CN109063902A - 一种短期负荷预测方法、装置、设备及存储介质 - Google Patents
一种短期负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109063902A CN109063902A CN201810784848.6A CN201810784848A CN109063902A CN 109063902 A CN109063902 A CN 109063902A CN 201810784848 A CN201810784848 A CN 201810784848A CN 109063902 A CN109063902 A CN 109063902A
- Authority
- CN
- China
- Prior art keywords
- dbn network
- short
- dbn
- subsequence
- prediction model
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims description 37
- 230000002354 daily effect Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000003203 everyday effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 63
- 238000000034 method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 241000083513 Punctum Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 230000002123 temporal 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
-
- 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
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种短期负荷预测方法,首先获取历史负荷数据,然后基于集成经验模态分解对历史负荷数据进行分解得到多个子序列,其次选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型,最后利用DBN网络预测模型和各子序列对短期负荷进行预测,采用本方案,由于将历史负荷数据进行了分解得到子序列,从一定程度上降低了负荷数据的复杂特性(高度非线性和非平稳性),因此,采用DBN网络预测模型和低复杂特性的负荷数据的子序列对短期负荷进行预测,本方案对短期负荷的预测精度更高,对电网运行调度的正常运行提供了很大的保障。此外,本发明还公开了一种短期负荷预测装置、设备及存储介质,效果如上。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种短期负荷预测方法、装置、设备及存储介质。
背景技术
负荷预测是电网运行调度的重要部分,是确保电力***既能做到安全又能兼顾经济运行的重要依据,电力负荷预测不仅要考虑负荷的变化,还要考虑温度、湿度等影响负荷变化的因素,因此,建立完善的负荷预测模型是至关重要的。
目前,用于短期负荷预测的预测模型包括:时间序列模型、人工智能模型、混合模型、BP神经网络模型以及DBN网络模型,与传统的BP神经网络模型相比,深度置信网络(DBN)采用贪心逐层训练方式可训练多隐含层网络结构与参数,有效解决了传统BP神经网络难以建立多隐含层网络的难题,而与常规的DBN网络模型相比,采用纵横交叉算法优化后的DBN网络模型弥补了网络参数陷入局部最优的缺陷,提高了DBN网络的泛化能力,所以可用于短期负荷预测。然而,由于负荷序列具有的高度非线性和非平稳性的复杂特性,而DBN网络模型(DBN网络模型或采用纵横交叉算法优化后的DBN网络模型)很难处理高复杂特性的负荷序列,因此采用单一的DBN网络模型(DBN网络模型或采用纵横交叉算法优化后的DBN网络模型)对短期负荷的预测并不是很精确,从而影响电网运行调度的正常运行。
因此,如何提高对短期负荷进行预测的精确度以保证电网运行调度的正常运行是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于公开一种短期负荷预测方法、装置、设备及存储介质,提高了对短期负荷进行预测的精确度,保证了电网运行调度的正常运行。
为实现上述目的,本发明实施例公开了如下技术方案:
第一,本发明实施例公开了一种短期负荷预测方法,包括:
获取历史负荷数据;
基于集成经验模态分解对所述历史负荷数据进行分解得到多个子序列;
选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型;
利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测。
优选的,所述基于集成经验模态分解对所述历史负荷数据进行分解得到子序列包括:
在与所述历史负荷数据对应的每天的时间序列中添加高斯白噪声序列;
将添加所述高斯白噪声序列的每天的时间序列分解为IMF分量;
计算添加所述高斯白噪声序列的每天的时间序列与所述IMF分量的第一差值以将所述第一差值作为剩余分量;
将所述剩余分量作为待分解时间序列并重复上述步骤直至最终的剩余分量小于或等于预设值时停止分解,最终得到与所述每天的时间序列对应的多个IMF分量和最终的剩余分量,所述历史负荷数据中的每一天对应一个子序列,各所述子序列均包括:与所述每天的时间序列对应的多个IMF分量和最终的剩余分量。
优选的,所述将添加所述高斯白噪声序列的每天的时间序列分解为IMF分量包括:
识别添加所述高斯白噪声序列的每天的时间序列的极大值点和极小值点;
拟合与所述极大值点对应的第一包络线和与所述极小值点对应的第二包络线;
利用所述第一包络线和所述第二包络线计算目标余量;
计算添加所述高斯白噪声序列的时间序列与所述目标余量的第二差值;
判断所述第二差值是否满足IMF条件;
若是,则将所述第二差值作为IMF分量;
若否,则重复上述步骤直到所述第二差值满足所述IMF条件。
优选的,所述选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型包括:
从历史负荷数据中选取训练样本。
根据与所述训练样本对应的子序列确定所述DBN网络的训练参数;
利用所述训练参数和所述训练样本确定所述DBN网络的最优解;
将所述最优解作为与所述DBN网络对应的权值以得到所述DBN网络预测模型,子序列中的个IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。
优选的,所述利用所述训练参数和所述训练样本确定所述DBN网络的最优解包括:
确定所述训练参数中的初始种群规模以及最大迭代次数;
以与所述训练样本对应的子序列作为所述DBN网络的输入;
对待优化的粒子进行编码并生成与所述初始种群规模对应的初始种群;
计算所述初始种群中的每个编码粒子的适应度;
基于纵横交叉算法对所述初始种群中的编码粒子进行横向交叉和纵向交叉得到种群矩阵;
计算所述种群矩阵中的粒子的适应度并与所述初始种群中的各所述编码粒子的适应度进行对比以选取目标适应度;
将与所述目标适应度对应的目标粒子作为子代种群中的个体;
重复上述步骤直到迭代次数超出所述最大迭代次数,将最终得到的最大适应度对应的粒子作为所述最优解。
优选的,所述利用所述DBN网络预测模型和所述子序列对短期负荷进行预测包括:
从所述历史负荷数据中选取预测样本;
将与所述预测样本对应的子序列作为所述DBN网络预测模型的输入;
以所述子序列为所述DBN网络预测模型的输入,以与所述最优解对应的权值为所述DBN网络预测模型的权值确定所述DBN网络预测模型的实际输出,所述实际输出为预测得到的短期负荷。
第二,本发明实施例公开了一种短期负荷预测装置,包括:
获取模块,用于获取历史负荷数据;
分解模块,用于基于集合经验模态分解对所述历史负荷数据进行分解得到多个子序列;
选取模块,用于选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型;
预测模块,用于利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测。
优选的,所述选取模块包括:
选取单元,用于从所述历史负荷数据中选取训练样本;
第一确定单元,用于根据与所述训练样本对应的子序列确定所述DBN网络的训练参数;
第二确定单元,用于利用所述训练参数和所述训练样本确定所述DBN网络的最优解;
设定单元,用于将所述最优解作为与所述DBN网络对应的权值以得到所述DBN网络预测模型,所述子序列中的各IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。第三,本发明实施例公开了一种短期负荷预测设备,包括:
存储器,用于存储预测程序;
处理器,用于执行所述存储器中存储的预测程序以实现如以上任一种所述的短期负荷预测方法的步骤。
第四,本发明实施例公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上任一种所述的短期负荷预测方法的步骤。
可见,本发明实施例公开的一种短期负荷预测方法,首先获取历史负荷数据,然后基于集成经验模态分解对历史负荷数据进行分解得到多个子序列,其次选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型,最后利用DBN网络预测模型和各子序列对短期负荷进行预测,相比于现有技术中采用单一的DBN预测模型无法处理高度复杂特征的负荷数据而引起容易导致预测精度低的问题,采用本方案,由于将历史负荷数据进行了分解得到多个子序列,从一定程度上降低了负荷数据的复杂特性(高度非线性和非平稳性),因此,采用DBN网络预测模型和低复杂特性的负荷数据的子序列对短期负荷进行预测,本方案对短期负荷的预测精度更高,对电网运行调度的正常运行提供了很大的保障。此外,本发明实施例还公开了一种短期负荷预测装置、设备及存储介质,效果如上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种短期负荷预测方法流程示意图;
图2为本发明实施例公开的一种短期负荷预测装置结构示意图;
图3为本发明实施例公开的一种短期负荷预测设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种短期负荷预测方法、装置、设备及存储介质,提高了对短期负荷进行预测的精确度,保证了电网运行调度的正常运行。
请参见图1,图1为本发明实施例公开的一种短期负荷预测方法流程示意图,该方法包括:
S101、获取历史负荷数据。
具体的,本实施例中,历史负荷数据包括:在当前时间前的任意一段时间(本发明实施例中优选为一年)的电力负荷数据和天气数据。将历史负荷数据的时间分辨率设为1小时,即形成时间间隔为1小时的时间序列,即一天包括24个数据点(一个数据点包括时间点和与该时间点对应的电力负荷)。
S102、基于集成经验模态分解对历史负荷数据进行分解得到多个子序列。
具体的,本实施例中,集成经验模态分解的分解原理可以参见现有技术,在本发明实施例中,利用集成经验模态分解能够自适应将历史负荷数据中的每一天的负荷序列分解为一系列频率由高到低的本征模函数(IMF分量)和最终的一个剩余量。历史负荷数据中包含很多天的负荷数据,可以将历史负荷数据的每一天均对应一个子序列,每个子序列中可以包含多个IMF分量和最终的一个IMF分量。本发明实施例中,优选的将每一天的时间序列分解为7个IMF分量和1个最终的IMF分量。当然,根据实际情况的不同,每天的时间序列还可以分为更多个IMF分量。
其中,作为优选的实施例,步骤S102包括:
在与历史负荷数据对应的每天的时间序列中添加高斯白噪声序列。
将添加高斯白噪声序列的每天的时间序列分解为IMF分量。
计算添加高斯白噪声序列的每天的时间序列与IMF分量的第一差值以将第一差值作为剩余分量。
将剩余分量作为待分解时间序列并重复上述步骤直至最终的剩余分量超出预设值时停止分解,最终得到与每天的时间序列对应的多个IMF分量和最终的剩余分量,历史负荷数据中的每一天对应一个子序列,各子序列均包括与每天的时间序列对应的多个IMF分量和最终的剩余分量。
具体的,本实施例中,假设与历史负荷数据对应的时间序列为x(t),随机添加的高斯白噪声序列为nm(t),则添加高斯白噪声序列nm(t)的时间序列xm(t)可以用下式表示:
xm(t)=x(t)+nm(t)
然后基于集成经验模态分解(EMD(分解原理可以参见现有技术))对时间序列xm(t)进行分解,在每次分解时将时间序列xm(t)进行分解得到一个IMF分量lm1(t),然后用添加了高斯白噪声序列的时间序列xm(t)减去本次分解得到IMF分量lm1(t),得到剩余分量(第一差值)rm(t)。具体公式如下:
rm(t)=xm(t)-lm1(t)
然后,以得到的剩余分量rm(t)为新的时间序列(待分解时间序列),然后对剩余分量rm(t)按照上述步骤重复进行分解,直到剩余分量rm(t)小于或等于预设值δ(t)时,才停止分解并将小于或等于预设值δ(t)的剩余分量rm(t)作为最终的剩余分量rn(t),最终得到的子序列包括多个IMF分量ci,m(t)和最终的剩余分量rn(t),其中,i=1,2,3...n。
其中,作为优选的实施例,将添加高斯白噪声序列的时间序列分解为IMF分量包括:
识别添加白噪声序列的时间序列的极大值点和极小值点。
拟合与极大值点对应的第一包络线和与极小值点对应的第二包络线。
利用第一包络线和第二包络线计算目标余量。
计算添加高斯白噪声序列的时间序列与目标余量的第二差值。
判断第二差值是否满足IMF条件。
若是,则将第二差值作为IMF分量。
若否,则重复上述步骤直到第二差值满足IMF条件。
具体的,本实施例中,在对添加白噪声序列nm(t)的时间序列xm(t)进行分解时,识别时间序列xm(t)的极大值点和极小值点,然后拟合极大值点的包络线dh(t)(第一包络线)和拟合极小值点的包络线dl(t)(第二包络线)。利用第一包络线dh(t)和第二包络线dl(t)计算目标余量dav(t),目标余量dav(t)的计算可以采用下式进行计算:
计算出目标余量dav(t)后,然后利用时间序列xm(t)减去目标余量dav(t)得到第二差值,再判断第二差值是否满足IMF条件,如果满足,则将第二差值作为IMF分量lm1(t)。如果不满足,则重复实施例中的步骤直到第二差值满足IMF条件并将最终的满足IMF条件的第二差值作为本发明实施例中的IMF分量,直到第二差值满足IMF条件,其中,IMF条件包括:得到的第二差值对应的序列在整个时间范围内,局部极值点和过零点的数目必须相等,或最多相差一个,和在任意时刻点,局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均值须为零。当然,根据电力***的实际运行情况,IMF条件也可以为其他条件,对此,本发明实施例并不作限定。
此外,为了保证最终得到的子序列中的IMF分量和最终的剩余分量更加有代表性,本发明实施例中,通过重复执行获取历史负荷数据和基于集成经验模态分解对所述历史负荷数据进行分解得到多个子序列的步骤,每个子序列均有多组值,每组子序列中每个子序列中均包含多个IMF分量和一个最终的剩余分量,然后对每组子序列的IMF分量和最终的剩余分量求平均值求得平均的IMF分量和平均的剩余分量。若最终得到的每组子序列中的子序列的个数为M个,每组子序列中每个子序列中的IMF分量为7个,剩余分量为1个,则可以利用下式计算每组子序列中的IMF分量的平均值和剩余分量的平均值:
其中,i=1,2,3…7;每组子序列中的子序列的个数M可以根据实际情况进行确定,本发明实施例对于每个子序列中的IMF分量的个数的多少以及对于子序列个数的多少均不作限定。因此,根据上式,最终得到7个平均后的IMF分量和1个平均后的剩余分量。
需要说明的是,本发明实施例中,对应于历史负荷数据中的每一天均对应有一个子序列,每一个子序列中均包含多个IMF分量和最终的一个剩余分量,此外,训练样本和预测样本均可以从历史负荷数据中进行选取,如,将历史负荷数据中某几天的负荷数据作为训练样本,将剩余的负荷数据作为预测样本。不论是采用训练样本训练得到DBN网络预测模型还是采用预测样本结合DBN网络预测模型对短期负荷进行预测,模型的输入都是分解得到的子序列。每个子序列中对应的IMF分量和最终的一个剩余量均对应有一个DBN网络预测模型。
S103、选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型。
具体的,本实施例中,训练样本可以为预测日前四个月的历史负荷数据和天气数据。利用训练样本训练DBN网络是基于纵横交叉算法对DBN网络的优化和训练。关于获取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型的概念将在下面的实施例进行介绍,本发明实施例在此暂不作说明。如上述实施例的介绍,训练样本是从历史负荷数据中选取(可以为任意某些天的负荷数据),在选取训练样本后,每一天的时间序列对应的负荷数据都被分解为8个分量(8个分量仅仅是示意,也可以为其他数目的分量),8个分量包括7个IMF分量和1个最终的剩余分量,然后针对每个IMF分量和1个最终的剩余分量建立DBN网络,然后再利用选取出的训练样本的每天的同一时刻点的IMF分量对各自的DBN网络进行训练(主要是得到DBN网络的最优权值),最终得到8个DBN网络预测模型。
其中,作为优选的实施例,步骤S103包括:
从历史负荷数据中选取训练样本。
根据与训练样本对应的子序列确定DBN网络的训练参数。
利用训练样本确定DBN网络的最优解。
将最优解作为与DBN网络对应的权值以得到DBN网络预测模型,子序列中的IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。
具体的,本实施例中,从历史负荷数据中选取训练样本是选取历史负荷数据中的某几天的负荷数据,然后,建立与这些天对应的子序列中的各分量对应的DBN网络并利用训练样本对各个DBN网络进行训练。(当然,训练样本具体选用哪几天的负荷数据的可以根据实际情况确定,本发明实施例在此并不作限定)。在选取好训练样本之后,根据训练样本的数据大小确定DBN网络的训练参数(DBN网络的初始种群规模、最大迭代次数等)。由于历史负荷数据经过基于集成经验模态分解得到了多个子序列(子序列中包括多个IMF分量),因此,将与训练样本对应的每个IMF分量建立一个DBN网络,然后训练样本中每一天的同一时刻点对应的IMF分量作为DBN网络的输入并对DBN网络进行训练直至确定出DBN网络的最优的一组权值(最优解),具体的,DBN网络的训练可以参见现有技术。当DBN网络输出最优权值矩阵(最优解)之后,将最优权值矩阵作为DBN网络预测模型的权值并对短期负荷进行预测。
S104、利用DBN网络预测模型和各子序列对短期负荷进行预测。
具体的,本实施例中,在得到DBN网络预测模型(可以参见现有技术)后,从历史负荷数据中选取预测样本,然后将预测样本的各子序列输入至DBN网络预测模型中(每个子序列对应有多个分量,将每个子序列中的同一时刻点得分量作为其对应的DBN网络预测模型的输入),然后由每个DBN网络预测模型输出短期的负荷预测,然后将各个DBN网络预测模型的各个输出值作为预测日的负荷预测值,以预测某一天的负荷为例,预测样本为预测日前一天的负荷数据,该预测样本同样被分解称量8个分量,将这8个分量分别带入与各个分量对应的DBN网络预测模型,得出8个负荷预测结果,最后将这8个负荷预测结果进行叠加得到预测日的负荷预测。此外,短期负荷的概念也可以参见现有技术。
基于上述实施例,作为优选的实施例,步骤S104包括:
从历史负荷数据中选取预测样本。
将与预测样本对应的子序列作为DBN网络预测模型的输入。
将与最优解对应的权值作为DBN网络预测模型的权值。
以各子序列为DBN网络预测模型的输入,以与最优解对应的权值为DBN网络预测模型的权值确定DBN网络预测模型的实际输出,实际输出为预测得到的短期负荷。
将子序列中除训练样本外的其他数据作为与子序列中每个IMF分量对应的DBN网络预测模型的输入以预测某一时刻点的数据,然后,将每个DBN网络预测模型输出的实际数据进行叠加便得到某一时刻点的数据(利用DBN网络预测模型预测某一时刻点的数据可以参见现有技术)。
需要说明的是,本发明实施例中,子序列中IMF分量的个数为多少,所建立的DBN网络预测模型的个数就为多少,每个IMF分量中的时间序列为DBN网络预测模型的训练样本和预测样本。最终对短期内某个时刻点的负荷预测的结果为:各个DBN网络预测模型在某一时刻点的实际输出的叠加值。
可见,本发明实施例公开的一种短期负荷预测方法,首先获取历史负荷数据,然后基于集成经验模态分解对历史负荷数据进行分解得到多个子序列,其次选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型,最后利用DBN网络预测模型和各子序列对短期负荷进行预测,相比于现有技术中采用单一的DBN预测模型无法处理高度复杂特征的负荷数据而引起容易导致预测精度低的问题,采用本方案,由于将历史负荷数据进行了分解得到子序列,从一定程度上降低了负荷数据的复杂特性(高度非线性和非平稳性),因此,采用DBN网络预测模型和低复杂特性的负荷数据的子序列对短期负荷进行预测,本方案对短期负荷的预测精度更高,对电网运行调度的正常运行提供了很大的保障。
基于上述实施例,作为优选的实施例,利用训练参数和训练样本确定DBN网络的最优解包括:
确定训练参数中的初始种群规模以及最大迭代次数。
以训练样本作为DBN网络的输入。
对待优化的粒子进行编码并生成与初始种群规模对应的初始种群规模对应的初始种群。
计算初始种群中的每个编码粒子的适应度。
基于纵横交叉算法对初始种群中的编码粒子进行横向交叉和纵向交叉得到种群矩阵。
计算种群矩阵中的粒子的适应度并与初始种群中的各编码粒子的适应度进行对比以选取目标适应度。
将与目标适应度对应的目标粒子作为子代种群中的个体。
重复上述步骤直到迭代次数超出所述最大迭代次数,将最终得到的最大适应度对应的粒子作为最优解。
具体的,本实施例中,待优化的粒子即为DBN网络的权值,在粒子编码的解空间中,随机产生初始种群X=[X1,X2,...,XM]T,然后计算初始种群中每个编码粒子的适应度,每个编码粒子的适应度可以采用下式进行计算:
其中,pt表示DBN网络的实际输出,表示DBN网络的目标输出,N表示训练样本数。
纵横交叉算法的原理可以参见现有技术,本发明实施例中就其应用进行简单说明,纵横交叉算法中的横向交叉是初始种群中同一维的两个粒子(权值)所做的算数交叉操作,且两粒子是在同一维随机产生。横向交叉操作获得的子代保存在矩阵MShc里面(MShc称为中庸解),再计算该MShc矩阵中所有粒子的适应度,将得到的适应度与父代种群(DSvc,第一代初始种群除外)进行对比,从MShc矩阵中选出适应度比父代种群中适应度更好的粒子保留在子代种群DShc中。其中,横向交叉操作得到矩阵MShc可以用下式表示:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
式中,r1、r2是[0,1]之间的随机数;c1、c2是[-1,1]之间的随机数;M为粒子数的范围;D为与粒子对应的变量的维数;X(i,d)、X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)、MShc(j,d)分别表示X(i,d)和X(j,d)通过横向交叉在第d维产生的子代。
在进行横向操作之后,然后再进行纵向交叉操作,纵向交叉是所有粒子在不同维度之间进行的一种算数交叉,且两维是随机组合的,交叉操作获得的子代保存在矩阵MSvc中(MSvc称为中庸解),然后计算该矩阵中每个粒子的适应值,与其父代种群(即DShc)进行比较,选择更优秀的粒子(目标粒子,与更优秀的粒子对应的适应度为目标适应度)保留在DSvc中(子代种群)。纵向交叉操作可以按照下式进行:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
式中:MSvc(i,d1)是粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代。
此时,在进行完一次横向交叉和纵向交叉后,判断当前迭代次数是否超过最大迭代次数,如果超出最大迭代次数,则将最终得到的子代种群DSvc中的最大的适应度对应的粒子作为最优解(最优权值和阈值)如果没有超出最大迭代次数,则继续重复以上的步骤以再次进行迭代,其中,最大迭代次数可以根据训练样本或预测样本进行确定,本发明实施例在此并不作限定。
下面对本发明实施例公开的一种短期负荷预测装置进行介绍,请参见图2,图2为本发明实施例公开的一种短期负荷预测装置结构示意图,该装置包括:
获取模块201,用于获取历史负荷数据。
分解模块202,用于基于集合经验模态分解对历史负荷数据进行分解得到多个子序列。
选取模块203,用于选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型。
预测模块204,用于利用DBN网络预测模型和各子序列对短期负荷进行预测。
基于上述实施例,作为优选的实施例,选取模块203包括:
选取单元,用于从历史负荷数据中选取训练样本;
第一确定单元,用于根据与训练样本对应的子序列确定DBN网络的训练参数;
第二确定单元,用于利用训练参数和训练样本确定DBN网络的最优解;
设定单元,用于将最优解作为与DBN网络对应的权值以得到DBN网络预测模型,子序列中的各IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。
可见,本发明实施例公开的一种短期负荷预测装置,首先获取历史负荷数据,然后基于集成经验模态分解对历史负荷数据进行分解得到多个子序列,其次选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型,最后利用DBN网络预测模型和各子序列对短期负荷进行预测,相比于现有技术中采用单一的DBN预测模型无法处理高度复杂特征的负荷数据而引起容易导致预测精度低的问题,采用本方案,由于将历史负荷数据进行了分解得到子序列,从一定程度上降低了负荷数据的复杂特性(高度非线性和非平稳性),因此,采用DBN网络预测模型和低复杂特性的负荷数据的子序列对短期负荷进行预测,本方案对短期负荷的预测精度更高,对电网运行调度的正常运行提供了很大的保障。
此外,本发明实施例还公开了一种短期负荷预测设备,请参见图3,图3为本发明实施例公开的一种短期负荷预测设备结构示意图,该设备包括:
存储器301,用于存储预测程序;
处理器302,用于执行所述存储器中存储的预测程序以实现以上任一实施例提到的短期负荷预测方法的步骤。
需要说明的是,本发明实施例公开的一种短期负荷预测设备具有如上述任意一个实施例所具有的的技术效果,本发明实施例在此不再赘述。
为了更好地理解本方案,本发明实施例公开的一种计算机可读存储介质,计算机可读存储介质上存储有预测程序,计算机程序被处理器执行时实现如上任一实施例提到的短期负荷预测方法的步骤。
需要说明的是,本发明实施例公开的一种计算机可读存储介质具有如上述任意一个实施例所具有的技术效果,本发明实施例在此不再赘述。
以上对本申请所公开的一种短期负荷预测方法、装置、设备及存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种短期负荷预测方法,其特征在于,包括:
获取历史负荷数据;
基于集成经验模态分解对所述历史负荷数据进行分解得到多个子序列;
选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型;
利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测。
2.根据权利要求1所述的短期负荷预测方法,其特征在于,所述基于集成经验模态分解对所述历史负荷数据进行分解得到多个子序列包括:
在与所述历史负荷数据对应的每天的时间序列中添加高斯白噪声序列;
将添加所述高斯白噪声序列的每天的时间序列分解为IMF分量;
计算添加所述高斯白噪声序列的每天的时间序列与所述IMF分量的第一差值以将所述第一差值作为剩余分量;
将所述剩余分量作为待分解时间序列并重复上述步骤直至最终的剩余分量小于或等于预设值时停止分解,最终得到与所述每天的时间序列对应的多个IMF分量和最终的剩余分量,所述历史负荷数据中的每一天对应一个子序列,各所述子序列均包括:与所述每天的时间序列对应的多个IMF分量和最终的剩余分量。
3.根据权利要求2所述的短期负荷预测方法,其特征在于,所述将添加所述高斯白噪声序列的每天的时间序列分解为IMF分量包括:
识别添加所述高斯白噪声序列的每天的时间序列的极大值点和极小值点;
拟合与所述极大值点对应的第一包络线和与所述极小值点对应的第二包络线;
利用所述第一包络线和所述第二包络线计算目标余量;
计算添加所述高斯白噪声序列的时间序列与所述目标余量的第二差值;
判断所述第二差值是否满足IMF条件;
若是,则将所述第二差值作为IMF分量;
若否,则重复上述步骤直到所述第二差值满足所述IMF条件。
4.根据权利要求2所述的短期负荷预测方法,其特征在于,所述选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型包括:
从所述历史负荷数据中选取训练样本;根据与所述训练样本对应的子序列确定所述DBN网络的训练参数;
利用所述训练参数和所述训练样本确定所述DBN网络的最优解;
将所述最优解作为与所述DBN网络对应的权值以得到所述DBN网络预测模型,所述子序列中的各IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。
5.根据权利要求4所述的短期负荷预测方法,其特征在于,所述利用所述训练参数和所述训练样本确定所述DBN网络的最优解包括:
确定所述训练参数中的初始种群规模以及最大迭代次数;
以与所述训练样本对应的子序列作为所述DBN网络的输入;
对待优化的粒子进行编码并生成与所述初始种群规模对应的初始种群;
计算所述初始种群中的每个编码粒子的适应度;
基于纵横交叉算法对所述初始种群中的编码粒子进行横向交叉和纵向交叉得到种群矩阵;
计算所述种群矩阵中的粒子的适应度并与所述初始种群中的各所述编码粒子的适应度进行对比以选取目标适应度;
将与所述目标适应度对应的目标粒子作为子代种群中的个体;
重复上述步骤直到迭代次数超出所述最大迭代次数,将最终得到的最大适应度对应的粒子作为所述最优解。
6.根据权利要求1至5任意一项所述的短期负荷预测方法,其特征在于,所述利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测包括:
从所述历史负荷数据中选取预测样本;
将与所述预测样本对应的子序列作为所述DBN网络预测模型的输入;
将与所述最优解对应的权值作为所述DBN网络预测模型的权值;
以所述子序列为所述DBN网络预测模型的输入,以与所述最优解对应的权值为所述DBN网络预测模型的权值确定所述DBN网络预测模型的实际输出,所述实际输出为预测得到的短期负荷。
7.一种短期负荷预测装置,其特征在于,包括:
获取模块,用于获取历史负荷数据;
分解模块,用于基于集合经验模态分解对所述历史负荷数据进行分解得到多个子序列;
选取模块,用于选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型;
预测模块,用于利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测。
8.根据权利要求7所述的短期负荷预测装置,其特征在于,所述选取模块包括:
选取单元,用于从所述历史负荷数据中选取训练样本;
第一确定单元,用于根据与所述训练样本对应的子序列确定所述DBN网络的训练参数;
第二确定单元,用于利用所述训练参数和所述训练样本确定所述DBN网络的最优解;
设定单元,用于将所述最优解作为与所述DBN网络对应的权值以得到所述DBN网络预测模型,所述子序列中的各IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。
9.一种短期负荷预测设备,其特征在于,包括:
存储器,用于存储预测程序;
处理器,用于执行所述存储器中存储的预测程序以实现如权利要求1至6任一项所述的短期负荷预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有预测程序,其特征在于,所述预测程序被处理器执行以实现如权利要求1至6任一项所述的短期负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784848.6A CN109063902A (zh) | 2018-07-17 | 2018-07-17 | 一种短期负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784848.6A CN109063902A (zh) | 2018-07-17 | 2018-07-17 | 一种短期负荷预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063902A true CN109063902A (zh) | 2018-12-21 |
Family
ID=64816999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810784848.6A Pending CN109063902A (zh) | 2018-07-17 | 2018-07-17 | 一种短期负荷预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063902A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
CN112952814A (zh) * | 2021-03-04 | 2021-06-11 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN116755641A (zh) * | 2023-08-22 | 2023-09-15 | 山东凌远机电科技有限公司 | 一种配电箱运行数据优化采集存储方法 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140337002A1 (en) * | 2013-05-08 | 2014-11-13 | Instant Access Networks, Llc | Method and Instrumentation for Sustainable Energy Load Flow Management System (SelfMaster(TM)) |
CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及*** |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
-
2018
- 2018-07-17 CN CN201810784848.6A patent/CN109063902A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140337002A1 (en) * | 2013-05-08 | 2014-11-13 | Instant Access Networks, Llc | Method and Instrumentation for Sustainable Energy Load Flow Management System (SelfMaster(TM)) |
CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及*** |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
Non-Patent Citations (2)
Title |
---|
XUEHENG QIU ETAL: ""Empirical Mode Decomposition based ensemble deep learning for load demand time series forecasting"", 《APPLIED SOFT COMPUTING》 * |
陈冬沣等: ""基于纵横交叉算法与 Elman 神经网络的短期负荷预测研究"", 《贵州电力技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
CN111382906B (zh) * | 2020-03-06 | 2024-02-27 | 南京工程学院 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
CN112952814A (zh) * | 2021-03-04 | 2021-06-11 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
CN112952814B (zh) * | 2021-03-04 | 2022-12-09 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN116663863B (zh) * | 2023-07-28 | 2023-10-20 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN116755641A (zh) * | 2023-08-22 | 2023-09-15 | 山东凌远机电科技有限公司 | 一种配电箱运行数据优化采集存储方法 |
CN116755641B (zh) * | 2023-08-22 | 2023-10-24 | 山东凌远机电科技有限公司 | 一种配电箱运行数据优化采集存储方法 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
CN116979531B (zh) * | 2023-09-25 | 2023-12-12 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063902A (zh) | 一种短期负荷预测方法、装置、设备及存储介质 | |
Gaur et al. | Real-time wave forecasting using genetic programming | |
CN110738010A (zh) | 集成深度学习模型的风电场短期风速预测方法 | |
CN108985514A (zh) | 基于eemd和lstm的负荷预测方法、装置及设备 | |
CN112464566B (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
CA2436352A1 (en) | Process and system for developing a predictive model | |
CN107124394A (zh) | 一种电力通信网络安全态势预测方法和*** | |
CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
Tian et al. | A network traffic hybrid prediction model optimized by improved harmony search algorithm | |
CN109635938A (zh) | 一种自主学习脉冲神经网络权值量化方法 | |
CN109146131A (zh) | 一种日前风力发电预测方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
CN110007371A (zh) | 风速预测方法及装置 | |
CN109543879A (zh) | 基于神经网络的负荷预测方法及装置 | |
CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和*** | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及*** | |
CN116822722A (zh) | 水位预测方法、***、装置、电子设备及介质 | |
CN115660893A (zh) | 一种基于负荷特性的变电站母线负荷预测方法 | |
CN115907000A (zh) | 一种用于电力***最优潮流预测的小样本学习方法 | |
Cheng et al. | A hybrid probabilistic estimation method for photovoltaic power generation forecasting | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |