CN110188967B - 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 - Google Patents
基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 Download PDFInfo
- Publication number
- CN110188967B CN110188967B CN201910541440.0A CN201910541440A CN110188967B CN 110188967 B CN110188967 B CN 110188967B CN 201910541440 A CN201910541440 A CN 201910541440A CN 110188967 B CN110188967 B CN 110188967B
- Authority
- CN
- China
- Prior art keywords
- sequence
- power load
- value
- time point
- formula
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000000739 chaotic effect Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011541 reaction mixture Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法,其步骤包括:1获取气温、相对湿度、风力和电力负荷时间序列实际数据,对各序列数据进行预处理,划分训练集和测试集数据;2对电力负荷原始数据进行小波阈值去噪处理,还原电力负荷时间序列真实信息;3构建贝叶斯网络模型,得到初始预测区间;4计算区间变化幅值范围,运用混沌人群算法得到最优区间变化幅值;5在最优区间变化幅值邻域采用混沌搜索,得到最终预测区间。本发明能通过构造预测区间测量电力负荷的不确定性,从而能为电力***优化运行提供有效参考。
Description
技术领域
本发明涉及电力消费领域,主要涉及一种基于小波阈值去噪、贝叶斯网络与混沌人群搜索算法的电力负荷预测模型方法。
背景技术
近年来,消费的增长与产能的不断提高,使得电力的需求正日趋增长。其中,不断增加的信息流与数据流是电力***中的重要组成部分,通过分析特征数据及电力数据,进行的在线电力负荷预测有助于电网***的稳定运行及硬件设备的状态评估。与此同时,由于电能在多种能源使用中的高占比,使得对电能的管理调度变得极为重要。而通过对电力负荷做出准确可靠的预测,在一定程度上能够节约电能损耗,同时各种可再生能源发电规模的逐渐扩大,清洁能源的不确定性与弱可控性也给电力***的安全稳定运行带来了巨大的挑战。有效的电力负荷预测不仅是实施实时电价的基础,也可以帮助电力部门制定精确地调度方案。因此可靠、及时、准确的电力负荷预测已经成为目前急需解决的问题。
电力负荷数据由于受天气因素、***状态、数据失真等因素影响,导致所收集到的数据经常出现,异常值、缺失值及大噪声给电力负荷预测带来很大难度。同时,由于电力负荷数据规模较大,如不对数据进行一定技术处理,直接对数据进行预测得到的预测结果往往较差。而当前研究普遍针对于处理数据集中存在的异常值、缺失值,对于电力负荷数据的数据特征却没有针对性应对措施,预测结果的精度往往达不到理想水平。
当前,国内外关于电力负荷预测的方法主要有基于人工智能的方法、基于时间序列历史数据的统计方法及两者混合的预测方法。通常而言,针对电力负荷预测能够同时考虑数值天气物理数据和时间序列历史数据的预测模式能够显著提高其预测精度,但如何将两种成分的数据有效结合并进行预测一直以来都是难以解决的问题。数十年来,研究人员在电力负荷预测的点预测领域取得了卓越的研究成果,预测精度已经趋于理想水平。但由于负荷数据本身的特征和模型固有的缺陷,传统的确定性点预测方法存在点预测误差无法消除,无法对结果的不确定性进行度量,不能给出电力负荷的波动范围等问题。
在当前进行电力负荷的概率性预测的方法中,大多使用演化算法对模型进行优化,但传统的进化算法虽然全局寻有能力较强,能有效提升模型收敛速度,但普遍存在后期收敛速度慢,模型易早熟,容易陷入局部最优解的缺陷。在电力负荷预测中会导致算法运行时间长,达不到时间可用性要求;预测精度不高,达不到准确度可用性要求。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法,通过构造区间测量电力负荷的不确定性,从而能为电力调度决策提供有效参考。
本发明为解决技术问题采用如下技术方案:
本发明一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法的特点是按以下步骤进行:
步骤1、获取气温、相对湿度、风力和电力负荷实际值并进行数据预处理:
步骤1.1、采集温度的历史数据构成原始温度序列,并对所述原始温度序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的温度序列,记为F=[f1,f2,...fi,...fN],fi为所述预处理后的温度序列F中第i个时刻点的温度数据;
采集相对湿度的历史数据构成原始相对湿度序列,并对所述原始相对湿度序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的相对湿度序列,记为 H=[h1,h2,...hi...hN],hi为所述预处理后的相对湿度序列H中第i个时刻点的相对湿度数据;
采集风力的历史数据构成原始风力序列,并对所述原始风力序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的风力序列,记为V=[v1,v2,...vi,...,vN],vi为所述预处理后的风力序列V中第i个时刻点的风力数据,1≤i≤N,N为样本总数;
采集电力负荷的实际功率历史数据构成原始电力负荷序列,并对所述原始电力负荷序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的含噪电力负荷序列,记为 为所述预处理后的含噪电力负荷序列Praw中第i个时刻点的电力负荷数据;
将预处理后的温度序列、相对湿度序列、风力序列、含噪电力负荷序列所组成的数据集划分为训练集数据和测试集数据;
步骤1.2、对预处理后的含噪电力负荷序列Praw进行小波阈值去噪处理,将带有噪声的含噪负荷进行小波分解,获取含噪负荷序列Praw包含的真实数据信息;所述负荷去噪处理之后的序列记为P=[p1,p2,...,pi,...,pN],pi为真实负荷序列P中第i个时刻点的电力负荷值;
Praw=P+σ*ε (1)
式(1)中,Praw为含噪的电力负荷序列,P为不含噪声的真实负荷序列,σ为噪声强度,一般情况下可以假设ε为高斯白噪声,且σ=1;
步骤2、利用训练集数据构建贝叶斯网络模型:
步骤2.1、将所述负荷序列P中第i个时刻点的电力负荷真实值pi和第i个时刻点的温度数据fi、相对湿度数据hi和风力数据vi作为贝叶斯网络模型中的影响因子,将负荷序列P中第i+1个时刻点的电力负荷真实值pi+1作为输出节点,从而构建贝叶斯网络模型;
步骤2.2、根据时间序列数据,分别计算每个影响因子在不同取值时所对应的输出节点的条件概率,从而得到条件概率表;
步骤2.3、根据所述条件概率表和贝叶斯网络模型,得到负荷序列P中第i+1个时刻点的电力负荷值pi+1的概率分布,并将概率分布曲线上的最高点所对应的负荷区间作为电力负荷 P中第i+1个时刻点的电力负荷值pi+1的初始预测区间;
步骤3、使用混沌人群算法得到最优区间幅值变化范围:
将第i+1个时刻点的电力负荷预测区间的下限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的下限比值记为从而得到N个时刻点的下限比值,并选取所述N个时刻点的下限比值中的下四分值和上四分位值作为下限比值βlow的变化范围;
将第i+1个时刻的电力负荷预测区间的上限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的上限比值记为从而得到N个时刻点的上限比值,并选取所述N个时刻点的上限比值中的下四分位值和上四分位值作为上限比值βhigh的变化范围;
将下限比值βlow和上限比值βhigh作为混沌人群算法待优化的参数,并将相应的两个变化范围作为种群的变化范围;
步骤3.2、初始化种群个体:
设定种群规模为M,当前进化代数为t,最大进化代数为Tmax,空间维数为q,隶属度为 u,当前混沌搜索次数为d,最大混沌搜索次数为Dmax,权重值为ω,步长因子为α,α≥0,搜索方向为β,β∈{-1,0,1};
初始化t=0时,在种群的变化范围内生成M个随机数并作为M个成员的初始位置,其中,令第t次进化迭代时第n个成员的初始位置记为其中,为第t次进化迭代时第n个成员在下限比值βlow的变化范围中的随机数,为第t次进化迭代时第n个成员在上限比值βhigh的变化范围中的随机数,则成员种群的初始位置记为
步骤3.3、计算成员的适应度:
式(2)中,PINAWn t为第t次进化迭代时第n个成员的预测区间平均带宽,并通过式(3)得到,η2为预测区间平均带宽的参数,为第t次进化迭代时第n个成员的预测区间覆盖概率,并通过式(4)得到,为关于预测区间覆盖率的函数,并通过式(6) 得到,η1为预测区间覆盖率未达到置信水平μ1时的惩罚系数,为第t次进化迭代时第n个成员的预测区间的对称性指标,用于量化预测区间的对称性,并通过式(9)得到;为关于预测区间对称性的函数,在校正窗口期间等于常数1,在评估期间是与一致的函数,η3与μ2为对称性指标的参数;
式(3)中,R为电力负荷真实值序列P=[p1,p2,...,pi,...,pN]中的最大值与最小值的差值,为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间下界,并通过式(7)得到,为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间上界,并通过式(8)得到;
式(4)中,bn,i+1为第n个成员的第i+1个时刻点的布尔常量,若第i+1个时刻点的电力负荷真实值pi+1在第t次进化迭代时第n个成员的第i+1个时刻点的预测区间范围内,则令bn,i+1=1;否则,令bn,i+1=0;
根据成员的初始位置和适应度函数,将每个成员的适应度值作为成员的初始优度将第t次进化迭代时优度中的最小值记为其中,为第t次进化迭代时,成员种群中的最优位置,为最优位置的第一个分量,为最优位置的第二个分量;令Igmin(Xgbest)为经过t次进化迭代后的全局最优适应度值,且令令全局最优位置
步骤3.4、成员位置更新:
步骤3.5、再次利用式(2)获得第t+1次进化迭代时的成员种群中每个个体的优度,并比较各个成员个体之间的优度,从而在第t+1次进化迭代时的成员种群中寻找优度最小的成员的适应度值,记为其中,为第t+1次进化迭代后成员种群中的最优位置;
式(14)中,当q=1时,xq,max为成员种群的初始位置的第一个分量中的最大值,xq,min为成员种群的初始位置的第一个分量中的最小值;当q=2时,xq,max为成员种群的初始位置的第二个分量中的最大值,xq,min为成员种群的初始位置的第二个分量中的最小值;g(t)为第t次进化迭代后压缩算子g(t),并利用式(15)得到:
式(15)中,L为大于0的常数;
步骤3.9.1、利用式(2)计算最优坐标序列的适应度值 I(y(0)),I(y(1)),...,I(y(d)),...,在所述最优坐标序列的适应度值中寻找最小的适应度值记为Imin(ybest),其中,ybest为最优坐标序列y(0),y(1)...y(d)...中的最优位置;
步骤4、根据所述最优解和分别计算第i+1个时刻点的预测区间的最优下界第i+1个时刻点的预测区间的最优上界并由预测区间的最优下界和最优上界构成最终预测区间,再将测试集数据代入贝叶斯网络模型,从而完成电力负荷的概率性预测。
与现有技术相比,本发明的有益效果在于:
1、本发明中所采用的小波阈值去噪区别于传统的线性与非线性滤波,是一种有效的数据处理与分析方法,可以对数据进行去噪处理,获取原始电力负荷的真实信息。
2、本发明利用贝叶斯网络预测模型进行概率性区间预测来克服了现有预测方法可靠性低,而且计算复杂等不足之处,提高了电力负荷的预测质量。
3、本发明选取清洗后的电力负荷数据与混沌人群算法、贝叶斯网络方法相结合,构建了预测模型,得到了最优区间幅值变化范围,为电力调度人员提供一定的参考。
4、针对电力负荷概率性预测问题,本发明提出一种新的混沌人群算法,该算法在人群算法求出的最优解附近进行混沌搜索,提高了混沌人群算法的全局优化能力,通过运用 Chebyshev映射进行混沌搜索,解决了不能在负值区间进行搜索的问题,从而提高了概率性区间预测的质量,便于决策者进行科学合理的决策。
附图说明
图1是本发明方法流程图;
图2是本发明贝叶斯网络的结构图。
具体实施方式
本实施例中,一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法,如图1 所示,包括:获取气温、相对湿度、风力和电力负荷实际数据,对数据进行预处理;对电力负荷原始数据进行小波阈值去噪处理,还原电力负荷时间序列真实信息;建立贝叶斯网络模型,得到初始预测区间;计算区间变化幅值范围,运用混沌人群算法得到适应度函数最优时的最优区间变化范围,从而得到最终预测区间,并分析和评价预测结果。具体的说,是按以下步骤进行:
步骤1、获取气温、相对湿度、风力和电力负荷实际值并进行数据预处理:
步骤1.1、采集温度的历史数据构成原始温度序列,并对原始温度序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的温度序列,记为F=[f1,f2,...fi,...fN],fi为预处理后的温度序列F中第i个时刻点的温度数据;
采集相对湿度的历史数据构成原始相对湿度序列,并对原始相对湿度序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的相对湿度序列,记为 H=[h1,h2,...hi...hN],hi为预处理后的相对湿度序列H中第i个时刻点的相对湿度数据;
采集风力的历史数据构成原始风力序列,并对原始风力序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的风力序列,记为V=[v1,v2,...vi,...,vN],vi为预处理后的风力序列V中第i个时刻点的风力数据,1≤i≤N,N为样本总数;
采集电力负荷的实际功率历史数据构成原始电力负荷序列,并对原始电力负荷序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的含噪电力负荷序列,记为 为预处理后的含噪电力负荷序列Praw中第i个时刻点的电力负荷数据;
将预处理后的气温序列、相对湿度序列、风力序列、电力负荷序列所组成的数据集划分为训练集数据和测试集数据;
步骤1.2、对预处理后的含噪电力负荷序列Praw进行小波阈值去噪处理,将带有噪声的含噪负荷进行小波分解,获取含噪负荷序列Praw包含的真实数据信息;负荷去噪处理之后的序列记为P=[p1,p2,...,pi,...,pN],pi为真实负荷序列P中第i个时刻点的电力负荷值;
Praw=P+σ*ε (1)
式(1)中,Praw为含噪的电力负荷序列,P为不含噪声的真实负荷序列,σ为噪声强度,一般情况下可以假设ε为高斯白噪声,且σ=1;
步骤2、利用训练集数据构建贝叶斯网络模型:
步骤2.1、将负荷序列P中第i个时刻点的电力负荷真实值pi和第i个时刻点的温度数据 fi、相对湿度数据hi和风力数据vi作为贝叶斯网络模型中的影响因子,将负荷序列P中第i+1 个时刻点的电力负荷真实值pi+1作为输出节点,从而构建贝叶斯网络模型;
步骤2.2、根据时间序列数据,分别计算每个影响因子在不同取值时所对应的输出节点的条件概率,从而得到条件概率表;
步骤2.3、根据条件概率表和贝叶斯网络模型,得到负荷序列P中第i+1个时刻点的电力负荷值pi+1的概率分布,并将概率分布曲线上的最高点所对应的负荷区间作为电力负荷P中第i+1个时刻点的电力负荷值pi+1的初始预测区间;
步骤3、使用混沌人群算法得到最优区间幅值变化范围:
将第i+1个时刻点的电力负荷预测区间的下限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的下限比值记为从而得到N个时刻点的下限比值,并选取N个时刻点的下限比值中的下四分值和上四分位值作为下限比值βlow的变化范围;
将第i+1个时刻点的电力负荷预测区间的上限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的上限比值记为从而得到N个时刻点的上限比值,并选取N个时刻点的上限比值中的下四分位值和上四分位值作为上限比值βhigh的变化范围;
将下限比值βlow和上限比值βhigh作为混沌人群算法待优化的参数,并将相应的两个变化范围作为种群的变化范围;
步骤3.2、初始化种群个体:
设定种群规模为M,当前进化代数为t,最大进化代数为Tmax,空间维数为q,隶属度为 u,当前混沌搜索次数为d,最大混沌搜索次数为Dmax,权重值为ω,步长因子为α,α≥0,搜索方向为β,β∈{-1,0,1};
初始化t=0时,在种群的变化范围内生成M个随机数并作为M个成员的初始位置,其中,令第t次进化迭代时第n个成员的初始位置记为其中,为第t次进化迭代时第n个成员在下限比值βlow的变化范围中的随机数,为第t次进化迭代时第n个成员在上限比值βhigh的变化范围中的随机数,则成员种群的初始位置记为
步骤3.3、计算成员的适应度:
式(2)中,为第t次进化迭代时第n个成员的预测区间平均带宽,并通过式(3)得到,η2为预测区间平均带宽的参数,为第t次进化迭代时第n个成员的预测区间覆盖概率,并通过式(4)得到,为关于预测区间覆盖率的函数,并通过式(6) 得到,η1为预测区间覆盖率未达到置信水平μ1时的惩罚系数,为第t次进化迭代时第n个成员的预测区间的对称性指标,用于量化预测区间的对称性,并通过式(9)获得,为关于预测区间对称性的函数,在校正窗口期间等于常数1,在评估期间是与一致的函数,η3与μ2为对称性指标的参数;
式(3)中,R为电力负荷真实值序列P=[p1,p2,...,pi,...,pN]中的最大值与最小值的差值,为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间下界,并通过式(7)得到,为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间上界,并通过式(8)得到;
式(4)中,bn,i+1为第n个成员的第i+1个时刻点的布尔常量,若第i+1个时刻点的电力负荷真实值pi+1在第t次进化迭代时第n个成员的第i+1个时刻点的预测区间范围内,则令bn,i+1=1;否则,令bn,i+1=0;
根据成员的初始位置和适应度函数,将每个成员的适应度值作为成员的初始优度将第t次进化迭代时优度中的最小值记为其中,为第t次进化迭代时,成员种群中的最优位置,为最优位置的第一个分量,为最优位置的第二个分量;令Igmin(Xgbest)为经过t次进化迭代后的全局最优适应度值,且令令全局最优位置
步骤3.4、成员位置更新:
根据不确定性推理行为模拟成员的搜索行为,采用如式(10)所示的高斯隶属度或线性隶属函数rand(un,1)的目标函数隶属度u,结合惯性权值ω,计算每一个成员在每一维的搜索方向及步长β和α,确定搜索方向和步长后,依据式(11)和式(12)对所有个体进行位置更新;
式(10)至(12)中,表示第n个成员第t次迭代的位置,表示第n个成员第t+1次迭代位置的变动,表示第n个成员第t+1次迭代的位置,表示第n个成员第t次迭代位置更新的步长,表示第n个成员第t次迭代位置更新的方向;
利用式(15)得到惯性权值ω:
ω=(Tmax-t)/Tmax (15)
步骤3.5、再次利用式(2)获得第t+1次进化迭代时的成员种群中每个个体的优度,并比较各个成员个体之间的优度,从而在第t+1次进化迭代时的成员种群中寻找优度最小的成员的适应度值,记为其中,为第t+1次进化迭代后成员种群中的最优位置;
式(18)中,当q=1时,xq,max为成员种群的初始位置的第一个分量中的最大值,xq,min为成员种群的初始位置的第一个分量中的最小值;当q=2时,xq,max为成员种群的初始位置的第二个分量中的最大值,xq,min为成员种群的初始位置的第二个分量中的最小值;g(t)为第t次进化迭代后压缩算子g(t),并利用式(19) 得到:
式(19)中,L为大于0的常数;
步骤3.9.1、利用式(2)计算最优坐标序列的适应度值 I(y(0)),I(y(1)),...,I(y(d)),...,在最优坐标序列的适应度值中寻找最小的适应度值记为Imin(ybest),其中,ybest为最优坐标序列y(0),y(1)...y(d)...中的最优位置;
步骤4、根据最优解和分别计算第i+1个时刻点的预测区间的最优下界第i+1个时刻点的预测区间的最优上界并由预测区间的最优下界和最优上界构成最终预测区间,再将测试集数据代入贝叶斯网络模型,从而完成电力负荷的概率性预测,设置具体评价以证明本发明模型的预测结果较为理想。
本发明将小波阈值去噪、混沌人群算法与贝叶斯网络相结合,将带有白噪声的含噪负荷进行小波分解,获取负荷序列包含的真实数据信息,有利于建立模型,通过贝叶斯网络模型,可以将影响电力负荷的环境因素考虑其中,使电力负荷预测更贴近实际,并使用混沌人群算法使得预测区间更加精确,在电力***调度方面,该模型可以提供一定的参考。
Claims (1)
1.一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法,其特征是按以下步骤进行:
步骤1、获取气温、相对湿度、风力和电力负荷实际值并进行数据预处理:
步骤1.1、采集温度的历史数据构成原始温度序列,并对所述原始温度序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的温度序列,记为F=[f1,f2,...fi,...fN],fi为所述预处理后的温度序列F中第i个时刻点的温度数据;
采集相对湿度的历史数据构成原始相对湿度序列,并对所述原始相对湿度序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的相对湿度序列,记为H=[h1,h2,...hi...hN],hi为所述预处理后的相对湿度序列H中第i个时刻点的相对湿度数据;
采集风力的历史数据构成原始风力序列,并对所述原始风力序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的风力序列,记为V=[v1,v2,...vi,...,vN],vi为所述预处理后的风力序列V中第i个时刻点的风力数据,1≤i≤N,N为样本总数;
采集电力负荷的实际功率历史数据构成原始电力负荷序列,并对所述原始电力负荷序列进行缺失值和异常值的填补以及归一化处理,从而得到预处理后的含噪电力负荷序列,记为 为所述预处理后的含噪电力负荷序列Praw中第i个时刻点的电力负荷数据;
将预处理后的温度序列、相对湿度序列、风力序列、含噪电力负荷序列所组成的数据集划分为训练集数据和测试集数据;
步骤1.2、对预处理后的含噪电力负荷序列Praw进行小波阈值去噪处理,将带有噪声的含噪负荷进行小波分解,获取含噪负荷序列Praw包含的真实数据信息;所述负荷去噪处理之后的序列记为P=[p1,p2,...,pi,...,pN],pi为真实负荷序列P中第i个时刻点的电力负荷值;
Praw=P+σ*ε (1)
式(1)中,Praw为含噪的电力负荷序列,P为不含噪声的真实负荷序列,σ为噪声强度,其中,ε为高斯白噪声,且σ=1;
步骤2、利用训练集数据构建贝叶斯网络模型:
步骤2.1、将所述负荷序列P中第i个时刻点的电力负荷真实值pi和第i个时刻点的温度数据fi、相对湿度数据hi和风力数据vi作为贝叶斯网络模型中的影响因子,将负荷序列P中第i+1个时刻点的电力负荷真实值pi+1作为输出节点,从而构建贝叶斯网络模型;
步骤2.2、根据时间序列数据,分别计算每个影响因子在不同取值时所对应的输出节点的条件概率,从而得到条件概率表;
步骤2.3、根据所述条件概率表和贝叶斯网络模型,得到负荷序列P中第i+1个时刻点的电力负荷值pi+1的概率分布,并将概率分布曲线上的最高点所对应的负荷区间作为电力负荷P中第i+1个时刻点的电力负荷值pi+1的初始预测区间;
步骤3、使用混沌人群算法得到最优区间幅值变化范围:
将第i+1个时刻点的电力负荷预测区间的下限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的下限比值记为从而得到N个时刻点的下限比值,并选取所述N个时刻点的下限比值中的下四分值和上四分位值作为下限比值βlow的变化范围;
将第i+1个时刻点的电力负荷预测区间的上限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的上限比值记为从而得到N个时刻点的上限比值,并选取所述N个时刻点的上限比值中的下四分位值和上四分位值作为上限比值βhigh的变化范围;
将下限比值βlow和上限比值βhigh作为混沌人群算法待优化的参数,并将相应的两个变化范围作为种群的变化范围;
步骤3.2、初始化种群个体:
设定种群规模为M,当前进化代数为t,最大进化代数为Tmax,空间维数为q,隶属度为u,当前混沌搜索次数为d,最大混沌搜索次数为Dmax,权重值为ω,步长因子为α,α≥0,搜索方向为β,β∈{-1,0,1};
初始化t=0时,在种群的变化范围内生成M个随机数并作为M个成员的初始位置,其中,令第t次进化迭代时第n个成员的初始位置记为其中,为第t次进化迭代时第n个成员在下限比值βlow的变化范围中的随机数,为第t次进化迭代时第n个成员在上限比值βhigh的变化范围中的随机数,则成员种群的初始位置记为
步骤3.3、计算成员的适应度:
式(2)中,为第t次进化迭代时第n个成员的预测区间平均带宽,并通过式(3)得到,η2为预测区间平均带宽的参数,为第t次进化迭代时第n个成员的预测区间覆盖概率,并通过式(4)得到,为关于预测区间覆盖率的函数,并通过式(6)得到,η1为预测区间覆盖率未达到置信水平μ1时的惩罚系数,为第t次进化迭代时第n个成员的预测区间的对称性指标,用于量化预测区间的对称性,并通过式(9)得到;为关于预测区间对称性的函数,在校正窗口期间等于常数1,在评估期间是与一致的函数,η3与μ2为对称性指标的参数;
式(3)中,R为电力负荷真实值序列P=[p1,p2,...,pi,...,pN]中的最大值与最小值的差值,为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间下界,并通过式(7)得到,为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间上界,并通过式(8)得到;
式(4)中,bn,i+1为第n个成员的第i+1个时刻点的布尔常量,若第i+1个时刻点的电力负荷真实值pi+1在第t次进化迭代时第n个成员的第i+1个时刻点的预测区间范围内,则令bn,i+1=1;否则,令bn,i+1=0;
根据成员的初始位置和适应度函数,将每个成员的适应度值作为成员的初始优度将第t次进化迭代时优度中的最小值记为其中,为第t次进化迭代时,成员种群中的最优位置,为最优位置的第一个分量,为最优位置的第二个分量;令Igmin(Xgbest)为经过t次进化迭代后的全局最优适应度值,且令令全局最优位置
步骤3.4、成员位置更新:
步骤3.5、再次利用式(2)获得第t+1次进化迭代时的成员种群中每个个体的优度,并比较各个成员个体之间的优度,从而在第t+1次进化迭代时的成员种群中寻找优度最小的成员的适应度值,记为其中,为第t+1次进化迭代后成员种群中的最优位置;
式(14)中,当q=1时,xq,max为成员种群的初始位置的第一个分量中的最大值,xq,min为成员种群的初始位置的第一个分量中的最小值;当q=2时,xq,max为成员种群的初始位置的第二个分量中的最大值,xq,min为成员种群的初始位置的第二个分量中的最小值;g(t)为第t次进化迭代后压缩算子g(t),并利用式(15)得到:
式(15)中,L为大于0的常数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541440.0A CN110188967B (zh) | 2019-06-21 | 2019-06-21 | 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541440.0A CN110188967B (zh) | 2019-06-21 | 2019-06-21 | 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188967A CN110188967A (zh) | 2019-08-30 |
CN110188967B true CN110188967B (zh) | 2021-01-15 |
Family
ID=67722824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910541440.0A Active CN110188967B (zh) | 2019-06-21 | 2019-06-21 | 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188967B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112995075B (zh) * | 2021-02-15 | 2022-04-26 | 青岛科技大学 | 基于锦标赛选择的混沌人工蜂群算法的水声信道均衡方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN105205326A (zh) * | 2015-09-24 | 2015-12-30 | 渤海大学 | 一种电厂实时负荷在线预测方法 |
CN106251027A (zh) * | 2016-08-17 | 2016-12-21 | 合肥工业大学 | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 |
CN106295899A (zh) * | 2016-08-17 | 2017-01-04 | 合肥工业大学 | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
CN109886452A (zh) * | 2019-01-04 | 2019-06-14 | 国网山东省电力公司电力科学研究院 | 一种基于经验动态建模的风电功率超短期概率预测方法及*** |
-
2019
- 2019-06-21 CN CN201910541440.0A patent/CN110188967B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN105205326A (zh) * | 2015-09-24 | 2015-12-30 | 渤海大学 | 一种电厂实时负荷在线预测方法 |
CN106251027A (zh) * | 2016-08-17 | 2016-12-21 | 合肥工业大学 | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 |
CN106295899A (zh) * | 2016-08-17 | 2017-01-04 | 合肥工业大学 | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 |
CN109886452A (zh) * | 2019-01-04 | 2019-06-14 | 国网山东省电力公司电力科学研究院 | 一种基于经验动态建模的风电功率超短期概率预测方法及*** |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
Chaotic Bayesian optimal prediction method and its application in hydrological time series;Xiao-Hua Yang等;《Computers and Mathematics with Applications》;20110430;第61卷;第1975-1978页 * |
基于混合粒子群优化的贝叶斯网络结构学习方法;尉永清 等;《小型微型计算机***》;20180930;第39卷(第9期);第2060-2065页 * |
基于混合自适应Memetic算法的贝叶斯网络结构学习;沈佳杰 等;《***工程与电子技术》;20120630;第34卷(第6期);第1293-1297页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110188967A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN110264006B (zh) | 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
CN114781723A (zh) | 一种基于多模型融合的短期光伏出力预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN110188967B (zh) | 基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
CN113449920A (zh) | 一种风电功率预测方法、***及计算机可读介质 | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN115796361A (zh) | 一种架空线路工程可研阶段的风速区间预测方法和装置 | |
CN114912653A (zh) | 一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法 | |
CN110598914A (zh) | 一种多因素影响下矿井灾害气体浓度区间预测方法及*** | |
CN114462684B (zh) | 耦合数值天气预报与实测数据的风速多点同步预测方法 | |
CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
CN114465256B (zh) | 多节点电动汽车充电负荷联合对抗生成区间预测方法 | |
CN113722970B (zh) | 一种光伏功率超短期在线预测方法 | |
CN116956753B (zh) | 基于模拟退火与循环卷积的分布式光伏预测方法与装置 |
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 |