CN109978253B - 一种基于增量学习的电力***短期负荷预测方法 - Google Patents

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

一种基于增量学习的电力***短期负荷预测方法

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；

其中，

为第k个时刻的相关系数，

为当前时刻t的负荷数据，

为所有负荷数据的均值，τ＝1,2，当τ＝1时，代表初始数据集，当τ＝2时，代表增量数据集；

(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；

其中，

代表初始负荷数据或增量负荷数据中的最小值，

代表初始负荷数据或增量负荷数据中的最大值；

(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；

(5.2)、分别计算初始集成模型与中间集成模型中第i个子学习器的输出向量f_i ^τ与模型的目标输出向量Y^τ的互信息

以及分别计算初始集成模型与中间集成模型中第i个子学习器的输出向量f_i ^τ与第j个子学习器的输出向量

的互信息

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，w^τ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y_t ⁽¹⁾，y_t ⁽²⁾，y_t ⁽³⁾；

计算每个模型的历史平均误差M_δ；

其中，N为时刻总数，y_t-k为t时刻前的第k个时刻的历史真实值，

为t时刻前的第k个时刻预测值，δ＝1,2,3，分别表示初始集成模型、中间集成模型和进化集成模型；

(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g_δ(x)和历史平均误差M_δ，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；

其中，

为第k个时刻的相关系数，

为当前时刻t的负荷数据，

为所有负荷数据的均值，τ＝1,2，当τ＝1时，代表初始数据集，当τ＝2时，代表增量数据集；

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；

其中，

代表初始负荷数据或增量负荷数据中的最小值，

代表初始负荷数据或增量负荷数据中的最大值；

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；

S5.2、分别计算初始集成模型与中间集成模型中第i个子学习器的输出向量f_i ^τ与模型的目标输出向量Y^τ的互信息

以及分别计算初始集成模型与中间集成模型中第i个子学习器的输出向量f_i ^τ与第j个子学习器的输出向量

的互信息

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，w^τ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y_t ⁽¹⁾，y_t ⁽²⁾，y_t ⁽³⁾；

计算每个模型的历史平均误差M_δ；

其中，N为时刻总数，y_t-k为t时刻前的第k个时刻的历史真实值，

为t时刻前的第k个时刻预测值，δ＝1,2,3，分别表示初始集成模型、中间集成模型和进化集成模型；

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g_δ(x)和历史平均误差M_δ，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λ_δ的计算方法为：运用非线性规划方法求解λ_δ；

将求解λ_δ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λ_δ。

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；

其中，

为第k个时刻的相关系数，

为当前时刻t的负荷数据，

为所有负荷数据的均值，τ＝1,2，当τ＝1时，代表初始数据集，当τ＝2时，代表增量数据集；

(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；

其中，

代表初始负荷数据或增量负荷数据中的最小值，

代表初始负荷数据或增量负荷数据中的最大值；

(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；

(5.2)、分别计算初始集成模型与中间集成模型中第i个子学习器的输出向量f_i ^τ与模型的目标输出向量Y^τ的互信息

以及分别计算初始集成模型与中间集成模型中第i个子学习器的输出向量f_i ^τ与第j个子学习器的输出向量

的互信息

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，w^τ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y_t ⁽¹⁾，y_t ⁽²⁾，y_t ⁽³⁾；

计算每个模型的历史平均误差M_δ；

其中，N为时刻总数，y_t-k为t时刻前的第k个时刻的历史真实值，

为t时刻前的第k个时刻预测值，δ＝1,2,3，分别表示初始集成模型、中间集成模型和进化集成模型；

(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g_δ(x)和历史平均误差M_δ，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。

2.根据权利要求1所述的一种基于增量学习的电力***短期负荷预测方法，其特征在于，所述的拉格朗日乘子λ₀的计算方法为：

所述的拉格朗日乘子λ_δ的计算方法为：运用非线性规划方法求解λ_δ；

将求解λ_δ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λ_δ。

Images