CN109886507A - 基于主成分分析的电力***短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于主成分分析的电力***短期负荷预测方法，在基于负荷数据及天气数据服从正态分布的情况下，考虑其对预测日负荷数据的影响程度差异性和随机性，同时考虑其自身耦合性的程度，将具有海量数据的数据集进行清洗及降维处理，缩短了预测时间；并利用布谷鸟搜索算法优化BP神经网络预测短期负荷，降低了过拟合和欠拟合现象，提高了短期负荷预测的精准度。

Description

基于主成分分析的电力***短期负荷预测方法

技术领域

本发明涉及电力***负荷预测技术领域，尤其涉及基于主成分分析的电力***短期负荷预测方法。

背景技术

电力***负荷预测对电力***安全运行和可持续性供电具有非常重要的意义。其中，短期负荷预测是电力***经济规划的重要基础，也是电力***调度部门制定在线安全分析的重要依据。

由于短期负荷的预测受影响因素过多，并且预测时需要输入多日负荷数据集，造成了数据集维度过高以及过拟合现象严重，短期负荷的预测精度受到了严重的影响。

现有技术中应用了模糊神经网络、粒子群神经网络来进行短期负荷预测，部分技术将粗糙模糊集与神经网络直接相结合作为短期负荷预测方法，虽然该技术在一定程度上提高了预测的精度，但是通过粗糙模糊集得到的数据集维数较高，延长了预测时间；而且模糊神经网络、粒子群神经网络容易陷入局部最优，难以寻找最优权值和阈值，容易使预测模型产生过拟合现象或欠拟合现象。

综上所述，现有短期负荷的预测方法存在数据集维度高、预测时间长以及预测精度低等问题。

发明内容

本发明为解决现有预测短期负荷的方法存在数据集维度高、预测时间长以及预测精度低等问题，提供了一种基于主成分分析的电力***短期负荷预测方法。

为实现以上发明目的，而采用的技术手段是：

基于主成分分析的电力***短期负荷预测方法，包括以下步骤：

S1.获取包括负荷数据及天气数据的原始数据集；其中负荷数据包括A年内每一日的B个时间节点负荷数据，天气数据包括A年内每一日的最高温、最低温、日照时数、降水量数据；其中A、B均为正整数；

S2.基于所述负荷数据及天气数据均服从正态分布的情况，根据清洗原则对所述负荷数据及天气数据进行预处理，然后分别计算清洗后余下的负荷数据及天气数据按照正态分布规律变化的期望和方差；

S3.利用主成分分析法对步骤S2清洗后余下的负荷数据及天气数据进行降维处理，得到已降维的数据集；

S4.将已降维的数据集分为训练样本集和预测样本集，使用所述训练样本集数据对布谷鸟搜索算法优化BP神经网络进行训练，得到训练后的布谷鸟搜索算法优化BP神经网络；

S5.将预测样本集数据输入训练后的布谷鸟搜索算法优化BP神经网络，进行待预测日的短期负荷预测，得到预测结果。

上述方案中，采用概率学方法对数据集中的小概率数据进行清洗处理，然后利用主成分分析的方法使数据集降维，最后通过利用布谷鸟搜索算法优化BP神经网络预测进而得到电力***的短期负荷数据。

优选的，步骤S2中所述负荷数据及天气数据服均从正态分布的情况具体体现为：

在A年内，第i天的第t时刻节点负荷L_in(t)为随机变量分别服从均值为μ_Li(t)、方差为D_Li(t)的正态分布：

L_i1(t)+L_i2(t)+...+L_in(t)＝L_i(t)～N(μ_Li(t),D_Li(t))；

第i天的总负荷L_i为随机变量并服从均值为μ_Li、方差为D_Li的正态分布：

L_i(t)+L_i(t)+...+L_i(t)＝L_i～N(μ_Li,D_Li)；

在A年内，第i天的第s种天气数据W_in(s)为随机变量分别服从均值为μ_Wi(s)、方差为D_Wi(s)的正态分布：

W_i1(s)+W_i2(s)+...+W_in(s)＝W_i(s)～N(μ_Wi(s),D_Wi(s))；

优选的，步骤S2具体包括：

S2.1.对于预测日和预测日前N日的A年负荷数据，计算并确定第i天各时间节点t的负荷按照正态分布规律变化的期望μ_Li(t)和方差D_Li(t)，以及第i天的负荷按照正态分布规律变化的期望μ_Li和方差D_Li；其中i＝1,2,...,N,N+1，N为预测时输入集的天数，t＝1,2,...,B；其中N根据个人进行预测习惯而取，常取30。

S2.2.当A年中的第n年第i天的负荷数据不满足公式(1)或公式(2)时，则认为其发生小概率事件，属于数据异常状况，将当年的负荷数据清洗，同时将当年的天气数据清洗；

其中：

式中，L_in＞μ_Li；

式中，L_in＞μ_Li；

S2.3.清洗过后余下的负荷数据及天气数据依然服从正态分布，重新计算并确定第i天各时间点t的负荷按照正态分布规律变化的期望μ_Li(t)和方差D_Li(t)；计算并确定第i天的各天气数据s按照正态分布规律变化的期望μ_Wi(s)、方差为D_Wi(s)；其中s＝1,2,...,S，S为天气数据类型个数，天气数据类型包括有降水量、日最高温、日最低温和相对湿度。

优选的，步骤S3具体包括：

根据步骤S2计算得到的所述期望和方差；对所述清洗后余下的负荷数据及天气数据相应地标幺化得到新的数据集：x＝[L_i′W_i′(s)]，其中i＝1,2,...,N,N+1，N为预测时输入集的天数；s＝1,2,...,S，S为天气数据类型个数；

其中第i天第t时刻的负荷数据标幺化L_i′(t)和天气数据标幺化W_i′(s)求解为公式(3)、(4)：

式中，t表示第t时刻；

计算所述数据集的各维间相关系数矩阵，并计算其特征向量v和特征值λ，选取前m个最大的特征值和相应的特征向量，其中1≤m≤30+s；

将所述特征向量排列成矩阵v_M＝[v₁,v₂,...,v_m]，由v_M生成一个新的线性空间，原线性空间中的所述数据集在新线性空间表示为从而得到已降维的数据集。

优选的，所述布谷鸟搜索算法优化BP神经网络的确定过程为：确定BP神经网络的拓扑结构并初始化其权值和阈值；使用布谷鸟搜索算法更新所述BP神经网络的权值和阈值，从而得到布谷鸟搜索算法优化BP神经网络。

优选的，使用布谷鸟搜索算法更新所述BP神经网络的权值和阈值的公式包括：

其中，表示第t代中第i个鸟巢的位置；α^t+1表示第t+1代中步长因子，α⁰取0.01，α^t+1的求解过程为公式(6)；L(β)表示服从参数β的莱雅飞行的一个搜索向量,L(β)的求解为公式(7)

其中，α^t表示第t代中步长因子；表示第t代中第i个鸟巢的位置；x_Best表示当前最优解集；

其中，μ、v表示符合正态分布的随机变量，μ～N(0,δ)、v～N(0,1)，其中δ的求解为公式(8)

其中，λ为1＜λ≤3。

与现有技术相比，本发明技术方案的有益效果是：

本发明方法在基于负荷数据及天气数据服从正态分布的情况下，考虑其对预测日负荷数据的影响程度差异性和随机性，同时考虑其自身耦合性的程度，将具有海量数据的数据集进行清洗及降维处理，缩短了预测时间；并利用布谷鸟搜索算法优化BP神经网络预测短期负荷，降低了过拟合和欠拟合现象，提高了短期负荷预测的精准度。本发明方法解决了现有的电力***短期负荷预测方法存在数据集维度高、预测时间长以及预测精度低等问题，可以更快更准确地预测出在短期负荷曲线，帮助和指导运行人员准确掌握负荷曲线波动状态，为电力***规划工作提供技术方法，为电网调度运行提供技术支撑。

附图说明

图1为本发明方法的总流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

如图1所示，基于主成分分析的电力***短期负荷预测方法，包括以下步骤：

S1.获取包括负荷数据及天气数据的原始数据集；其中负荷数据包括A年内每一日的B个时间节点负荷数据，天气数据包括A年内每一日的最高温、最低温、日照时数、降水量数据；其中A、B均为正整数；

S2.基于所述负荷数据及天气数据均服从正态分布的情况，即：在A年内，第i天的第t时刻节点负荷L_in(t)为随机变量分别服从均值为μ_Li(t)、方差为D_Li(t)的正态分布：

L_i1(t)+L_i2(t)+...+L_in(t)＝L_i(t)～N(μ_Li(t),D_Li(t))；

第i天的总负荷L_i为随机变量并服从均值为μ_Li、方差为D_Li的正态分布：

L_i(t)+L_i(t)+...+L_i(t)＝L_i～N(μ_Li,D_Li)；

在A年内，第i天的第s种天气数据W_in(s)为随机变量分别服从均值为μ_Wi(s)、方差为D_Wi(s)的正态分布：

W_i1(s)+W_i2(s)+...+W_in(s)＝W_i(s)～N(μ_Wi(s),D_Wi(s))；

根据清洗原则对所述负荷数据及天气数据进行预处理，然后分别计算清洗后余下的负荷数据及天气数据按照正态分布规律变化的期望和方差；

步骤S2中具体为：

S2.1.对于预测日和预测日前N日的A年负荷数据，计算并确定第i天各时间节点t的负荷按照正态分布规律变化的期望μ_Li(t)和方差D_Li(t)，以及第i天的负荷按照正态分布规律变化的期望μ_Li和方差D_Li；其中i＝1,2,...,N,N+1，N为预测时输入集的天数，t＝1,2,...,B；

S2.2.当A年中的第n年第i天的负荷数据不满足公式(1)或公式(2)时，则认为其发生小概率事件，属于数据异常状况，将当年的负荷数据清洗，同时将当年的天气数据清洗；

其中：

式中，L_in＞μ_Li；

式中，L_in＞μ_Li；

S2.3.清洗过后余下的负荷数据及天气数据依然服从正态分布，重新计算并确定第i天各时间点t的负荷按照正态分布规律变化的期望μ_Li(t)和方差D_Li(t)；计算并确定第i天的各天气数据s按照正态分布规律变化的期望μ_Wi(s)、方差为D_Wi(s)；其中s＝1,2,...,S，S为天气数据类型个数。

S3.利用主成分分析法对步骤S2清洗后余下的负荷数据及天气数据进行降维处理，得到已降维的数据集；具体为：根据步骤S2计算得到的所述期望和方差；对所述清洗后余下的负荷数据及天气数据相应地标幺化得到新的数据集：x＝[L_i′W_i′(s)]，其中i＝1,2,...,N,N+1，N为预测时输入集的天数；s＝1,2,...,S，S为天气数据类型个数；

其中第i天第t时刻的负荷数据标幺化L_i′(t)和天气数据标幺化W_i′(s)求解为公式(3)、(4)：

式中，t表示第t时刻；

计算所述数据集的各维间相关系数矩阵，并计算其特征向量v和特征值λ，选取前m个最大的特征值和相应的特征向量，其中1≤m≤30+s；

将所述特征向量排列成矩阵v_M＝[v₁,v₂,...,v_m]，由v_M生成一个新的线性空间，原线性空间中的所述数据集在新线性空间表示为从而得到已降维的数据集。

S4.将已降维的数据集分为训练样本集和预测样本集，使用所述训练样本集数据对布谷鸟搜索算法优化BP神经网络进行训练，得到训练后的布谷鸟搜索算法优化BP神经网络；

其中，所述布谷鸟搜索算法优化BP神经网络的确定过程为：确定BP神经网络的拓扑结构并初始化其权值和阈值；使用布谷鸟搜索算法更新所述BP神经网络的权值和阈值，从而得到布谷鸟搜索算法优化BP神经网络。

其中，使用布谷鸟搜索算法更新所述BP神经网络的权值和阈值的公式包括：

其中，表示第t代中第i个鸟巢的位置；α^t+1表示第t+1代中步长因子，α0取0.01，α^t+1的求解过程为公式(6)；L(β)表示服从参数β的莱雅飞行的一个搜索向量,L(β)的求解为公式(7)

其中，α^t表示第t代中步长因子；表示第t代中第i个鸟巢的位置；x_Best表示当前最优解集；

其中，μ、v表示符合正态分布的随机变量，μ～N(0,δ)、v～N(0,1)，其中δ的求解为公式(8)

其中，λ为1＜λ≤3。

S5.将预测样本集数据输入训练后的布谷鸟搜索算法优化BP神经网络，进行待预测日的短期负荷预测，得到预测结果。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.基于主成分分析的电力***短期负荷预测方法，其特征在于，包括以下步骤：

S1.获取包括负荷数据及天气数据的原始数据集；其中负荷数据包括A年内每一日的B个时间节点负荷数据，天气数据包括A年内每一日的最高温、最低温、日照时数、降水量数据；其中A、B均为正整数；

S2.基于所述负荷数据及天气数据均服从正态分布的情况，根据清洗原则对所述负荷数据及天气数据进行预处理，然后分别计算清洗后余下的负荷数据及天气数据按照正态分布规律变化的期望和方差；

S3.利用主成分分析法对步骤S2清洗后余下的负荷数据及天气数据进行降维处理，得到已降维的数据集；

S4.将已降维的数据集分为训练样本集和预测样本集，使用所述训练样本集数据对布谷鸟搜索算法优化BP神经网络进行训练，得到训练后的布谷鸟搜索算法优化BP神经网络；

S5.将预测样本集数据输入训练后的布谷鸟搜索算法优化BP神经网络，进行待预测日的短期负荷预测，得到预测结果。

2.根据权利要求1所述的电力***短期负荷预测方法，其特征在于，步骤S2中所述负荷数据及天气数据服均从正态分布的情况具体体现为：

在A年内，第i天的第t时刻节点负荷L_in(t)为随机变量分别服从均值为μ_Li(t)、方差为D_Li(t)的正态分布：

L_i1(t)+L_i2(t)+...+L_in(t)＝L_i(t)～N(μ_Li(t),D_Li(t))；

第i天的总负荷L_i为随机变量并服从均值为μ_Li、方差为D_Li的正态分布：

L_i(t)+L_i(t)+...+L_i(t)＝L_i～N(μ_Li,D_Li)；

在A年内，第i天的第s种天气数据W_in(s)为随机变量分别服从均值为μ_Wi(s)、方差为D_Wi(s)的正态分布：

W_i1(s)+W_i2(s)+...+W_in(s)＝W_i(s)～N(μ_Wi(s),D_Wi(s))；

3.根据权利要求2所述的电力***短期负荷预测方法，其特征在于，步骤S2中具体包括：

S2.1.对于预测日和预测日前N日的A年负荷数据，计算并确定第i天各时间节点t的负荷按照正态分布规律变化的期望μ_Li(t)和方差D_Li(t)，以及第i天的负荷按照正态分布规律变化的期望μ_Li和方差D_Li；其中i＝1,2,...,N,N+1，N为预测时输入集的天数，t＝1,2,...,B；

S2.2.当A年中的第n年第i天的负荷数据不满足公式(1)或公式(2)时，则认为其发生小概率事件，属于数据异常状况，将当年的负荷数据清洗，同时将当年的天气数据清洗；

其中：

式中，L_in＞μ_Li；

式中，L_in＞μ_Li；

S2.3.清洗过后余下的负荷数据及天气数据依然服从正态分布，重新计算并确定第i天各时间点t的负荷按照正态分布规律变化的期望μ_Li(t)和方差D_Li(t)；计算并确定第i天的各天气数据s按照正态分布规律变化的期望μ_Wi(s)、方差为D_Wi(s)；其中s＝1,2,...,S，S为天气数据类型个数。

4.根据权利要求3所述的电力***短期负荷预测方法，其特征在于，步骤S3具体包括：

根据步骤S2计算得到的所述期望和方差；对所述清洗后余下的负荷数据及天气数据相应地标幺化得到新的数据集：

x＝[L′_i W′_i(s)]，其中i＝1,2,...,N,N+1，N为预测时输入集的天数；s＝1,2,...,S，S为天气数据类型个数；

其中第i天第t时刻的负荷数据标幺化L′_i(t)和天气数据标幺化W′_i(s)求解为公式(3)、(4)：

式中，t表示第t时刻；

计算所述数据集的各维间相关系数矩阵，并计算其特征向量v和特征值λ，选取前m个最大的特征值和相应的特征向量，其中1≤m≤30+s；

将所述特征向量排列成矩阵v_M＝[v₁,v₂,...,v_m]，由v_M生成一个新的线性空间，原线性空间中的所述数据集在新线性空间表示为从而得到已降维的数据集。

5.根据权利要求1所述的电力***短期负荷预测方法，其特征在于，所述布谷鸟搜索算法优化BP神经网络的确定过程为：确定BP神经网络的拓扑结构并初始化其权值和阈值；使用布谷鸟搜索算法更新所述BP神经网络的权值和阈值，从而得到布谷鸟搜索算法优化BP神经网络。

6.根据权利要求5所述的电力***短期负荷预测方法，其特征在于，使用布谷鸟搜索算法更新所述BP神经网络的权值和阈值的公式包括：

其中，表示第t代中第i个鸟巢的位置；α^t+1表示第t+1代中步长因子，α⁰取0.01，α^t+1的求解过程为公式(6)；L(β)表示服从参数β的莱雅飞行的一个搜索向量，L(β)的求解为公式(7)

其中，α^t表示第t代中步长因子；表示第t代中第i个鸟巢的位置；x_Best表示当前最优解集；

其中，μ、v表示符合正态分布的随机变量，μ～N(0,δ)、v～N(0,1)，其中δ的求解为公式(8)

其中，λ为1＜λ≤3。