CN109978253B - 一种基于增量学习的电力***短期负荷预测方法 - Google Patents
一种基于增量学习的电力***短期负荷预测方法 Download PDFInfo
- Publication number
- CN109978253B CN109978253B CN201910221803.2A CN201910221803A CN109978253B CN 109978253 B CN109978253 B CN 109978253B CN 201910221803 A CN201910221803 A CN 201910221803A CN 109978253 B CN109978253 B CN 109978253B
- Authority
- CN
- China
- Prior art keywords
- initial
- integration model
- incremental
- load data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000010354 integration Effects 0.000 claims abstract description 72
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
本发明公开了一种基于增量学习的短期负荷预测方法,首先按照季节的划分,构建初始数据集和增量数据集,然后进行相关性分析提取输入负荷数据,并进行最大最小归一化处理;再利用改进的Adaboost.RT集成算法训练初始数据集和增量数据集,构建初始集成模型和中间集成模型,在此基础上得到进化集成模型;最后将待预测的负荷数据同时输入至初始集成模型、中间集成模型和进化集成模型,通过运用基于粒子群优化算法的最大熵原理,结合多个模型进行负荷预测。
Description
技术领域
本发明属于电力***负荷预测技术领域,更为具体地讲,涉及一种基于增量学习的电力***短期负荷预测方法。
背景技术
随着全球经济的迅猛发展,从垄断经营模式走向竞争关系的电力行业,尤其是智能电网的发展,对电力***各部门都提出了更高的要求。电力部门只有对负荷预测相关的数据进行全面详细的研究,制定高效、经济的发电计划,合理安排机组出力,才能为用户持续提供安全、可靠的电能,满足各用户的需求,保证电力***安全稳定运行,并可以减少发电成本,提高经济效益。
目前,最常用的负荷预测方法有:时间序列法,机器学***均模型、自回归滑动平均模型。该方法通过分析负荷数据本身而得到预测结果,仅适用于变化比较均匀的负荷数据,同时该方法没有考虑到天气等因素,在实际应用中预测精确到不高。机器学习方法主要是通过神经网络较强的非线性能力来建立负荷预测模型,不用依赖具体的数学模型。但是,在负荷预测中存在概念漂移的现象。随着时间的推移,负荷数据分布发生变化,预测模型的精度将会下降,传统的预测方法将不再适用。因此,如何进行动态建模,实现模型的自动更新在负荷预测中尤为重要。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于增量学习的电力***短期负荷预测方法,来克服负荷预测时由概念漂移导致的负荷预测精度下降。
为实现上述发明目的,本发明一种基于增量学习的电力***短期负荷预测方法,其特征在于,包括以下步骤:
(1)、构建初始数据集和增量数据集
按季节划分历史负荷数据,将春季负荷数据标记为初始数据集,将夏季负荷数据标记为增量数据集;
(2)、利用相关性分析算法分别对初始数据集和增量数据集进行分析并提取输入负荷数据;
(2.1)、利用相关性分析算法公式计算历史数据在每个时刻的相关系数;
(2.2)、分别在初始数据集和增量数据集中寻找与当前时刻t相关性最高的时刻对应的负荷数据,并分别记为初始负荷数据x1和增量负荷数据x2;
(3)、利用最大最小归一化算法分别对初始负荷数据和增量负荷数据进行归一化处理;
(4)、利用改进Adaboost.RT集成算法分别对归一化后的初始负荷数据和增量负荷数据进行训练,得到初始集成模型和中间集成模型;
(5)、构建进化集成模型;
(5.1)、设初始集成模型和中间集成模型分别拥有n个子学习器;
其中,i,j∈[1,n],H(·)表示求熵,H(|)表示求条件熵;
(5.3)、利用遗传算法构建进化集成模型;
其中,wτ表示在初始集成模型与中间集成模型中所选择的子学习器集合,λ为正则项;
(6)、将待预测的负荷数据同时输入至初始集成模型、中间集成模型和进化集成模型,三个模型分别预测出各自在t时刻的预测值yt (1),yt (2),yt (3);
计算每个模型的历史平均误差Mδ;
(7)、根据三个模型在t时刻的预测值,构建关于负荷预测值的随机变量x的函数;
(8)、根据函数gδ(x)和历史平均误差Mδ,构建关于负荷预测最大熵原理的约束函数;
其中,h(x)是随机变量x的熵,p(x)为随机变量x的概率密度函数,通过引入拉格朗日求解法求得p(x):
其中,λ0,λ1,λ2,λ3为拉格朗日乘子;
(9)、对概率密度p(x)求期望E(p(x)),得到实际的负荷预测值。
本发明的发明目的是这样实现的:
本发明一种基于增量学习的电力***短期负荷预测方法,首先按照季节的划分,构建初始数据集和增量数据集,然后进行相关性分析提取输入负荷数据,并进行最大最小归一化处理;再利用改进的Adaboost.RT集成算法训练初始数据集和增量数据集,构建初始集成模型和中间集成模型,在此基础上得到进化集成模型;最后将待预测的负荷数据同时输入至初始集成模型、中间集成模型和进化集成模型,通过运用基于粒子群优化算法的最大熵原理,结合多个模型进行负荷预测。
同时,本发明一种基于增量学习的电力***短期负荷预测方法还具有以下有益效果:
(1)、通过应用人工神经网络方法来进行负荷预测,突破了传统方法中映射能力的限制,其较强的非线性能力可以有效解决负荷预测中的非线性问题;
(2)、本文基于集成算法框架提出的负荷预测方法,可以集成多个神经网络子模型,把各个学习结果进行整合从而获得比单个学习器更好的学习效果;
(3)、使用基于遗传算法的动态建模,与传统的机器学习模型相比,当负荷数据发生概念漂移的时候,可以有效地跟踪数据分布的变化,实现模型的更新,提高预测精度。
附图说明
图1是本发明基于增量学习的电力***短期负荷预测方法流程图;
图2是Adaboost.RT集成算法的流程图;
图3是利用遗传算法构建进化集成模型的流程图;
图4是利用最大熵原理对待预测负荷数据的预测流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于增量学习的短期负荷预测方法流程图。
在本实施例中,如图1所示,本发明一种基于增量学习的电力***短期负荷预测方法,包括以下步骤:
S1、构建初始数据集和增量数据集;
按季节划分历史负荷数据,得到春夏秋冬四阶段的历史负荷数据,由于春季负荷数据与夏季负荷数据分布差异较大,我们将春季负荷数据标记为初始数据集与夏季负荷数据标记为增量数据集,剩余两阶段数据不作分析;
S2、利用相关性分析算法分别对初始数据集和增量数据集进行分析并提取输入负荷数据;
S2.1、利用相关性分析算法公式计算历史数据在每个时刻的相关系数;
S2.2、分别在初始数据集和增量数据集中寻找与当前时刻t相关性最高的时刻对应的负荷数据,并分别记为初始负荷数据x1和增量负荷数据x2;
S3、利用最大最小归一化算法分别对初始负荷数据和增量负荷数据进行归一化处理,保证量纲的统一;
S4、如图2所示,利用改进Adaboost.RT集成算法分别对归一化后的初始负荷数据和增量负荷数据进行训练,得到初始集成模型和中间集成模型;在本实施例中,改进Adaboost.RT集成算法为现有算法,具体的训练过程可以参考图2,在此不再赘述。
S5、构建进化集成模型;
S5.1、设初始集成模型和中间集成模型分别拥有n个子学习器;
其中,i,j∈[1,n],H(·)表示求熵,H(|)表示求条件熵;
S5.3、如图3所示,利用遗传算法构建进化集成模型;
其中,wτ表示在初始集成模型与中间集成模型中所选择的子学习器集合,λ为正则项;
S6、如图4所示,将待预测的负荷数据同时输入至初始集成模型、中间集成模型和进化集成模型,三个模型分别预测出各自在t时刻的预测值yt (1),yt (2),yt (3);
计算每个模型的历史平均误差Mδ;
S7、根据三个模型在t时刻的预测值,构建关于负荷预测值的随机变量x的函数;
S8、根据函数gδ(x)和历史平均误差Mδ,构建关于负荷预测最大熵原理的约束函数;
其中,h(x)是随机变量x的熵,p(x)为随机变量x的概率密度函数,通过引入拉格朗日求解法求得p(x):
其中,λ0,λ1,λ2,λ3为拉格朗日乘子,下面我们对λ0,λ1,λ2,λ3的具体求解过程进行说明:
拉格朗日乘子λ0的计算方法为:
所述的拉格朗日乘子λδ的计算方法为:运用非线性规划方法求解λδ;
将求解λδ的过程转化为非线性规划问题:
构建粒子群优化算法PSO的适应度函数R;
最后利用粒子群优化算法PSO求解该非线性规划问题,得到λδ。
S9、对概率密度p(x)求期望E(p(x)),得到实际的负荷预测值。
在本实施例中,分别用初始集成模型、进化集成模型与本文所提的基于最大熵原理方法对测试集进行负荷预测,预测结果如表1所示;
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于增量学习的电力***短期负荷预测方法,其特征在于,包括以下步骤:
(1)、构建初始数据集和增量数据集;
按季节划分历史负荷数据,将春季负荷数据标记为初始数据集,将夏季负荷数据标记为增量数据集;
(2)、利用相关性分析算法分别对初始数据集和增量数据集进行分析并提取出输入数据;
(2.1)、利用相关性分析算法公式计算历史数据在每个时刻的相关系数;
(2.2)、分别在初始数据集和增量数据集中寻找与当前时刻t相关性最高的时刻对应的负荷数据,并分别记为初始负荷数据x1和增量负荷数据x2;
(3)、利用最大最小归一化算法分别对初始负荷数据和增量负荷数据进行归一化处理;
(4)、利用改进Adaboost.RT集成算法分别对归一化后的初始负荷数据和增量负荷数据进行训练,得到初始集成模型和中间集成模型;
(5)、构建进化集成模型;
(5.1)、设初始集成模型和中间集成模型分别拥有n个子学习器;
其中,i,j∈[1,n],H(·)表示求熵,H(|)表示求条件熵;
(5.3)、利用遗传算法构建进化集成模型;
其中,wτ表示在初始集成模型与中间集成模型中所选择的子学习器集合,λ为正则项;
(6)、将待预测的负荷数据同时输入至初始集成模型、中间集成模型和进化集成模型,三个模型分别预测出各自在t时刻的预测值yt (1),yt (2),yt (3);
计算每个模型的历史平均误差Mδ;
(7)、根据三个模型在t时刻的预测值,构建关于负荷预测值的随机变量x的函数;
(8)、根据函数gδ(x)和历史平均误差Mδ,构建关于负荷预测最大熵原理的约束函数;
其中,h(x)是随机变量x的熵,p(x)为随机变量x的概率密度函数,通过引入拉格朗日求解法求得p(x):
其中,λ0,λ1,λ2,λ3为拉格朗日乘子;
(9)、对概率密度p(x)求期望E(p(x)),得到实际的负荷预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221803.2A CN109978253B (zh) | 2019-03-22 | 2019-03-22 | 一种基于增量学习的电力***短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221803.2A CN109978253B (zh) | 2019-03-22 | 2019-03-22 | 一种基于增量学习的电力***短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978253A CN109978253A (zh) | 2019-07-05 |
CN109978253B true CN109978253B (zh) | 2022-11-22 |
Family
ID=67080108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910221803.2A Active CN109978253B (zh) | 2019-03-22 | 2019-03-22 | 一种基于增量学习的电力***短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978253B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648013A (zh) * | 2019-08-26 | 2020-01-03 | 广东工业大学 | 一种基于对偶型最大熵的电动汽车充电负荷预测方法 |
CN112734072A (zh) * | 2019-10-28 | 2021-04-30 | 深圳市中电软件有限公司 | 电力负荷预测方法、***、终端设备及介质 |
CN114049143B (zh) * | 2021-10-29 | 2022-07-22 | 湖南大学 | 面向节假日电力负荷的衍生簇模型预测方法及*** |
CN114091629B (zh) * | 2022-01-21 | 2022-07-15 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理***及其方法 |
CN115513951B (zh) * | 2022-11-17 | 2023-04-18 | 山东建筑大学 | 一种基于概念漂移检测的电力负荷预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332373A1 (en) * | 2009-02-26 | 2010-12-30 | Jason Crabtree | System and method for participation in energy-related markets |
-
2019
- 2019-03-22 CN CN201910221803.2A patent/CN109978253B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
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 |
Non-Patent Citations (5)
Title |
---|
A Novel RBF Training Algorithm for Short-Term Electric Load Forecasting and Comparative Studies;Carlo Cecati等;《IEEE Transactions on Industrial Electronics》;20151031;第62卷(第10期);第6519-6527页 * |
Short-Term Load Forecasting Model Based on Deep Neural Network;Xue Hui等;《2017 2nd International Conference on Power and Renewable Energy (ICPRE)》;20180621;第589-591页 * |
基于模式识别和集成学习的电力***暂态稳定评估;李洪伟;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20110515(第5期);C042-277 * |
基于深度学习的电网短期负荷预测方法研究;吴润泽等;《现代电力》;20180430;第35卷(第02期);第43-48页 * |
基于聚类的配电网超短期负荷预测及经济优化调度;马璇;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20181115(第11期);C042-225 * |
Also Published As
Publication number | Publication date |
---|---|
CN109978253A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978253B (zh) | 一种基于增量学习的电力***短期负荷预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Ding et al. | Research on using genetic algorithms to optimize Elman neural networks | |
CN112564098B (zh) | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 | |
CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和*** | |
CN105303262A (zh) | 一种基于核主成分分析和随机森林的短期负荷预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
Gilan et al. | Sustainable building design: A challenge at the intersection of machine learning and design optimization | |
CN113627070A (zh) | 一种短期光伏功率预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及*** | |
CN114971090A (zh) | 一种电供暖负荷预测方法、***、设备和介质 | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN117131654A (zh) | 基于预分析初猜值条件非线性最优扰动的目标观测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |