CN106651020B - 一种基于大数据简约的短期电力负荷预测方法 - Google Patents

Abstract

本发明提供一种基于大数据简约的短期电力负荷预测方法，所述方法包括：首先利用Lasso原理将大数据中冗余数据和坏数据进行剔除，然后通过主成分分析PCA对环境因素变量进行降维及特征提取。提取的特征向量以及简约处理后的历史负荷数据共同作为Elman神经网络的输入进行训练预测。本发明方法明显提高了短期电力负荷的预测精度和速度。

Description

一种基于大数据简约的短期电力负荷预测方法

技术领域

本发明涉及电力负荷预测技术领域，特别是涉及一种基于大数据简约的短期电力负荷预测方法。

背景技术

电力负荷预测是供电部门的重要工作之一，是保证电力***可靠供电和安全运行的前提。准确的负荷预测可以经济合理地安排电网内部发电机组的启停，做到提高经济效益和社会效益。面对如今智能电网的快速发展，电力负荷影响因素增加，数据呈指数级增长，逐步构成了大数据多维化的特点，传统的数据分析模式已无法满足需求。如何做到高效准确的预测此特点的电力负荷成为现在解决的关键问题。目前的短期电力负荷预测模型中，应用较广泛的BP神经网络是利用静态前馈网络对动态网络进行辨识，将动态时间建模问题变为静态空间建模问题从而使得预测精度较低，而且训练时需要大量的样本数据，使得预测速度也较慢，这都将导致电力的运行成本大幅增加，即面对电力负荷的大数据特点，当前的短期负荷预测方法已不能完全满足智能电网的需求。因此，我们提出了一种基于大数据简约的短期电力负荷预测方法。

发明内容

本发明目的在于提供一种智能电网下明显提高短期电力负荷的预测精度和速度的基于大数据简约的短期电力负荷预测方法。

为实现上述目的，采用了以下技术方案，本发明方法包括以下步骤：

步骤1，选择预测日之前的n个同类型日期的采样点负荷序列，每个日期的采样点为48点，即每30min采样一次；

步骤2，获取选择n个同类型日期及预测日的影响负荷相关天气因素数据；

步骤3，利用最小绝对值收缩(Lasso)原理将获取的原始电力负荷及相关天气因素大数据进行高维数据简约，剔除坏数据，获得有用的负荷序列；

步骤4，通过主成分分析(PCA)对天气环境因素变量进行降维及特征提取，获取环境特征因子；

步骤5，建立Elman动态神经网络短期电力负荷预测模型，将提取的特征向量以及历史负荷数据共同作为Elman神经网络的输入进行训练预测，通过Elman方法预测第n+1天的各时刻的负荷值。

所述步骤2中的相关天气因素负荷数据包括：晴天(X1)、阴天(X2)、雨天(X3)、最高气温(X4)、最低气温(X5)、气压(X6)、湿度(X7)、辐射(X8)、风速(X9)、云量(X10)等10个，这10个相关的天气因素数据将作为仿真数据输入；

所述步骤3)中的最小绝对值收缩(Lasso)原理如下：

利用Lasso算法对负荷大数据进行数据挖掘，剔除冗余数据，从而为负荷预测算法提供简约而有效的特征数据；Lasso方法是一种压缩估计，通过构造一个罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零，因此保留了子集收缩的特点；

设有线性回归模型：

y＝α+β₁x₁+β₂x₂+…+β_px_p+ε (1)

式中，α为常数项；β₁,β₂,…β_p为回归系数；ε是随机扰动项；(x_i1,x_i2,...,x_ip；y_i)，i＝1,2,...,n是变量的n组观测值，需满足

其中j＝1,2,...,p；

常数项和回归系数的Lasso估计定义为：

数据降维的具体过程如下：

(a)约束条件：

s为惩罚函数；

(b)令

表示β_j的最小二乘估计，则有

(c)当s值不断增大，进入回归模型的数据就会增多，当达到某个值时，所有数据都会进入回归模型；当s值减小到一定程度，某些回归系数的估计值为0，模型提出系数为0的变量，从而达到降维的目的。

步骤4中，主成分分析主要目的是对电力负荷预测中气象数据降维处理，提取多天气因素特征指标，与历史负荷数据共同作为建模对象，使建立的特征量既全面表征各因素对电力负荷的影响，又能简化预测模型；

假定有n个样本，每个样本共有p个变量，构成一个n×p阶的数据矩阵

具体过程如下：

(a)数据标准化——将原始数据指标标准化为[0,1]之间的有效数据；

(b)计算相关系数矩阵

式中，rij(i，j＝1，2，…，p)为原变量xi与xj之间的相关系数，其计算公式为：

因为R是实对称矩阵(即rij＝rji)，所以只需计算上三角元素或下三角元素；

(c)计算特征值与特征向量

首先解特征方程|λI-R|＝0，通常用雅可比法求出特征值λ_i(i＝1,2,…,p)，并使其按大小顺序排列，即λ₁≥λ₂≥…,≥λ_p≥0；然后分别求出对应于特征值λ_i的特征向量a_i(i＝1,2,…,p)；

(d)计算主成分贡献率及累计贡献率

对m个主成分进行综合评价及加权求和

f＝w₁z₁+w₂z₂+…+w_mz_m (7)

式中，wi为主成分的贡献率，计算公式为：

贡献率所代表的是第i个主成分所占原始指标信息量的百分比，所以第一主成分应该所占比重最大，然后逐次递减。前m个主成分累计方差贡献率为：

为了达到降维的目的，当前m个主成分的累计贡献率达到85％以上，就可以用前m个主成分来替代原来的p个评价指标；

(e)新样本矩阵的构造:定义：记x1，x2，…，xP为原变量指标，z1，z2，…，zm(m≤p)为新变量指标，根据式(12)和式(13)计算每一个主成分的各样本值；

步骤5中，具体预测方法如下：

Elman神经网络是在BP的前馈网络隐含层中增加一个承接层，作为一步延时算子，以达到记忆的目的，通过存储内部状态，使其具备动态特性的功能，从而使得***具有适应突变事件的特性；

Elman网络的非线性状态空间表达式为:

式中，k为神经网络训练的次数；y为n维输出向量；x为隐层神经元输出向量；u为输入向量；xc为反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值。g为输出神经元的传递函数，是中间层输出的线性组合；f为隐层神经元的传递函数，常采用s函数；

Elman网络也采用BP算法进行权值修正，学***方和函数：

式中，

为目标输入向量。

与现有技术相比，本发明方法具有如下优点：

1、利用Lasso原理可以将智能电网大数据中冗余数据和坏数据进行剔除，使其数据更有效简约；

2、引入Lasso-PCA对电力负荷预测中的气象数据进行降维处理，提取多天气因素特征量，与历史负荷数据共同作为建模对象，使建立的特征量既全面表征各因素对电力负荷的影响，又能简化预测输入数据，同时采用动态Elman神经网络预测模型，明显提高电力负荷预测的精确度和速度。

附图说明

图1是本发明方法的流程示意图。

图2是本发明方法的Elman神经网络结构图。

图3是本发明方法对10个环境变量因子进行主成分分析的结果图。

图4是不同方法下的预测负荷曲线与实际负荷曲线的对比图。

图5是不同方法下的预测误差对比图。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，本发明提供一种基于大数据简约的短期电力负荷预测方法，包括以下步骤：

1)选择预测日前n个同类型日期的48点(每30min采样一次)的负荷序列；

2)获取选择n个同类型日期及预测日的影响负荷因素数据；

3)利用最小绝对值收缩(Lasso)原理将获取的原始电力负荷及相关天气因素大数据进行高维数据简约，剔除坏数据，获得有用数据集；

4)通过主成分分析(PCA)对环境因素变量进行降维及特征提取，获取环境特征因子；

5)建立Elman动态神经网络短期电力负荷预测模型，将提取的特征向量以及历史负荷数据共同作为Elman神经网络的输入进行训练预测。

如图2所示，Elman神经网络一般分为4层：输入层，中间层(隐含层)，承接层和输出层。输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层用于记忆隐层的过去态，并在下一时刻联同网络输入一起作为隐含层单元的输入，使得网络具有动态记忆功能，从而达到了动态建模的目的。

应用实例：

以某省的电力负荷数据为依据建立PCA-Elman预测模型对这一地区的日负荷进行预测，选择这一地区2004年3月1日～3月8日的电力负荷数据(y)及晴天(X1)、阴天(X2)、雨天(X3)、最高气温(X4)、最低气温(X5)、气压(X6)、湿度(X7)、辐射(X8)、风速(X9)、云量(X10)等10个相关的环境因素数据作为仿真数据。预测时，将前7天的数据作为训练样本，每前3天的负荷序列作为输入向量，第4天的负荷序列作为目标向量，依此规律共得到4组训练样本对本模型进行样本训练，最后将第8天的数据作为网络的测试样本，验证网络模型的准确性。

预测过程按照图1所述流程图进行。对输入负荷序列利用Lasso原理进行不良数据处理，使输入数据达到准确简约，然后利用PCA对电力负荷预测中的气象数据进行降维处理，提取多天气因素特征量，与简约后的历史负荷数据共同作为建模对象，输入到Elman神经网络模型中从而进行负荷预测。Elman神经网络结构图如图2所示。

如图3是对10个环境变量因子进行主成分分析的结果图，按主成分特征值由大到小排列，得到前3个主成分累计方差贡献率可达到85％以上，说明了前3个主成分几乎包含了全部影响因素所具有的信息，根据贡献率大于85％(特征值大于1)的原则选取新因子，选择前3个特征值并计算相应的特征向量，作为动态神经网络的输入。

如图4、图5所示分别为不同方法下的预测负荷曲线与实际负荷曲线的对比图和各方法下的预测误差对比图，通过此方法较其他预测方法对短期电力负荷进行预测时更具准确性。

如上所述，该方法首先利用Lasso原理将大数据中冗余数据和坏数据进行剔除，然后通过主成分分析PCA对环境因素变量进行降维及特征提取。提取的特征向量以及简约处理后的历史负荷数据共同作为Elman神经网络的输入进行训练预测，最终得到与之前预测方法相比较为准确的预测结果。该方法的提出为智能电网下的电力***短期负荷预测提供了一种新思路。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于大数据简约的短期电力负荷预测方法，其特征在于，所述方法包括以下步骤：

步骤1，选择预测日之前的n个同类型日期的采样点负荷序列；每个日期的采样点为48点，即每30min采样一次；

步骤2，获取选择n个同类型日期及预测日的影响负荷相关天气因素数据；

步骤3，利用最小绝对值收缩(Lasso)原理将获取的原始电力负荷及相关天气因素大数据进行高维数据简约，剔除坏数据，获得有用的负荷序列；

步骤4，通过主成分分析(PCA)对天气环境因素变量进行降维及特征提取，获取环境特征因子；

步骤5，建立Elman动态神经网络短期电力负荷预测模型，将提取的特征向量以及历史负荷数据共同作为Elman神经网络的输入进行训练预测，通过Elman方法预测第n+1天的各时刻的负荷值。

2.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于：所述相关天气因素负荷数据包括晴天X1、阴天X2、雨天X3、最高气温X4、最低气温X5、气压X6、湿度X7、辐射X8、风速X9、云量X10，上述10个天气因素负荷数据将作为仿真数据输入。

3.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于，步骤3中，最小绝对值收缩(Lasso)原理的具体方法如下：

设有线性回归模型：

y＝α+β₁x₁+β₂x₂+…+β_px_p+ε (1)

式中，α为常数项；β₁,β₂,…β_p为回归系数；ε是随机扰动项；(x_i1,x_i2,...,x_ip；y_i)，i＝1,2,...,n是变量的n组观测值，需满足

其中j＝1,2,...,p；

常数项和回归系数的Lasso估计定义为：

数据降维的具体过程如下：

(a)约束条件：

s为惩罚函数；

(b)令

表示β_j的最小二乘估计，则有

(c)当s值不断增大，进入回归模型的数据就会增多，当达到某个值时，所有数据都会进入回归模型；当s值减小到一定程度，某些回归系数的估计值为0，模型提出系数为0的变量，从而达到降维的目的。

4.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于，步骤4中，假定有n个样本，每个样本共有p个变量，构成一个n×p阶的数据矩阵

具体过程如下：

(a)数据标准化——将原始数据指标标准化为[0,1]之间的有效数据；

(b)计算相关系数矩阵

式中，r_ij(i，j＝1，2，…，p)为原变量x_i与x_j之间的相关系数，其计算公式为：

因为R是实对称矩阵(即r_ij＝r_ji)，所以只需计算上三角元素或下三角元素；

(c)计算特征值与特征向量

首先解特征方程|λI-R|＝0，通常用雅可比法求出特征值λ_i(i＝1,2,…,p)，并使其按大小顺序排列，即λ₁≥λ₂≥…,≥λ_p≥0；然后分别求出对应于特征值λ_i的特征向量a_i(i＝1,2,…,p)；

(d)计算主成分贡献率及累计贡献率

对m个主成分进行综合评价及加权求和

f＝w₁z₁+w₂z₂+…+w_mz_m (7)

式中，w_i为主成分的贡献率，计算公式为：

贡献率所代表的是第i个主成分所占原始指标信息量的百分比，所以第一主成分应该所占比重最大，然后逐次递减；前m个主成分累计方差贡献率为：

为了达到降维的目的，当前m个主成分的累计贡献率达到85％以上，就可以用前m个主成分来替代原来的p个评价指标；

(e)新样本矩阵的构造:定义：记x₁，x₂，…，x_p为原变量指标，z₁，z₂，…，z_m(m≤p)为新变量指标，根据式(12)和式(13)计算每一个主成分的各样本值；

5.根据权利要求1所述的一种基于大数据简约的短期电力负荷预测方法，其特征在于，步骤5中，具体预测方法如下：

Elman网络的非线性状态空间表达式为:

式中，k为神经网络训练的次数；y为n维输出向量；x为隐层神经元输出向量；u为输入向量；x_c为反馈状态向量；w₃为中间层到输出层连接权值；w₂为输入层到中间层连接权值；w₁为承接层到中间层的连接权值；g为输出神经元的传递函数，是中间层输出的线性组合；f为隐层神经元的传递函数，常采用s函数；

Elman网络也采用BP算法进行权值修正，学***方和函数：

式中，

为目标输入向量。

Images