CN111738512B - 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 - Google Patents
一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN111738512B CN111738512B CN202010573272.6A CN202010573272A CN111738512B CN 111738512 B CN111738512 B CN 111738512B CN 202010573272 A CN202010573272 A CN 202010573272A CN 111738512 B CN111738512 B CN 111738512B
- Authority
- CN
- China
- Prior art keywords
- gru
- unit network
- model
- prediction
- prediction model
- 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 34
- 239000002245 particle Substances 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 10
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CNN‑IPSO‑GRU混合模型的短期电力负荷预测方法,首先收集电网历史负荷、气象因素和日期信息等数据,进行数据归一化处理后并划分训练集和测试集,利用卷积神经网络技术提取出表征负荷变化的多维特征向量,构造成时间序列作为模型的输入;然后构建门控循环单元网络预测模型,并利用训练集数据通过改进粒子群算法对门控循环单元网络预测模型进行优化,获得两个最优的预测模型参数,以获得的最优预测模型参数重新建立门控循环单元网络模型;最后以测试集数据实现电网短期的负荷预测。本发明提供的方法可以准确预测电网短期负荷变化趋势,进一步对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。
Description
技术领域
本发明涉及一种电力负荷预测方法,尤其涉及一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法。
背景技术
随着我国电力市场的快速发展,高效准确的短期负荷预测是电网研究的重要内容,精准的短期负荷预测对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。故亟需研究出提高负荷预测精度的新方法,提升电网经济效益。
多年来国内外众多学者对短期负荷预测进行了大量研究,可概括为三类:统计法、模型组合法和机器学习法。统计法主要包含时间序列模型、模糊预测模型等,该方法的预测效果对数据集的分布特性有较高要求;组合预测法主要有两大类:其一是将不同预测模型有效结合起来,其二是使用数据分析方法对原始数据序列进行预处理,分析方法有卷积神经网络、经验模态分解(Empirical Mode Decomposition,EMD)等,进而结合模型进行预测;机器学习法主要有循环神经网络(Recurrent Neural Network,RNN)、支持向量机(SupportSector Machine,SVM)、长短期记忆网络(Long short-term memory network,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)等。
由于影响负荷波动的因素颇多,主要有历史负荷、气象因素、日期类型等等,考虑到历史数据集具有复杂性和时序性的特点,卷积神经网络(Convolutional NeuralNetworks,CNN)由于其自身具有降低多维数据集复杂性的特点,现已被应用在进行负荷预测时提取特征向量方面。RNN因其自身具有“记忆功能”,被广泛应用在进行时间序列的预测方面,LSTM与GRU都是一种特殊的RNN,在时间序列预测方面都具有较高的精度。GRU是在LSTM结构基础上进行改进的,相比于LSTM其自身结构更加简单、有更快的收敛速度与较高的预测准确率,由于利用GRU模型进行预测时部分参数通常需要依靠传统经验来选取,具有不确定性,导致模型的预测效率与准确率降低。粒子群算法(particle swarmoptimization,PSO)具有调节参数少、迭代寻优思路简洁、收敛速度快等优点,被广泛应用在确定模型参数方面,但PSO算法在寻优过程中,容易陷入局部最优,导致误差结果较大等缺陷,故提出一种改进粒子群算法(Improved particle swarm optimization,IPSO)以增强模型参数的寻优能力。
发明内容
本发明要解决的技术问题是提供一种基于卷积神经网络和改进粒子群算法优化门控循环单元网络(CNN-IPSO-GRU)混合模型的短期电力负荷预测方法,使用该方法不仅克服了依据经验选取关键参数的难题,并具有更高的预测精度,对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。
为解决上述技术问题,本发明提供了一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法,包括如下步骤:
A、收集电网历史负荷、气象因素、日期信息数据作为特征参量;
B、获取步骤A中的特征参量在历史时间维度电网负荷中的样本数据,并对样本数据进行归一化处理,利用卷积神经网络CNN提取出表征负荷变化的多维特征向量,构造成时间序列,按时间顺序划分训练集数据和测试集数据;
C、构建包括输入层、隐藏层、输出层的门控循环单元网络预测模型GRU;
D、使用步骤B中获得的训练集数据对步骤C中构建的门控循环单元网络预测模型GRU进行改进粒子群算法IPSO优化,在满足预测模型评价指标最优的基础上确定门控循环单元网络预测模型GRU的最优参数,以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU;
E、使用步骤B中获得的测试集数据作为步骤D中经优化的门控循环单元网络预测模型IPSO-GRU的输入变量,进一步进行电网短期负荷预测,得到预测结果。
所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0,1]之间,其归一化的公式为式(1):
式(1)中,x*为归一化后的数据;xmin、xmax分别为样本数据集的最小值与最大值,x为原始样本数据。
所述步骤C中门控循环单元网络预测模型GRU的具体构建过程如下:
C1、收集电网历史负荷、气象因素、日期信息数据作为特征参量,利用卷积神经网络CNN提取出表征负荷变化的多维特征向量,构造成时间序列作为门控循环单元网络预测模型GRU输入层的样本数据;
C2、将步骤C1中各特征参量的样本数据进行归一化处理,映射到[0,1]之间,按时间顺序划分训练集数据和测试集数据;
C3、隐藏层采用步骤C2得到的训练集数据对门控循环单元网络预测模型GRU进行训练,在预测结果评价标准误差较小的情况下,确定门控循环单元网络预测模型GRU的最优参数;
C4、采用步骤C3得到的门控循环单元网络预测模型GRU对测试集数据进行预测,得到预测结果P1、P2、…Pn;
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果,并进行反归一化处理得到最终的预测结果,最后结合实验评价指标对预测结果进行评价分析。
所述步骤D中使用改进粒子群算法IPSO优化门控循环单元网络预测模型GRU的过程如下:
D1、初始化步骤C中构建的门控循环单元网络预测模型GRU参数,设置神经元个数m和学习率ε各自的取值范围、搜索范围,确定最大迭代次数Tmax与种群规模ps、惯性权重ω的最大值ωmax与最小值ωmin,加速因子c1、c2的最大值与最小值;
D2、根据步骤D1中初始化后的神经元个数m与学***均绝对百分比误差作为粒子的适应度值,适应度函数fiti定义如式(2):
式中,n表示测试集数据的样本容量;Xact(i)和Xpred(i)分别为i时刻负荷的真实值和预测值;
D3、以神经元个数m和学***均绝对百分比误差作为粒子适应度值,采用公式(3)~(7)迭代更新两个粒子的速度和位置,即更新门控循环单元网络预测模型GRU两个关键参数的值;通过改进粒子群算法IPSO寻优获得两个参数的最优值后,以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU;
上式中,k表示当前迭代次数;Tmax表示最大迭代数;分别表示粒子的速度、位置、个体局部最优解和全局最优解;r1与r2为[0,1]之间的随机数;ω(k)、c1(k)与c2(k)分别表示第k次迭代时惯性权重与加速因子的取值;ωmax=0.9,ωmin=0.4;Tmax为最大迭代次数;c1与c2∈[0.5,2.5];a=b=1,c=d=1.5;
D4、以改进粒子群算法的公式(3)-(7)迭代更新粒子的速度与位置,计算对应的粒子适应度值,并比较局部与全局的最优解,当粒子适应度值趋于稳定或迭代次数达到最大,则满足终止条件,获取最优的神经元个数m与学习率ε参数,得到经改进粒子群算法优化后的门控循环单元网络预测模型IPSO-GRU,否则返回步骤D3继续进行迭代更新。
所述步骤E中得到的预测结果使用平均相对百分误差MAPE、根均方误差RMSE、预测精度FA以及决定系数R2四个评价指标进行模型评价,公式(8)-(11)所示:
上式中:n表示测试数据集的样本容量;Xact(i)和Xpred(i)(i=1,2,…n)分别为第i时刻负荷的真实值和预测值;表示预测样本真实值的平均值;其中MAPE与RMSE数值越小,FA数值越大、R2的值越接近1,表示拟合优度越大,模型预测结果越准确。
本发明首先收集电网历史负荷、气象因素和日期信息等数据,进行数据归一化处理后并划分训练集数据和测试集数据,利用卷积神经网络提取出表征负荷变化的多维特征向量,构造成时间序列作为模型的输入数据;然后构建门控循环单元网络预测模型,并利用训练集数据通过改进粒子群算法对门控循环单元网络预测模型进行优化,获得两个最优的预测模型参数,以获得的最优预测模型参数重新建立门控循环单元网络模型;最后以测试集数据实现电网短期的负荷预测。本发明提供的方法可以准确预测电网短期负荷变化趋势,进一步对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。
附图说明
图1为本发明实施例中粒子适应度值随迭代次数变化而变化的示意图;
图2为本发明实施例中神经元个数随迭代次数变化而变化的示意图;
图3为本发明实施例中学习率大小随迭代次数变化而变化的示意图;
图4为本发明实施例中采用CNN-IPSO-GRU模型、CNN-PSO-GRU模型、CNN-GRU模型、LSTM模型、RNN模型和GRU模型分别对电网负荷进行的预测曲线与实际曲线对比示意图;
图5为本发明实施例中采用CNN-IPSO-GRU模型、CNN-PSO-GRU模型、CNN-GRU模型、LSTM模型、RNN模型和GRU模型分别对电网负荷进行的预测的相对误差对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法,包括如下步骤:
A、收集电网历史负荷、气象因素、日期信息数据作为特征参量;
B、获取步骤A中的特征参量在历史时间维度电网负荷中的样本数据,并对样本数据进行归一化处理,利用卷积神经网络CNN提取出表征负荷变化的多维特征向量,构造成时间序列,按时间顺序划分训练集数据和测试集数据;
C、构建包括输入层、隐藏层、输出层的门控循环单元网络预测模型GRU;
D、使用步骤B中获得的训练集数据对步骤C中构建的门控循环单元网络预测模型GRU进行改进粒子群算法IPSO优化,在满足预测模型评价指标最优的基础上确定门控循环单元网络预测模型GRU的最优参数,以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU;
E、使用步骤B中获得的测试集数据作为步骤D中经优化的门控循环单元网络预测模型IPSO-GRU的输入变量,进一步进行电网短期负荷预测,得到预测结果。
所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0,1]之间,其归一化的公式为式(1):
式(1)中,x*为归一化后的数据;xmin、xmax分别为样本数据集的最小值与最大值,x为原始样本数据。
所述步骤C中门控循环单元网络预测模型GRU的具体构建过程如下:
C1、收集电网历史负荷、气象因素、日期信息数据作为特征参量,利用卷积神经网络CNN提取出表征负荷变化的多维特征向量,构造成时间序列作为门控循环单元网络预测模型GRU输入层的样本数据;
C2、将步骤C1中各特征参量的样本数据进行归一化处理,映射到[0,1]之间,按时间顺序划分训练集数据和测试集数据;
C3、隐藏层采用步骤C2得到的训练集数据对门控循环单元网络预测模型GRU进行训练,在预测结果评价标准误差较小的情况下,确定门控循环单元网络预测模型GRU的最优参数;
C4、采用步骤C3得到的门控循环单元网络预测模型GRU对测试集数据进行预测,得到预测结果P1、P2、…Pn;
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果,并进行反归一化处理得到最终的预测结果,最后结合实验评价指标对预测结果进行评价分析。
所述步骤D中使用改进粒子群算法IPSO优化门控循环单元网络预测模型GRU的过程如下:
D1、初始化步骤C中构建的门控循环单元网络预测模型GRU参数,设置神经元个数m和学习率ε各自的取值范围、搜索范围,确定最大迭代次数Tmax与种群规模ps、惯性权重ω的最大值ωmax与最小值ωmin,加速因子c1、c2的最大值与最小值;
D2、根据步骤D1中初始化后的神经元个数m与学***均绝对百分比误差作为粒子的适应度值,适应度函数fiti定义如式(2):
式中,n表示测试集数据的样本容量;Xact(i)和Xpred(i)分别为i时刻负荷的真实值和预测值;
D3、以神经元个数m和学***均绝对百分比误差作为粒子适应度值,采用公式(3)~(7)迭代更新两个粒子的速度和位置,即更新门控循环单元网络预测模型GRU两个关键参数的值;通过改进粒子群算法IPSO寻优获得两个参数的最优值后,以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU;
上式中,k表示当前迭代次数;Tmax表示最大迭代数;分别表示粒子的速度、位置、个体局部最优解和全局最优解;r1与r2为[0,1]之间的随机数;ω(k)、c1(k)与c2(k)分别表示第k次迭代时惯性权重与加速因子的取值;ωmax=0.9,ωmin=0.4;Tmax为最大迭代次数;c1与c2∈[0.5,2.5];a=b=1,c=d=1.5;
D4、以改进粒子群算法的公式(3)-(7)迭代更新粒子的速度与位置,计算对应的粒子适应度值,并比较局部与全局的最优解,当粒子适应度值趋于稳定或迭代次数达到最大,则满足终止条件,获取最优的神经元个数m与学习率ε参数,得到经改进粒子群算法优化后的门控循环单元网络预测模型IPSO-GRU,否则返回步骤D3继续进行迭代更新。
所述步骤E中得到的预测结果使用平均相对百分误差MAPE、根均方误差RMSE、预测精度FA以及决定系数R2四个评价指标进行模型评价,公式(8)-(11)所示:
上式中:n表示测试数据集的样本容量;Xact(i)和Xpred(i)i=1,2,…n分别为第i时刻负荷的真实值和预测值;表示预测样本真实值的平均值;其中MAPE与RMSE数值越小,FA数值越大、R2的值越接近1,表示拟合优度越大,模型预测结果越准确。
实施例
本实施例针对影响电网负荷变化的因素具有复杂性和时序性特点,且现有的机器学习预测方法存在依据经验选取关键参数的不足,提出了一种基于卷积神经网络和改进粒子群算法优化门控循环单元网络(CNN-IPSO-GRU)混合模型的短期电力负荷预测方法,首先利用卷积神经网络提取出表征负荷变化的多维特征向量,并构造成时间序列输入到门控循环单元网络模型;然后使用改进粒子群算法对门控循环单元模型中的超参数(隐藏层神经元个数和学习率大小)进行迭代寻优,在预测精度最高的前提下得到最优参数,最后完成电网短期负荷预测。
样本数据集使用中国某地区2013年1月1日至2014年12月31日,共2年的电网负荷以及气象数据,数据采集周期为15min,一天采集96个点,以2013年1月至2014年6月的电网负荷、气象数据作为训练数据集,以2014年7月到2014年12月作为测试数据集,使用上述样本数据在不同模型下进行预测,验证本发明提出的基于卷积神经网络和改进粒子群算法优化门控循环单元网络模型的短期电力负荷预测方法。
使用改进粒子群算法优化门控循环单元网络模型过程中,模型参数的设置如表1所示。
表1改进粒子群算法优化门控循环单元网络模型的参数
参数 | 取值 | 参数 | 取值 |
迭代次数T<sub>max</sub> | 100 | 惯性权重最大值ω<sub>max</sub> | 0.9 |
种群规模ps | 50 | 惯性权重最小值ω<sub>min</sub> | 0.4 |
m取值范围 | [1,32] | 加速因子c<sub>1</sub>初始值 | 0.5 |
m搜索范围 | [-4,4] | 加速因子c<sub>1</sub>最终值 | 2.5 |
ε取值范围 | [0.0001,0.01] | 加速因子c<sub>2</sub>初始值 | 0.5 |
ε搜索范围 | [-0.001,0.001] | 加速因子c<sub>2</sub>最终值 | 2.5 |
图1、图2和图3分别表示粒子适应度、隐藏层神经元个数和学习率随迭代次数变化而变化的规律,可以看出随着迭代次数的变化,PSO-GRU与IPSO-GRU粒子的适应度值最终稳定在2.236和1.513;2层隐藏层神经元个数m1与m2最终分别稳定在8和16个;学习率随着迭代次数的变化,最终稳定在0.0022。
结合评价指标,将本发明所提出的CNN-IPSO-GRU模型与CNN-PSO-GRU、CNN-GRU、GRU、LSTM和RNN模型进行负荷预测,对连续半年内负荷预测的评价指标如表2所示。分析可知:所提出的CNN-IPSO-GRU方法相比于CNN-GRU、GRU、LSTM、RNN预测模型相比,MAPE指标分别降低了3.80%、12.79%、31.84%和37.94%,RMSE指标分别降低了8.47%、16.61%、40.65%和43.24%,FA指标分别提高了0.09%、0.33%、1.06%和1.39%,说明了GRU模型在处理时间序列问题方面有着更好的预测效果,也体现出了使用粒子群算法对其超参数进行优化的必要性;进一步将本发明提出的CNN-IPSO-GRU模型与CNN-PSO-GRU预测效果进行对比,其中MAPE、RMSE分别降低了40.84%、24.06%,FA提高了0.92%,表明使用改进粒子群算法对超参数进行优化可以进一步提高预测精度,具有更高的可靠性;最后量化分析5种预测模型的效果,由决定系数R2的计算结果可知:本发明所提的CNN-IPSO-GRU预测模型的R2值为1.007,最接近于1,即模型预测效果最好。
表2不同预测模型对比
模型 | MAPE/% | RMSE/% | FA/% | R<sup>2</sup> |
CNN-IPSO-GRU | 1.318 | 106.021 | 98.682 | 1.007 |
CNN-PSO-GRU | 2.228 | 139.610 | 97.772 | 0.989 |
CNN-GRU | 2.316 | 152.532 | 97.684 | 1.012 |
GRU | 2.555 | 167.413 | 97.445 | 1.014 |
LSTM | 3.269 | 235.222 | 96.731 | 0.973 |
RNN | 3.590 | 245.977 | 96.410 | 1.034 |
2014年12月某天中负荷实际值与其他模型预测值的大小变化曲线如图4所示,相对应预测点的绝对百分比误差变化折线图如图5所示,从图中可以看出5种预测模型都有较好的预测性能,但本发明所提出的CNN-IPSO-GRU模型预测误差最小、精度最高,对实际负荷数据有着更好的拟合能力,与实际负荷变化趋势基本一致。
表3为不同算法模型验证一天中每个小时的第一个15min监测的负荷实际值和预测值及绝对百分比误差的汇总表。可以看出本发明所提出的方法在24个监测点的预测结果平均绝对百分比误差为1.205%,最大绝对百分比误差3.038%,MAPE指标相较于CNN-PSO-GRU、CNN-GRU、GRU、LSTM和RNN模型分别降低了45.00%、49.45%、52.60%、60.54%和62.43%,证明所提出的CNN-IPSO-GRU预测方法无论是平均误差还是最大误差均优于其他模型,预测精度更高。
表3实际值和预测值及绝对百分比误差
本发明提出的一种基于卷积神经网络和改进粒子群算法优化门控循环单元网络(CNN-IPSO-GRU)混合模型的短期电力负荷预测方法,使用该方法能够快速搜索确定门控循环单元网络模型的最优参数,训练效率高、解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题,进而提高负荷预测精度,对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法,其特征在于,包括如下步骤:
A、收集电网历史负荷、气象因素、日期信息数据作为特征参量;
B、获取步骤A中的特征参量在历史时间维度电网负荷中的样本数据,并对样本数据进行归一化处理,利用卷积神经网络CNN提取出表征负荷变化的多维特征向量,构造成时间序列,按时间顺序划分训练集数据和测试集数据;
C、构建包括输入层、隐藏层、输出层的门控循环单元网络预测模型GRU;
D、使用步骤B中获得的训练集数据对步骤C中构建的门控循环单元网络预测模型GRU进行改进粒子群算法IPSO优化,在满足预测模型评价指标最优的基础上确定门控循环单元网络预测模型GRU的最优参数,以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU;
E、使用步骤B中获得的测试集数据作为步骤D中经优化的门控循环单元网络预测模型IPSO-GRU的输入变量,进一步进行电网短期负荷预测,得到预测结果;
所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0,1]之间,其归一化的公式为式(1):
式(1)中,x*为归一化后的数据;xmin、xmax分别为样本数据集的最小值与最大值,x为原始样本数据;
所述步骤C中门控循环单元网络预测模型GRU的具体构建过程如下:
C1、收集电网历史负荷、气象因素、日期信息数据作为特征参量,利用卷积神经网络CNN提取出表征负荷变化的多维特征向量,构造成时间序列作为门控循环单元网络预测模型GRU输入层的样本数据;
C2、将步骤C1中各特征参量的样本数据进行归一化处理,映射到[0,1]之间,按时间顺序划分训练集数据和测试集数据;
C3、隐藏层采用步骤C2得到的训练集数据对门控循环单元网络预测模型GRU进行训练,在预测结果评价标准误差较小的情况下,确定门控循环单元网络预测模型GRU的最优参数;
C4、采用步骤C3得到的门控循环单元网络预测模型GRU对测试集数据进行预测,得到预测结果P1、P2、…Pn;
C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果,并进行反归一化处理得到最终的预测结果,最后结合实验评价指标对预测结果进行评价分析;
所述步骤D中使用改进粒子群算法IPSO优化门控循环单元网络预测模型GRU的过程如下:
D1、初始化步骤C中构建的门控循环单元网络预测模型GRU参数,设置神经元个数m和学习率ε各自的取值范围、搜索范围,确定最大迭代次数Tmax与种群规模ps、惯性权重ω的最大值ωmax与最小值ωmin,加速因子c1、c2的最大值与最小值;
D2、根据步骤D1中初始化后的神经元个数m与学***均绝对百分比误差作为粒子的适应度值,适应度函数fiti定义如式(2):
式中,n表示测试集数据的样本容量;Xact(i)和Xpred(i)分别为i时刻负荷的真实值和预测值;
D3、以神经元个数m和学***均绝对百分比误差作为粒子适应度值,采用公式(3)~(7)迭代更新两个粒子的速度和位置,即更新门控循环单元网络预测模型GRU两个关键参数的值;通过改进粒子群算法IPSO寻优获得两个参数的最优值后,以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU;
上式中,k表示当前迭代次数;Tmax表示最大迭代数;分别表示粒子的速度、位置、个体局部最优解和全局最优解;r1与r2为[0,1]之间的随机数;ω(k)、c1(k)与c2(k)分别表示第k次迭代时惯性权重与加速因子的取值;ωmax=0.9,ωmin=0.4;Tmax为最大迭代次数;c1与c2∈[0.5,2.5];a=b=1,c=d=1.5;
D4、以改进粒子群算法的公式(3)-(7)迭代更新粒子的速度与位置,计算对应的粒子适应度值,并比较局部与全局的最优解,当粒子适应度值趋于稳定或迭代次数达到最大,则满足终止条件,获取最优的神经元个数m与学习率ε参数,得到经改进粒子群算法优化后的门控循环单元网络预测模型IPSO-GRU,否则返回步骤D3继续进行迭代更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573272.6A CN111738512B (zh) | 2020-06-22 | 2020-06-22 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573272.6A CN111738512B (zh) | 2020-06-22 | 2020-06-22 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738512A CN111738512A (zh) | 2020-10-02 |
CN111738512B true CN111738512B (zh) | 2022-05-24 |
Family
ID=72650305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573272.6A Active CN111738512B (zh) | 2020-06-22 | 2020-06-22 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738512B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241811B (zh) * | 2020-10-20 | 2024-04-16 | 浙江大学 | “互联网+”环境下定制产品的分层混合性能预测方法 |
CN112232577B (zh) * | 2020-10-23 | 2024-04-16 | 浙江八达电子仪表有限公司 | 用于多芯智能表的电力负荷概率预测***与方法 |
CN112348271B (zh) * | 2020-11-12 | 2024-01-30 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
CN112396152A (zh) * | 2020-11-17 | 2021-02-23 | 郑州大学 | 一种基于cs-lstm的洪水预报方法 |
CN112737109B (zh) * | 2020-12-18 | 2022-05-31 | 北京国电通网络技术有限公司 | 一种智能电网实时安全预警*** |
CN112819221A (zh) * | 2021-01-29 | 2021-05-18 | 江苏大学 | 一种基于ipso-gru网络的粮情预测方法 |
CN112819224B (zh) * | 2021-01-29 | 2021-10-08 | 南京工程学院 | 基于深度学习融合模型的机组出力预测及置信评估方法 |
CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
CN112990554A (zh) * | 2021-02-23 | 2021-06-18 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种发电机出口pt保险慢熔时短期电压趋势预测的方法 |
CN113191544B (zh) * | 2021-04-28 | 2022-08-12 | 河海大学 | 一种基于多层神经网络的短期电力负荷预测方法 |
CN113222281A (zh) * | 2021-05-31 | 2021-08-06 | 国网山东省电力公司潍坊供电公司 | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 |
CN113469412B (zh) * | 2021-06-02 | 2024-04-09 | 国核电力规划设计研究院有限公司 | 一种综合能源***实时运行策略优化方法及*** |
CN113554466B (zh) * | 2021-07-26 | 2023-04-28 | 国网四川省电力公司电力科学研究院 | 一种短期用电量预测模型构建方法、预测方法和装置 |
CN113516316B (zh) * | 2021-07-29 | 2023-03-24 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
CN113837894B (zh) * | 2021-08-06 | 2023-12-19 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
CN113610328A (zh) * | 2021-08-25 | 2021-11-05 | 浙江浙能台州第二发电有限责任公司 | 一种发电负荷预测方法 |
CN113705094B (zh) * | 2021-08-27 | 2024-01-23 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
CN113688770B (zh) * | 2021-09-02 | 2024-02-06 | 重庆大学 | 高层建筑长期风压缺失数据补全方法及装置 |
CN113920408A (zh) * | 2021-09-10 | 2022-01-11 | 天津理工大学 | 一种基于cnn-rnn并行融合的光子晶体透射光谱序列特征提取方法 |
CN113837480B (zh) * | 2021-09-29 | 2023-11-07 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
CN114037145B (zh) * | 2021-11-05 | 2022-10-28 | 河北师范大学 | 一种网络安全态势预测方法及*** |
CN113762486B (zh) * | 2021-11-11 | 2022-04-08 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
CN114021847A (zh) * | 2021-11-19 | 2022-02-08 | 福州大学 | 基于isgu混合模型的短期电力负荷预测方法及*** |
CN114282614B (zh) * | 2021-12-27 | 2023-09-26 | 淮阴工学院 | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 |
CN114707772B (zh) * | 2022-06-06 | 2022-08-23 | 山东大学 | 基于多特征分解与融合的电力负荷预测方法及*** |
CN115270921B (zh) * | 2022-06-22 | 2023-05-02 | 天纳能源科技(上海)有限公司 | 基于组合预测模型的电力负载预测方法、***及存储介质 |
CN115049038A (zh) * | 2022-07-01 | 2022-09-13 | 科大智能电气技术有限公司 | 园区负荷预测模型寻优方法及***、设备及可读存储介质 |
CN115440317B (zh) * | 2022-07-20 | 2023-05-26 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
CN115271463B (zh) * | 2022-07-29 | 2023-06-02 | 昂顿科技(上海)有限公司 | 智慧能源管理*** |
CN115967077A (zh) * | 2022-08-30 | 2023-04-14 | 湖南农业大学 | 一种短期预测电力负荷预测方法及*** |
CN115511191A (zh) * | 2022-09-30 | 2022-12-23 | 固远晨通科技发展有限公司 | 一种高陡边坡位移点预测方法 |
CN117540265A (zh) * | 2023-10-09 | 2024-02-09 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于IPSO-Transformer模型的混凝土大坝变形预测方法 |
CN117391260A (zh) * | 2023-12-11 | 2024-01-12 | 山东科技大学 | 开尔文优化算法优化卷积神经网络参数的溶解氧预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108288115A (zh) * | 2018-03-15 | 2018-07-17 | 安徽大学 | 一种物流企业日常短期快递业务量预测方法 |
CN109345019A (zh) * | 2018-10-10 | 2019-02-15 | 南京邮电大学 | 一种基于改进粒子群算法的微电网经济调度优化策略 |
CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件***(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200160176A1 (en) * | 2018-11-16 | 2020-05-21 | Royal Bank Of Canada | System and method for generative model for stochastic point processes |
US11159408B2 (en) * | 2019-06-25 | 2021-10-26 | Intel Corporation | Link performance prediction technologies |
-
2020
- 2020-06-22 CN CN202010573272.6A patent/CN111738512B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108288115A (zh) * | 2018-03-15 | 2018-07-17 | 安徽大学 | 一种物流企业日常短期快递业务量预测方法 |
CN109345019A (zh) * | 2018-10-10 | 2019-02-15 | 南京邮电大学 | 一种基于改进粒子群算法的微电网经济调度优化策略 |
CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件***(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
Air Quality Prediction in Smart Cities Using Machine Learning Technologies Based on Sensor Data: A Review;Ditsuhi Iskandaryan 等;《Applied Sciences》;20200401;第10卷(第7期);第1-32页 * |
基于PSO算法优化GRU神经网络的短期负荷预测;王康 等;《广东电力》;20200430;第33卷(第4期);第90-96页 * |
基于注意力机制的CNN-GRU短期电力负荷预测方法;赵兵 等;《电网技术》;20190123;第43卷(第12期);第4370-4376页 * |
基于粒子群优化-长短期记忆网络模型的变压器油中溶解气体浓度预测方法;刘可真 等;《电网技术》;20200410;第44卷(第7期);第2778-2784页 * |
短期电力负荷预测模型及其应用研究;秦光宇 等;《价格理论与实践》;20200225(第2期);第75-78,174页 * |
融合快速信息交流和局部搜索的粒子群算法;姜建国 等;《哈尔滨工程大学学报》;20150531;第36卷(第5期);第687-691页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738512A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
CN106446540B (zh) | 一种风电机组健康状态实时评估方法 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112488395A (zh) | 一种配电网线损预测方法及*** | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN111525587A (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
Chen et al. | Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP | |
CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
CN111738483A (zh) | 基于聚类和深层信念网络的电网降损优化方法及*** |
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 |