CN111242210A - 基于改进Shapley值模型的短期负荷预测方法 - Google Patents
基于改进Shapley值模型的短期负荷预测方法 Download PDFInfo
- Publication number
- CN111242210A CN111242210A CN202010020729.0A CN202010020729A CN111242210A CN 111242210 A CN111242210 A CN 111242210A CN 202010020729 A CN202010020729 A CN 202010020729A CN 111242210 A CN111242210 A CN 111242210A
- Authority
- CN
- China
- Prior art keywords
- prediction
- value
- component
- model
- combined
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000000737 periodic effect Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进Shapley值模型的短期负荷预测方法,通过希尔伯特黄(HHT)变换对非平稳负荷进行重构得到随机、周期、趋势分量;通过改进shapley值模型确定组合预测各个预测方法的权重分配,并分别应用于随机、周期、趋势分量的预测,将得到的各个预测分量进行叠加得到最终预测值。相对于现有预测方法,本发明提出的预测方法具有更高的精确度和稳定性。
Description
技术领域
本发明涉及电力***负荷预测技术领域,具体而言涉及一种基于改进Shapley值模型的短期负荷预测方法。
背景技术
在电力***运行控制和计划管理中,负荷预测决定了发电、输电和配电的合理安排,是电力***规划的重要组成部分。其中,短期符合预测最主要的应用是为发电计划程序提供数据,用来确定满足安全要求、运行约束、以及自然环境和设备的运行方案。如何提高预测精度是目前研究短期负荷预测理论与方法的中心和重点。
有部分研究人员针对单一预测方法预测精度不高的问题,提出了组合预测模型进行预测的理念,针对单一预测方法同时对呈现不同平稳特征的三种分量进行预测将产生较大误差的问题,组合预测方法可以有效结合各个预测方法的优势,提高预测精度,难点是权值的分配问题。
例如专利号为CN201811334912.7的发明专利中提出一种基于改进shapley值的风电汇聚趋势性分状态量化方法,针对仅利用测风数据及气象数据对汇聚效应预测精度较低、传统 shapley值法在单一模型预测结果偏差过大时仍参与组合的问题,本发明基于改进shapley值法对风电汇聚效应的趋势性进行量化分析,在对不同风电输出状态量化分析的基础上,得到各风电输出状态下的风电持续出力曲线,进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型,并建立预测精度评价体系。相对于单一的预测模型,风电持续出力曲线的分状态组合预测方法能更准确地描述风电汇聚的趋势,为风电基地扩建后的外送输电容量规划提供一定的理论依据。但是这类方法比较适合稳定运行环境下的电力***负荷预测,并不适用于实际运行过程中出现不稳定特征的复杂负荷数据的预测能力,其中包含的权值分配方法也不适用于短期负荷预测方法。
而随着国家电网的进一步推进,需求侧用户终端的智能化水平不断提高,用户负荷时序特征显著改变,短期负荷数据具有非平稳性的特点,单一的负荷预测模型和常规的组合预测模型忽略负荷数据的时序性特点,难以达到满意的预测准确度。新形势下如何更加精准科学地分析和挖掘负荷的内部特征,提高短期负荷预测的精确性亟待解决。
发明内容
本发明目的在于提供一种基于改进Shapley值模型的短期负荷预测方法,通过希尔伯特黄(HHT)变换对非平稳负荷进行重构得到随机、周期、趋势分量;通过改进shapley值模型确定组合预测各个预测方法的权重分配,并分别应用于随机、周期、趋势分量的预测,将得到的各个预测分量进行叠加得到最终预测值。相对于现有预测方法,本发明提出的预测方法具有更高的精确度和稳定性。
为达成上述目的,结合图1,本发明提出一种基于改进Shapley值模型的短期负荷预测方法,所述短期负荷预测方法包括:
S1:通过经验模态分解对呈现不稳定特征的负荷数据进行分解,得到有限个本征模态函数;
S2:通过希尔伯特变换得到各个本征模态函数对应的时间-频率曲线;
S3:按各个时间-频率曲线交叠最少为原则将各个本征模态函数重构为随机、周期、趋势分量;
S4:针对随机、周期、趋势分量分别采用改进shapley值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量;
S5:将随机、周期、趋势分量对应的预测分量进行叠加后得到最终预测分量。
进一步的实施例中,步骤S1中,所述通过经验模态分解对呈现不稳定特征的负荷数据进行分解,得到有限个本征模态函数的过程包括以下步骤:
S11:设l=1;
S12:采用三次样条函数对负荷数据进行插值,得到其上包络线emax(t)以及下包络线 emin(t),计算二者均值ml(t);
S13:通过负荷功率S(t)分解得到候选模态函数序列cl(t):
cl(t)=S(t)-ml(t)
S14:判断cl(t)是否满足由局部最大值点及最小值点分别拟合生成的上包络线、下包络线的均值等于零,如果不满足,则将cl(t)视为新的S(t),重复步骤S12至S13,直至满足条件得到模态函数序列cl(t);
S15:从负荷曲线S(t)中去除cl(t)分量得到余项r(t),计算公式如下:
r(t)=S(t)-cl(t);
S16:将r(t)视为新的S(t),l加1,重复步骤S12至S16,计算得到其他候选模态函数序列cl(t),直至r(t)无法再分离模态函数序列;
此时,各固有模态函数cl(t)和余项r(t)满足以下公式:
其中,num是候选模态函数序列的总数,S(t)是初始负荷功率。
进一步的实施例中,步骤S2中,所述通过希尔伯特变换得到各个本征模态函数对应的时间-频率曲线的过程包括以下步骤:
S23:计算振幅函数al(t),计算公式如下:
S24:计算瞬时频率fl(t),计算公式如下:
进一步的实施例中,步骤S4中,所述针对随机、周期、趋势分量分别采用改进shapley 值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量的过程包括以下步骤:
S41:采用多种预测方法针对分量k进行预测,获取预测误差集合Fk;
S42:通过针对分量k的预测误差集合Fk得到其所有子集,即组合误差值Ek(*);
S43:计算各个预测方法针对分量k的Shapley值Eik;
S44:计算得到针对分量k的预测权值集合Wk;
S45:根据针对分量k的预测权值集合Wk,计算得到分量k的预测结果。
进一步的实施例中,步骤S44中,所述计算得到针对分量k的预测权值集合Wk还包括以下步骤:
判断预测权值集合Wk中是否存在小于0的元素,如果存在,去除权值为负值的预测方法,返回步骤S42,重新计算针对分量k的预测权值集合Wk,否则,进入步骤S45,计算得到分量 k的预测结果。
进一步的实施例中,步骤S4中,所述针对随机、周期、趋势分量分别采用改进shapley 值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量的过程包括以下步骤:
采用灰色预测、Elman神经网络和SVM进行组合预测,通过改进Shapley值法确定各预测方法的权重分配,组合预测模型如下:
Yk=ωAKYAK+ωBKYBK+ωCKYCK
式中:Yk为状态k下的组合预测值;ωAK、ωBK、ωCK分别为灰色预测、Elman神经网络和 SVM三种在分量k下的权重;YAK、YBK、YCK分别为三种预测方法在分量k下的预测值。
进一步的实施例中,所述采用灰色预测、Elman神经网络和SVM进行组合预测,通过改进Shapley值法确定各预测方法的权重分配的过程包括以下步骤:
S401:设集合I={1,2,3},集合I包含的任何子集p、q,其表示为3种预测方法中的任一组合,E(p)、E(q)表示各内部缺陷预测误差;
对于集合I的任何子集p、q,都有:
E(p)+E(q)≥E(p∪q);
E(3)表示3种预测模型进行组合预测由于内部缺陷而产生的总误差,即E(3)=∑i∈Ixi;
S403:定义Ei为第i种预测模型所产生误差绝对值的平均值,E为组合预测的误差总和,则有:
式中:样本个数表示为m,第i种预测模型的第σ个样本产生的误差绝对值表示为eiσ,n为预测模型总数;
S404:根据下述公式基于Shapley值法分配权重:
式中:ω|p|表示加权因子,p-{i}表示组合中去除模型i′,i′表示参与组合预测的某个负荷预测模型;E′t为第i种预测模型的误差量,即Shapley值,|p|为组合预测模型内预测方法的个数;
通过下述公式计算组合预测模型中各预测方法权重分配:
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)在具有较大波动特征的负荷预测中,通过HHT变换对负荷进行重构,得到波动特征集中且变化频率平稳的分量,对重构分量分别进行预测,有效降低了负荷波动性对负荷预测的影响。
(2)通过改进Shapley值法确定组合预测内各预测方法的权值,叠加重构后三种分量的预测值得到最终预测结果,相比单一预测模型和未改进的shapley值组合预测模型,预测准确度和算法稳定性得到很大的提高。
(3)在对负荷数据进行重构后,针对各个分量设置与之对应的权值,分别采用组合预测模型进行预测,相比于现有预测方法,针对性更强,预测准确度更高。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为基于改进shapley值模型的短期负荷预测方法的流程图。
图2为用于训练和测试的历史负荷数据的示意图。
图3为历史负荷数据中30日数据经EMD分解后的本征模态分量的示意图。
图4为经希尔伯特变换后各个本征模态分量的时间-频率曲线的示意图。
图5为随机、周期、趋势分量情况的示意图。
图6为本方法的预测结果与其他方法预测结果的对比示意图。
图7为采用shapley值模型得到的权值分配结果(表1)。
图8为采用改进shapley值模型得到的权值分配结果(表2)。
图9为各个方法预测结果的对比(表3)。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
如图1所示,本发明提出的基于改进shapley值模型的短期负荷预测方法包括如下步骤:
步骤1,通过经验模态分解(EMD)对呈现不稳定特征的负荷数据进行分解,得到有限个本征模态函数(IMF)。
希尔伯特黄(HHT)变换可以根据负荷内部不平稳的时序性特征,通过EMD分解将呈现不平稳特点的负荷分解为几种具有不同特征时间尺度的固有模态分量,通过希尔伯特变换可以得到各模态分量的瞬时频率-时间曲线,为负荷曲线的重构提供条件。
本方法采用图2所示的负荷数据,提取其中18日数据(每日采集96次)作为算例进行分析,将18*96个数据进行EMD分解,得到各个本征模态分量,如图3所示,具体步骤为:
1)采用三次样条函数对初始负荷数据进行插值,得到其上包络线emax(t)以及下包络线 emin(t),计算二者均值m1(t)。
2)通过负荷功率P(t)分解得到候选模态函数序列c1(t):
c1(t)=S(t)-m1(t) (1)
3)判断c1(t)是否满足由局部最大值点及最小值点分别拟合生成的上包络线、下包络线的均值等于零,如果不满足,则将c1(t)视为新的S(t),重复步骤1)、2),直至满足条件得到模态函数序列c1(t)。
4)从负荷曲线S(t)中去除c1(t)分量得到余项r(t),计算公式如下:
r(t)=S(t)-c1(t) (2)
5)将r(t)视为新的S(t),重复步骤1)、2),3),4),计算得到其他候选模态函数序列cl(t),直至r(t)无法再分离模态函数序列。
此时,各固有模态函数cl(t)和余项r(t)满足以下公式:
步骤2,通过希尔伯特变换得到各个本征模态函数对应的时间-频率曲线。
对经过EMD分解之后的本征模态分量cl做希伯尔特变换,得各个模态分量的瞬时频率,结果如图4所示,主要步骤为:
3)计算振幅函数,计算公式如下:
4)计算瞬时频率,计算公式如下:
步骤3,按各个时间-频率曲线交叠最少为原则将各个本征模态函数重构为随机、周期、趋势分量,结果如图5所示。
步骤4,针对随机、周期、趋势分量分别采用改进shapley值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量。
组合预测模型如下:
Yk=ωAKYAK+ωBKYBK+ωCKYCK (8)
式中:Yk为状态k下的组合预测值;ωAK,ωBK,ωCK分别为灰色预测、Elman神经网络和SVM 三种在分量k下的权重;YAK,YBK,YCK分别为三种预测方法在分量k下的预测值。
为得到各个预测方法的权值,本专利构造shapley值权值模型,并做以下定义:
1)对于I集合(I={1,2,3})包含的任何子集p、q,其表示为3种方法中的任一组合,E(p)、E(q)表示各内部缺陷预测误差。
2)对于I的任何子集p、q,都有:
E(p)+E(q)≥E(p∪q) (9)
4)E(3)表示3种预测模型进行组合预测由于内部缺陷而产生的总误差,即E(3)=∑i∈Ixi。
定义Ei为第i种预测模型所产生误差绝对值的平均值,E为组合预测的误差总和,则有:
式中:样本个数表示为m;第i种预测模型的第σ个样本产生的误差绝对值表示为eiσ,n为预测模型总数。
式(12)、(13)表示基于Shapley值法分配权重的公式:
式中:ω|p|表示加权因子,p-{i}表示组合中去除模型i′,i′表示参与组合预测的某个负荷预测模型;E′t为i模型的误差量,即Shapley值,|p|为组合预测模型内预测方法的个数。
组合预测模型中各预测方法权重分配可以通过式(14)计算:
针对某一预测方法误差过大影响预测精度,对Shapley值模型进行改进,本方法舍弃负权值系数代表的预测方法,对剩余的组合预测剩余方法重新进行权重分配,避免预测结果较差的预测方法干扰组合预测结果。采用shapley值模型得到的权值分配结果结果如表1所示。采用改进shapley值模型得到的权值分配结果如表2所示。
步骤5,针对随机、周期、趋势分量对应的预测分量进行叠加得到最终预测分量。
为了验证本发明提出的预测方法的性能,本发明采用单一预测模型、未改进的Shapley 组合预测模型和改进后Shapley值的组合预测模型三种方案对非平稳负荷进行短期预测,从模型精确度和稳定性两个角进行对比分析。比对结果如图6、表3所示,结果表明,本文提出的预测方法具有更高的精确度和稳定性。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种基于改进Shapley值模型的短期负荷预测方法,其特征在于,所述短期负荷预测方法包括:
S1:通过经验模态分解对呈现不稳定特征的负荷数据进行分解,得到有限个本征模态函数;
S2:通过希尔伯特变换得到各个本征模态函数对应的时间-频率曲线;
S3:按各个时间-频率曲线交叠最少为原则将各个本征模态函数重构为随机、周期、趋势分量;
S4:针对随机、周期、趋势分量分别采用改进shapley值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量;
S5:将随机、周期、趋势分量对应的预测分量进行叠加后得到最终预测分量。
2.根据权利要求1所述的基于改进Shapley值模型的短期负荷预测方法,其特征在于,步骤S1中,所述通过经验模态分解对呈现不稳定特征的负荷数据进行分解,得到有限个本征模态函数的过程包括以下步骤:
S11:设l=1;
S12:采用三次样条函数对负荷数据进行插值,得到其上包络线emax(t)以及下包络线emin(t),计算二者均值ml(t);
S13:通过负荷功率S(t)分解得到候选模态函数序列cl(t):
cl(t)=S(t)-ml(t)
S14:判断cl(t)是否满足由局部最大值点及最小值点分别拟合生成的上包络线、下包络线的均值等于零,如果不满足,则将cl(t)视为新的S(t),重复步骤S12至S13,直至满足条件得到模态函数序列cl(t);
S15:从负荷曲线S(t)中去除cl(t)分量得到余项r(t),计算公式如下:
r(t)=S(t)-cl(t);
S16:将r(t)视为新的S(t),l加1,重复步骤S12至S16,计算得到其他候选模态函数序列cl(t),直至r(t)无法再分离模态函数序列;
此时,各固有模态函数cl(t)和余项r(t)满足以下公式:
其中,num是候选模态函数序列的总数。
4.根据权利要求1所述的基于改进Shapley值模型的短期负荷预测方法,其特征在于,步骤S4中,所述针对随机、周期、趋势分量分别采用改进shapley值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量的过程包括以下步骤:
S41:采用多种预测方法针对分量k进行预测,获取预测误差集合Fk;
S42:通过针对分量k的预测误差集合Fk得到其所有子集,即组合误差值Ek(*);
S43:计算各个预测方法针对分量k的Shapley值Eik;
S44:计算得到针对分量k的预测权值集合Wk;
S45:根据针对分量k的预测权值集合Wk,计算得到分量k的预测结果。
5.根据权利要求4所述的基于改进Shapley值模型的短期负荷预测方法,其特征在于,步骤S44中,所述计算得到针对分量k的预测权值集合Wk还包括以下步骤:
判断预测权值集合Wk中是否存在小于0的元素,如果存在,去除权值为负值的预测方法,返回步骤S42,重新计算针对分量k的预测权值集合Wk,否则,进入步骤S45,计算得到分量k的预测结果。
6.根据权利要求1所述的基于改进Shapley值模型的短期负荷预测方法,其特征在于,步骤S4中,所述针对随机、周期、趋势分量分别采用改进shapley值组合预测方法进行预测,得到随机、周期、趋势分量对应的预测分量的过程包括以下步骤:
采用灰色预测、Elman神经网络和SVM进行组合预测,通过改进Shapley值法确定各预测方法的权重分配,组合预测模型如下:
Yk=ωAKYAK+ωBKYBK+ωCKYCK
式中:Yk为状态k下的组合预测值;ωAK、ωBK、ωCK分别为灰色预测、Elman神经网络和SVM三种在分量k下的权重;YAK、YBK、YCK分别为三种预测方法在分量k下的预测值。
7.根据权利要求6所述的基于改进Shapley值模型的短期负荷预测方法,其特征在于,所述采用灰色预测、Elman神经网络和SVM进行组合预测,通过改进Shapley值法确定各预测方法的权重分配的过程包括以下步骤:
S401:设集合I={1,2,3},集合I包含的任何子集p、q,其表示为3种预测方法中的任一组合,E(p)、E(q)表示各内部缺陷预测误差;
对于集合I的任何子集p、q,都有:
E(p)+E(q)≥E(p∪q);
E(3)表示3种预测模型进行组合预测由于内部缺陷而产生的总误差,即E(3)=∑i∈Ixi;
S403:定义Ei为第i种预测模型所产生误差绝对值的平均值,E为组合预测的误差总和,则有:
式中:样本个数表示为m,第i种预测模型的第σ个样本产生的误差绝对值表示为eiσ,n为预测模型总数;
S404:根据下述公式基于Shapley值法分配权重:
式中:ω|p|表示加权因子,p-{i}表示组合中去除模型i′,i′表示参与组合预测的某个负荷预测模型;E′t为第i种预测模型的误差量,即Shapley值,|p|为组合预测模型内预测方法的个数;
通过下述公式计算组合预测模型中各预测方法权重分配:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020729.0A CN111242210A (zh) | 2020-01-09 | 2020-01-09 | 基于改进Shapley值模型的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020729.0A CN111242210A (zh) | 2020-01-09 | 2020-01-09 | 基于改进Shapley值模型的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242210A true CN111242210A (zh) | 2020-06-05 |
Family
ID=70880200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010020729.0A Pending CN111242210A (zh) | 2020-01-09 | 2020-01-09 | 基于改进Shapley值模型的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242210A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651545A (zh) * | 2020-12-07 | 2021-04-13 | 华电郑州机械设计研究院有限公司 | 一种基于特性分解的工业热负荷预测方法 |
CN113866391A (zh) * | 2021-09-29 | 2021-12-31 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
US12013865B1 (en) | 2023-03-10 | 2024-06-18 | International Business Machines Corporation | Trend and seasonality decomposition |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
CN109193791A (zh) * | 2018-11-10 | 2019-01-11 | 东北电力大学 | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 |
CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
-
2020
- 2020-01-09 CN CN202010020729.0A patent/CN111242210A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109193791A (zh) * | 2018-11-10 | 2019-01-11 | 东北电力大学 | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 |
CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
张豪杰: "基于HHT的电力负荷影响因素分析及预测", pages 2 * |
王涛: "基于Shapley 组合模型的上海市电力需求趋势预测", vol. 9, no. 9 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651545A (zh) * | 2020-12-07 | 2021-04-13 | 华电郑州机械设计研究院有限公司 | 一种基于特性分解的工业热负荷预测方法 |
CN113866391A (zh) * | 2021-09-29 | 2021-12-31 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
CN113866391B (zh) * | 2021-09-29 | 2024-03-08 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
US12013865B1 (en) | 2023-03-10 | 2024-06-18 | International Business Machines Corporation | Trend and seasonality decomposition |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242210A (zh) | 基于改进Shapley值模型的短期负荷预测方法 | |
Zhang et al. | A novel hybrid model for wind speed prediction based on VMD and neural network considering atmospheric uncertainties | |
CN112906974A (zh) | 一种负荷电量及其碳排放预测与校验方法 | |
CN110516821B (zh) | 一种船舶维修资源配置优化方法及装置 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和*** | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及*** | |
CN115619025A (zh) | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 | |
Zuo et al. | Artificial Intelligence Prediction and Decision Evaluation Model Based on Deep Learning | |
CN115166534A (zh) | 一种锂离子电池剩余使用寿命预测方法和*** | |
CN110796303A (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
CN113222234B (zh) | 基于集成模态分解的用气需求预测方法及其*** | |
CN111047461B (zh) | 一种直流多微网的黑启动方法 | |
CN116796639A (zh) | 短期电力负荷预测方法、装置及设备 | |
US20220164664A1 (en) | Method for updating an artificial neural network | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN113449912B (zh) | 一种基于人工智能技术的空间负荷态势感知方法 | |
CN114819346A (zh) | 一种基于meemd和神经网络的电力短期负荷预测方法 | |
CN107316101A (zh) | 一种基于小波分解和分量超前选择的风速预测方法 | |
CN110601187B (zh) | 一种基于连续离散函数的多状态电力***优化构建方法 | |
CN112215394A (zh) | 换流变压器振动信号的预测方法、装置、设备及存储介质 | |
CN111428148A (zh) | 一种适于制造过程规划的智能优化算法推荐方法 | |
CN111047090A (zh) | 基于混合核函数自适应融合的电力***短期负荷预测方法 | |
CN111126659A (zh) | 一种电力负荷预测方法及*** | |
Luque et al. | Time series prediction evolving Voronoi regions | |
Sancetta | Universality of Bayesian predictions |
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 |