活函数,则其
输出函数为: (9),即Hβ=T(10)。
3.根据权利要求2所述的一种极限学习机超短期负荷预测方法,其特征在于,对一个训练数据集合,给定激活函数和隐含层节点数,主要包括:随机产生输入权值向量wj和bj,1≤j≤l;计算隐含层输出矩阵H;计算输出权值矩阵β=H+T;H+是H的广义逆矩阵;采用奇异值分解的方法H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410265989.9A CN104299043A (zh) | 2014-06-13 | 2014-06-13 | 极限学习机超短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410265989.9A CN104299043A (zh) | 2014-06-13 | 2014-06-13 | 极限学习机超短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104299043A true CN104299043A (zh) | 2015-01-21 |
Family
ID=52318764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410265989.9A Pending CN104299043A (zh) | 2014-06-13 | 2014-06-13 | 极限学习机超短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104299043A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700205A (zh) * | 2015-02-10 | 2015-06-10 | 广东电网有限责任公司电力科学研究院 | 一种改变电网网络拓扑结构及选择并联补偿装置的方法 |
CN104850918A (zh) * | 2015-06-02 | 2015-08-19 | 国网山东省电力公司经济技术研究院 | 一种计及电网拓扑约束的节点负荷预测方法 |
CN105160437A (zh) * | 2015-09-25 | 2015-12-16 | 国网浙江省电力公司 | 基于极限学习机的负荷模型预测方法 |
CN105160441A (zh) * | 2015-10-16 | 2015-12-16 | 江南大学 | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 |
CN109858103A (zh) * | 2019-01-10 | 2019-06-07 | 杭州市电力设计院有限公司 | 用于配电网的电动汽车充电站负载建模方法 |
CN111126659A (zh) * | 2019-11-18 | 2020-05-08 | 国网安徽省电力有限公司六安供电公司 | 一种电力负荷预测方法及*** |
-
2014
- 2014-06-13 CN CN201410265989.9A patent/CN104299043A/zh active Pending
Non-Patent Citations (1)
Title |
---|
王伟等: ""基于极限学习机的短期电力负荷预测"", 《计算机仿真》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700205A (zh) * | 2015-02-10 | 2015-06-10 | 广东电网有限责任公司电力科学研究院 | 一种改变电网网络拓扑结构及选择并联补偿装置的方法 |
CN104700205B (zh) * | 2015-02-10 | 2018-05-04 | 广东电网有限责任公司电力科学研究院 | 一种改变电网网络拓扑结构及选择并联补偿装置的方法 |
CN104850918A (zh) * | 2015-06-02 | 2015-08-19 | 国网山东省电力公司经济技术研究院 | 一种计及电网拓扑约束的节点负荷预测方法 |
CN104850918B (zh) * | 2015-06-02 | 2018-05-01 | 国网山东省电力公司经济技术研究院 | 一种计及电网拓扑约束的节点负荷预测方法 |
CN105160437A (zh) * | 2015-09-25 | 2015-12-16 | 国网浙江省电力公司 | 基于极限学习机的负荷模型预测方法 |
CN105160441A (zh) * | 2015-10-16 | 2015-12-16 | 江南大学 | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 |
CN105160441B (zh) * | 2015-10-16 | 2018-11-16 | 江南大学 | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 |
CN109858103A (zh) * | 2019-01-10 | 2019-06-07 | 杭州市电力设计院有限公司 | 用于配电网的电动汽车充电站负载建模方法 |
CN109858103B (zh) * | 2019-01-10 | 2023-10-31 | 杭州市电力设计院有限公司 | 用于配电网的电动汽车充电站负载建模方法 |
CN111126659A (zh) * | 2019-11-18 | 2020-05-08 | 国网安徽省电力有限公司六安供电公司 | 一种电力负荷预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Forecasting China’s energy demand and self-sufficiency rate by grey forecasting model and Markov model | |
Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
CN110298138B (zh) | 一种综合能源***优化方法、装置、设备及可读存储介质 | |
CN104299043A (zh) | 极限学习机超短期负荷预测方法 | |
Mohamed et al. | Real-time energy management scheme for hybrid renewable energy systems in smart grid applications | |
Qingle et al. | Very short-term load forecasting based on neural network and rough set | |
CN104299031A (zh) | Bp神经网络超短期负荷预测方法 | |
Lv et al. | Short‐term transmission maintenance scheduling based on the benders decomposition | |
CN107124394A (zh) | 一种电力通信网络安全态势预测方法和*** | |
Zhang et al. | Cost-oriented load forecasting | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN104077651B (zh) | 电网检修计划优化方法 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN110334879A (zh) | 电网母线无功负荷预测方法及装置 | |
CN104376372A (zh) | 基于源网荷互动模式的智能配电网调度业务优化方法 | |
CN107145968A (zh) | 基于bp神经网络的光伏设备生命周期费用预测方法及*** | |
CN117200190A (zh) | 一种电力物联网电力负荷预测方法 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN106777494B (zh) | 一种电力***可靠性影响因素灵敏度计算方法 | |
Aragón et al. | Optimization Framework for short-term control of Energy Storage Systems | |
Gui et al. | Intra-day unit commitment for wind farm using model predictive control method | |
Tomin et al. | Flexibility-based improved energy hub model for multi-energy distribution systems | |
Bu et al. | Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands | |
Hur et al. | An Enhanced Short-term Forecasting of Wind Generating Resources based on Edge Computing in Jeju Carbon-Free Islands | |
Ao | Integrated service system for multi-power business scenarios based on micro-service architecture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150121 |