CN112836885B - 组合负荷预测方法、装置、电子设备和存储介质 - Google Patents
组合负荷预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112836885B CN112836885B CN202110179158.XA CN202110179158A CN112836885B CN 112836885 B CN112836885 B CN 112836885B CN 202110179158 A CN202110179158 A CN 202110179158A CN 112836885 B CN112836885 B CN 112836885B
- Authority
- CN
- China
- Prior art keywords
- load
- response
- day
- value
- prediction
- 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 49
- 230000004044 response Effects 0.000 claims abstract description 274
- 230000005611 electricity Effects 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000004905 short-term response Effects 0.000 claims abstract description 24
- 241000282461 Canis lupus Species 0.000 claims description 105
- 235000005770 birds nest Nutrition 0.000 claims description 71
- 235000005765 wild carrot Nutrition 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 241000544061 Cuculus canorus Species 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 14
- 235000013601 eggs Nutrition 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000009191 jumping Effects 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000036316 preload Effects 0.000 description 3
- 241000272177 Cuculiformes Species 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 239000011737 fluorine Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 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 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000017448 oviposition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种组合负荷预测方法、装置、电子设备和存储介质,其中方法包括:确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;将待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,输出电网负荷预测值;其中,预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;预测模型用于基于样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对待预测日的电网负荷进行预测。本发明实现了对参与需求响应的负荷的准确预测。
Description
技术领域
本发明涉及电力***负荷预测技术领域,尤其涉及一种组合负荷预测方法、装置、电子设备和存储介质。
背景技术
随着社会经济的持续增长,人们的电力需求增加,用电负荷迅速增长,将对配电网的规划和运行带来巨大冲击。
随着市场深化改革以及智能化需求响应的快速发展,广义负荷大规模接入配电网***,对***运行、资源配置等方面造成了很大的影响。不同于传统负荷,主动负荷是一类电力用户可以根据电力市场中电价的变化调整自身在未来某一时段用电的负荷,实现自身用电经济性以及***的安全稳定性,改变原有的用电负荷曲线,显然,传统负荷预测方法已经不能准确预测参与需求响应的负荷。
目前,国内外针对主动负荷的预测主要是对其相应的影响因素分析及用户用电特性分析,并且提出了主动配电网对负荷预测的新要求。而面对负荷运行的不确定性及负荷影响因素的复杂性,单一的负荷预测方法很难准确预测短期负荷。
发明内容
本发明实施例提供一种组合负荷预测方法、装置、电子设备和存储介质,用以解决现有负荷预测方法不能准确预测参与需求响应的负荷的问题。
第一方面,本发明实施例提供一种组合负荷预测方法,包括:
确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;
将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;
其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;
所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
优选地,所述预测模型包括基础负荷预测模型、响应负荷预测模型和叠加模型;
将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值,包括:
将所述待预测日的预报环境因子的值和基础负荷输入至所述基础负荷预测模型,输出基础负荷预测值;
将所述待预测日的响应负荷、响应前后负荷和电价输入至所述响应负荷预测模型,输出需求响应负荷预测值;
将所述基础负荷预测值和所述需求响应负荷预测值输入至所述叠加模型,输出待预测日的电网负荷预测值。
优选地,所述基础负荷预测模型是基于所述若干个历史日的实际气象因子的值和基础负荷的样本数据进行短期基础负荷预测训练得到的;
基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,包括以下步骤:
S1,将所述样本数据中的实际气象因子的值和基础负荷输入包括惩罚系数、径向基核函数的宽度、初始概率、鸟巢位置及最大迭代次数在内的初始参数设定的布谷鸟优化支持向量机CS-SVM模型,得到鸟巢的最佳适应度值;
S2,根据鸟巢的最佳适应度值确定当前最优鸟巢位置,并通过当前最优鸟巢位置对其它鸟巢位置进行更新,产生一组新的鸟巢位置,并将当前最优鸟巢位置与一组新的鸟巢位置进行比较得到预测误差;
S3,根据预测误差得到较优的鸟巢位置,通过判断淘汰布谷鸟蛋的概率与随机数的数值大小作比较,当淘汰布谷鸟蛋的概率小于随机数,则将一组新的鸟巢位置代替当前最优鸟巢位置,并判断当前是否达到迭代结束条件,若是则跳出寻找最优鸟巢位置的值,否则返回S2继续寻找最优鸟巢位置;其中,所述迭代结束条件包括最大迭代次数或由径向基核函数的宽度确定的最优适应度值;
S4,基于所述布谷鸟优化支持向量机CS-SVM模型中参数更新为所述最优鸟巢位置建立基础负荷预测模型,完成短期基础负荷预测训练。
优选地,所述响应负荷预测模型是基于所述若干个历史日的响应负荷、响应前后负荷和电价的样本数据进行短期响应负荷预测训练得到的;
基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练,包括以下步骤:
根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数;
基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵;
基于所述需求响应弹性矩阵建立所述响应负荷预测模型,完成短期响应负荷预测训练。
优选地,所述根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数,包括:
基于M天中每天24个时段的响应前后负荷和电价分别得到第m天i时段的负荷需求变化量Δqi(m)和相应的电价变化率Δpi(m);
优选地,所述基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵,包括:
根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征特征,判断当前是否达到所述迭代的最大次数;
若达到所述迭代的最大次数,则判断是否满足24个时段,是则输出需求响应弹性矩阵,不是则重新优化下一个时段的需求价格弹性系数,直至执行完24个时段后输出需求响应弹性矩阵;
若未达到所述迭代的最大次数,再次根据预定规则更新狼群位置,并将迭代次数加1,继续执行根据预定规则更新狼群位置的步骤,直至达到迭代的最大次数。
优选地,所述根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,包括:按照灰狼狩猎时包括包围、猎捕、更新在内的规则更新狼群位置,诞生新一代灰狼个体,将父代与产生的新子代通过优选合并,形成新的狼群特征。
第二方面,本发明实施例提供一种组合负荷预测装置,包括:
数据确定单元,用于确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;
负荷预测单元,用于将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;
其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;
所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所提供的任一项所述组合负荷预测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面所提供的任一项所述组合负荷预测方法的步骤。
本发明实施例提供的一种组合负荷预测方法、装置、电子设备和存储介质,通过将待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,输出的电网负荷预测值,实现了对参与需求响应的负荷的准确预测,解决了面对负荷运行的不确定性及负荷影响因素的复杂性,而单一的负荷预测方法很难准确预测短期负荷的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的组合负荷预测方法的流程示意图;
图2是本发明提供的预测模型框图;
图3是本发明提供的基础负荷预测模型训练示意图;
图4是本发明提供的响应负荷预测模型训练示意图;
图5是本发明提供的短期基础负荷预测的效果对比图;
图6是本发明提供的响应负荷预测曲线与实际负荷曲线对比图;
图7是本发明提供的响应后负荷预测值与实际值曲线对比图;
图8是本发明提供的组合负荷预测装置的结构示意图;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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作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。
下面结合图1-图9描述本发明提供的一种组合负荷预测方法、装置、电子设备和存储介质。
本发明实施例提供了一种组合负荷预测方法。图1为本发明实施例提供的组合负荷预测方法的流程示意图,如图1所示,该方法包括:
步骤110,确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;
具体地,首先获取待预测日的预报温度和湿度的值、负荷数据及响应前后负荷和电价,基于分形特性修正相似日法将待预测日的负荷数据分解为基础负荷和响应负荷;所述基础负荷与价格因素无关,所述响应负荷与价格因素有关。
步骤120,将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;
其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;
所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
具体地,将若干个历史日的实际温度和湿度值、负荷数据及响应前后的负荷数据进行样本采样后,同样基于分形特性修正相似日法将样本数据中负荷数据分解成基础负荷和响应负荷,所述样本数据中的基础负荷与价格因素无关,所述样本数据中的响应负荷与价格因素有关。
本发明实施例提供的方法,基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练预测模型,并通过将待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入预测模型,得到待预测日的电网负荷预测值,能够准确预测电网***中参与需求响应的负荷。
基于上述任一实施例,如图2所示,所述预测模型包括基础负荷预测模型210、响应负荷预测模型220和叠加模型230;
将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值,包括:
将所述待预测日的预报环境因子的值和基础负荷输入至所述基础负荷预测模型210,输出基础负荷预测值;
将所述待预测日的响应负荷、响应前后负荷和电价输入至所述响应负荷预测模型220,输出需求响应负荷预测值;
将所述基础负荷预测值和所述需求响应负荷预测值输入至所述叠加模型230,输出待预测日的电网负荷预测值。
具体地,将基础负荷预测值和需求响应负荷预测值相加,得到最终的电网负荷预测值。
基于上述任一实施例,所述基础负荷预测模型210是基于所述若干个历史日的实际气象因子的值和基础负荷的样本数据进行短期基础负荷预测训练得到的;
如图3所示的基础负荷预测模型训练示意图,基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,包括以下步骤:
将所述样本数据中的实际气象因子的值和基础负荷输入包括惩罚系数、径向基核函数的宽度、初始概率、鸟巢位置及最大迭代次数在内的初始参数设定的布谷鸟优化支持向量机CS-SVM模型,得到鸟巢的最佳适应度值;
具体地,假定下述3个理想状态来模拟布谷鸟寻找巢穴的行为来展示布谷鸟优化搜索CS算法,具体如下:
1)假定每只布谷鸟在每次产蛋时仅仅产出一枚鸟蛋,鸟蛋的孵化位置是采用随机的方式放入任一鸟巢。
2)采用随机法随机抽取一组鸟巢位置,将其作为最优鸟巢(最优解)传给下一代。
3)设定布谷鸟巢数量为N,布谷鸟鸟巢主在寻巢的过程中,发现布谷鸟蛋的概率为Pa。
基于上述假定的理想状态,采用公式(1)对布谷鸟寻找巢穴的路径以及位置进行更新:
Levy~u=t-λ(1≤λ≤3) (2)
对称的Levy稳定分布是依据Mantegna算法计算得到的,具体计算公式如式(3)所示:
式中:U、V均为标准正态分布,且λ的取值是1.5。
其中,σ2的计算公式如下(4):
式中:Γ为标准的Gamma函数。
根据假设的第三条理想状态,布谷鸟巢主在寻巢的过程中找到鸟蛋的概率为Pa,巢主可抛弃或建立新的巢穴,相当于舍弃一部分解,即迭代产生的新解如下:
根据鸟巢的最佳适应度值确定当前最优鸟巢位置,并通过当前最优鸟巢位置对其它鸟巢位置进行更新,产生一组新的鸟巢位置,并将当前最优鸟巢位置与一组新的鸟巢位置进行比较得到预测误差;
根据预测误差得到较优的鸟巢位置,通过判断淘汰布谷鸟蛋的概率与随机数的数值大小作比较,当淘汰布谷鸟蛋的概率小于随机数,则将一组新的鸟巢位置代替当前最优鸟巢位置,并判断当前是否达到迭代结束条件,若是则跳出寻找最优鸟巢位置的值,否则执行继续寻找最优鸟巢位置;其中,所述迭代结束条件包括最大迭代次数或由径向基核函数的宽度确定的最优适应度值;
基于所述布谷鸟优化支持向量机CS-SVM模型中参数更新为所述最优鸟巢位置建立基础负荷预测模型,完成短期基础负荷预测训练。
本发明实施例通过将样本数据中的实际气象因子的值和基础负荷代入到布谷鸟优化支持向量机CS-SVM模型,迭代寻找最优适应值对应的最优鸟巢位置,即引入CS-SVM模型实现了短期基础负荷预测训练。
需要说明的是,基于CS-SVM的短期基础负荷预测模型训练包括以下步骤:
(1)模型数据输入以及预处理操作;
(2)设置CS优化SVM的参数:惩罚系数C、径向基核函数的宽度σ、初始概率Pa、鸟巢的位置(N)以及最大迭代次数等;
(3)当前最优解(最优鸟巢位置)的确定,是由鸟巢最佳适应度值确定的;
(4)通过最优解对其他布谷鸟鸟巢的位置进行更新,产生一组新的布谷鸟鸟巢的位置,并计算较优鸟巢位置;
(5)将上一代布谷鸟的鸟巢位置与新一代布谷鸟的鸟巢位置根据预测误差值作比较,得到较优的鸟巢位置;
(6)对Pa(淘汰布谷鸟蛋的概率)与r(随机数)的数值大小作比较,当Pa<r,则用新产生布谷鸟鸟巢位置替代原有(丢弃)的位置,对比此次调整之前和调整之后的适应度函数值,最终选取最优的布谷鸟的鸟巢位置以及适应度值;
(7)判断是否达到迭代结束条件(最大迭代次数或最优适应度函数),若是满足迭代结束条件,跳出寻优,反之,则返回继续寻优;
(8)将最优鸟巢位置的(C,σ)值作为支持向量机的参数设定值,建立基于CS-SVM的短期基础负荷预测模型。
基于上述任一实施例,所述响应负荷预测模型220是基于所述若干个历史日的响应负荷、响应前后负荷和电价的样本数据进行短期响应负荷预测训练得到的;
如图4所示的响应负荷预测模型训练示意图,基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练,包括以下步骤:
410,根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数;
420,基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵;
430,基于所述需求响应弹性矩阵建立所述响应负荷预测模型,完成短期响应负荷预测训练。
本发明实施例通过将样本数据中的响应负荷、响应前后负荷和电价代入到灰狼优化算法,构建误差最小目标函数后,针对狼群的初始化坐标空间不断迭代更新狼群,最后输出需求响应弹性矩阵,即,引入了灰狼优化算法实现了短期响应负荷预测训练。
需要说明的是,基于灰狼优化算法对弹性矩阵修正的响应负荷预测模型训练包括以下步骤:
1)读取M天的每天24h的响应前后的电价和负荷数据;
2)依据下述公式(6)和公式(7),分别计算第m天i时段的负荷需求变化量Δqi(m)和各时段的电价变化率Δpi(m):
3)通过下述公式(8)得到M天第i时段原始用电量与当天所有时段(24个时段)电力价格变化率Δpi(m)的乘积向量qi(M×24);
其中,Pj0 m表示第m天j时段参与需求响应的用户响应之前的电价,表示第m天j时段参与需求响应的用户可接受的电价,即用户响应电价,是第m天i时段参与需求响应的电力用户响应前的电力负荷需求量与第m天全时段(24小时)的电价变化率之间所做的乘积向量;
Δq′i m=e(i,j)·(qi m)T i=j=1,2,…,24 (9)
5)以i时段参与需求响应变化量重构误差最小为目标函数,可用公式(10)表示:
6)对上述目标函数采用智能优化算法中的灰狼优化算法求解,并设定如下参数:D为狼群的数量,ymax表示迭代的最大次数,PV表示方向修正概率,将Ei(1×24)的24个元素设定为狼群的初始化坐标空间;
7)按照灰狼狩猎时包围、猎捕、更新等规则更新狼群位置,诞生新的一代灰狼个体,将父代与产生的新子代通过传统的精英保持的优选策略进行合并,形成新的狼群特征,记为D;
8)判断是否达到种群迭代结束条件ymax,若是,进行下一步,若不满足条件,则执行上一步操作,并且迭代次数执行加1操作;
9)判断是否满足i≥24,若是,输出需求响应弹性矩阵;若不是,则重新进入循环,优化下一个时段的需求价格弹性系数,并且执行i=i+1操作,当i=24时,结束所有步骤,输出需求响应弹性矩阵。
基于上述任一实施例,所述根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数,包括:
基于M天中每天24个时段的响应前后负荷和电价分别得到第m天i时段的负荷需求变化量Δqi(m)和相应的电价变化率Δpi(m);
基于上述任一实施例,所述基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵,包括:
根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,判断当前是否达到所述迭代的最大次数;
若达到所述迭代的最大次数,则判断是否满足24个时段,是则输出需求响应弹性矩阵,不是则重新优化下一个时段的需求价格弹性系数,直至执行完24个时段后输出需求响应弹性矩阵;
若未达到所述迭代的最大次数,再次根据预定规则更新狼群位置,并将迭代次数加1,继续执行根据预定规则更新狼群位置的步骤,直至达到迭代的最大次数。
具体地,对上述误差最小目标函数采用智能优化算法中的灰狼优化算法求解,并设定如下参数:D为狼群的数量,ymax表示迭代的最大次数,PV表示方向修正概率,将Ei(1×24)的24个元素设定为狼群的初始化坐标空间;
按照灰狼狩猎时包围、猎捕、更新等规则更新狼群位置,诞生新的一代灰狼个体,将父代与产生的新子代通过传统的精英保持的优选策略进行合并,形成新的狼群特征,记为D。
判断是否达到种群迭代结束条件ymax,若是,进行下一步,若不满足条件,则执行上一步操作,并且迭代次数执行加1操作;
判断是否满足i≥24,若是,输出需求响应弹性矩阵;若不是,则重新进入循环,优化下一个时段的需求价格弹性系数,并且执行i=i+1操作,当i=24时,结束所有步骤,输出需求响应弹性矩阵。
基于上述任一实施例,所述根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,包括:按照灰狼狩猎时包括包围、猎捕、更新在内的规则更新狼群位置,诞生新一代灰狼个体,将父代与产生的新子代通过优先合并,形成新的狼群特征。
本发明上述任一实施例,以下以具体应用举例来说:
如图5所示,选用A国负荷预测大赛2016年6月-7月每天24小时的历史基础负荷数据、温度和湿度数据作为训练集,采用本发明所提的CS-SVM以及其他2种预测模型对2016年8月1日的24小时基础负荷进行预测。CS优化SVM的模型中,参数设置如下:N=20,Pa=0.01、C=50、σ=0.05。
本发明采用均方根误差(RMSE)、平均相对百分比误差(MAPE)以及相对误差百分比(e)指标来判断本发明所提模型预测结果的优劣,各指标的具体计算公式如下:
以上3种基础负荷预测模型8月1日预测3次的误差平均值如表1所示。
表1各模型3次平均预测误差对比表
可见,CS-SVM的预测误差RMSE、MAPE最小,由此该方法预测准确度最高。
如图6所示,本发明选用预测日(8月1日)前两周(14天)的响应前后负荷、响应前后电价数据,通过灰狼算法优化需求价格弹性以及基础负荷实际值,得到响应负荷预测曲线与实际负荷曲线的对比图。响应负荷预测值与实际值误差对比如表2所示。
表2响应负荷预测值与实际值误差对比表
可见,采用本发明所提供的预测方法得到的主动需求响应负荷的预测值曲线与实际值曲线比较贴合。在表2中,早上9:00,相对误差百分比达到最大值,为emax=32.1157,晚上8:00,相对误差百分比出现最小值,为emin=0.7276,总体误差较小,本发明所提出的基于灰狼算法修正需求价格弹性的响应负荷预测有效。
如图7所示,在前面基础负荷和响应负荷预测的基础上,将预测的基础负荷与响应负荷叠加,最终得到响应后负荷预测曲线。响应后负荷预测值与实际值误差对比如表3所示。
表3响应后负荷预测值与实际值误差对比表
可见,采用本发明所提供的预测方法得到的电力用户主动响应后的预测负荷曲线与实际负荷曲线相对比较贴合,主动需求响应负荷的预测值曲线与实际值曲线比较贴合。在此证明了本发明所提方法的有效性。在表3中,最大相对误差百分比emax=-2.0910,出现在早上7:00;最小相对误差百分比emin=-0.0354,出现在晚上8:00。误差指标RMSE=6.8935,MAPE=0.95,总体误差较小,本发明所提出的基于灰狼算法修正需求价格弹性的响应负荷预测方法有效。
综合上述,与现有技术相比,本发明的有益效果为:本发明提供的一种组合负荷预测方法和装置,深入挖掘了电价差、负荷差、温度和湿度序列与负荷的自相关性,借助经济学中的需求-价格弹性和支持向量机工具挖掘历史值与待预测值的关系;通过将考虑需求价格弹性的CS-SVM与PSO-SVM、SVM以及BP预测模型进行对比分析,可知,本发明提出的方法预测误差更低,速度更快;同时,通过电价差与负荷差引入考虑需求价格弹性的CS-SVM预测模型比不引入需求价格弹性的同种模型预测误差更低,本发明设计的考虑需求价格弹性的预测方法提高了预测精度。
下面对本发明提供的一种组合负荷预测装置进行描述,下文描述的与上文描述的一种组合负荷预测方法可相互对应参照。
图8为本发明实施例提供的组合负荷预测装置的结构示意图,如图8所示,该装置包括数据确定单元810和负荷预测单元820;
数据确定单元810,用于确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;
负荷预测单元820,用于将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;
其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;
所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
本发明实施例提供的装置,基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练预测模型,并通过将待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入预测模型,得到待预测日的电网负荷预测值,能够准确预测电网***中参与需求响应的负荷。
基于上述任一实施例,所述负荷预测单元820包括基础负荷预测模块、响应负荷预测模块和叠加模块构成的预测模型;
所述基础负荷预测模块,用于输入所述待预测日的预报环境因子的值和基础负荷,输出基础负荷预测值;
所述响应负荷预测模块,用于输入所述待预测日的响应负荷、响应前后负荷和电价,输出需求响应负荷预测值;
所述叠加模型,用于输入所述基础负荷预测值和所述需求响应负荷预测值,输出待预测日的电网负荷预测值。
基于上述任一实施例,所述基础负荷预测模块是基于所述若干个历史日的实际气象因子的值和基础负荷的样本数据对优化模块进行短期基础负荷预测训练得到的;
所述优化模块包括CS-SVM模块、预测误差模块、位置迭代模块和参数更新模块;
所述CS-SVM模块,用于设定包括惩罚系数、径向基核函数的宽度、初始概率、鸟巢位置及最大迭代次数在内的初始参数后,输入所述样本数据中的实际气象因子的值和基础负荷,输出鸟巢的最佳适应度值;
所述预测误差模块,用于根据鸟巢的最佳适应度值确定当前最优鸟巢位置,并通过当前最优鸟巢位置对其它鸟巢位置进行更新,产生一组新的鸟巢位置,并将当前最优鸟巢位置与一组新的鸟巢位置进行比较得到预测误差;
所述位置迭代模块,用于根据预测误差得到较优的鸟巢位置,通过判断淘汰布谷鸟蛋的概率与随机数的数值大小作比较,当淘汰布谷鸟蛋的概率小于随机数,则将一组新的鸟巢位置代替当前最优鸟巢位置,并判断当前是否达到迭代结束条件,若是则跳出寻找最优鸟巢位置的值,否则继续寻找最优鸟巢位置;其中,所述迭代结束条件包括最大迭代次数或由径向基核函数的宽度确定的最优适应度值;
所述参数更新模块,用于基于所述布谷鸟优化支持向量机CS-SVM模型中参数更新为所述最优鸟巢位置建立基础负荷预测模型,完成短期基础负荷预测训练。
基于上述任一实施例,所述响应负荷预测模块是基于所述若干个历史日的响应负荷、响应前后负荷和电价的样本数据对目标模块进行短期响应负荷预测训练得到的;
所述目标模块包括目标函数模块、优化算法模块和模型构建模块;
所述目标函数模块,用于根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数;
所述优化算法模块,用于基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵;
所述模型构建模块,用于基于所述需求响应弹性矩阵建立所述响应负荷预测模型,完成短期响应负荷预测训练。
基于上述任一实施例,所述根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数,包括:
基于M天中每天24个时段的响应前后负荷和电价分别得到第m天i时段的负荷需求变化量Δqi(m)和相应的电价变化率Δpi(m);
基于上述任一实施例,所述基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵,包括:
根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,判断当前是否达到所述迭代的最大次数;
若达到所述迭代的最大次数,则判断是否满足24个时段,是则输出需求响应弹性矩阵,不是则重新优化下一个时段的需求价格弹性系数,直至执行完24个时段后输出需求响应弹性矩阵;
若未达到所述迭代的最大次数,再次根据预定规则更新狼群位置,并将迭代次数加1,继续执行根据预定规则更新狼群位置的步骤,直至达到迭代的最大次数。
基于上述任一实施例,所述根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,包括:按照灰狼狩猎时包括包围、猎捕、更新在内的规则更新狼群位置,诞生新一代灰狼个体,将父代与产生的新子代通过优先合并,形成新的狼群特征。
图9为本发明实施例提供的电子设备的结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行组合负荷预测方法,该方法包括:确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的组合负荷预测方法,该方法包括:确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的组合负荷预测方法,该方法包括:确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;其中,所述预测模型是基于若个干历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种组合负荷预测方法,其特征在于,包括:
确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;
将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;
其中,所述预测模型是基于若干个历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;
所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测;
所述预测模型包括基础负荷预测模型、响应负荷预测模型和叠加模型;将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值,包括:将所述待预测日的预报环境因子的值和基础负荷输入至所述基础负荷预测模型,输出基础负荷预测值;将所述待预测日的响应负荷、响应前后负荷和电价输入至所述响应负荷预测模型,输出需求响应负荷预测值;将所述基础负荷预测值和所述需求响应负荷预测值输入至所述叠加模型,输出待预测日的电网负荷预测值;
所述响应负荷预测模型是基于所述若干个历史日的响应负荷、响应前后负荷和电价的样本数据进行短期响应负荷预测训练得到的;基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练,包括以下步骤:根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数;基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵;基于所述需求响应弹性矩阵建立所述响应负荷预测模型,完成短期响应负荷预测训练;
所述根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数,包括:基于M天中每天24个时段的响应前后负荷和电价分别得到第m天i时段的负荷需求变化量和相应的电价变化率;基于所述第m天i时段的负荷需求变化量和相应的电价变化率得到第m天i时段参与需求响应的响应前负荷需求量与第m天的24个时段的电价变化率之间所做的乘积向量;基于所述乘积向量及需求响应价格弹性系数,得到第m天i时段参与需求响应变化量的估计值;基于所述第m天i时段参与需求响应变化量的估计值及所述乘积向量构建误差最小目标函数;
所述基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵,包括:根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,判断当前是否达到所述迭代的最大次数;若达到所述迭代的最大次数,则判断是否满足24个时段,是则输出需求响应弹性矩阵,不是则重新优化下一个时段的需求价格弹性系数,直至执行完24个时段后输出需求响应弹性矩阵;若未达到所述迭代的最大次数,再次根据预定规则更新狼群位置,并将迭代次数加1,继续执行根据预定规则更新狼群位置的步骤,直至达到迭代的最大次数。
2.根据权利要求1所述的组合负荷预测方法,其特征在于,所述基础负荷预测模型是基于所述若干个历史日的实际气象因子的值和基础负荷的样本数据进行短期基础负荷预测训练得到的;
基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,包括以下步骤:
S1,将所述样本数据中的实际气象因子的值和基础负荷输入包括惩罚系数、径向基核函数的宽度、初始概率、鸟巢位置及最大迭代次数在内的初始参数设定的布谷鸟优化支持向量机CS-SVM模型,得到鸟巢的最佳适应度值;
S2,根据鸟巢的最佳适应度值确定当前最优鸟巢位置,并通过当前最优鸟巢位置对其它鸟巢位置进行更新,产生一组新的鸟巢位置,并将当前最优鸟巢位置与一组新的鸟巢位置进行比较得到预测误差;
S3, 根据预测误差得到较优的鸟巢位置,通过判断淘汰布谷鸟蛋的概率与随机数的数值大小作比较,当淘汰布谷鸟蛋的概率小于随机数,则将一组新的鸟巢位置代替当前最优鸟巢位置,并判断当前是否达到迭代结束条件,若是则跳出寻找最优鸟巢位置的值,否则返回S2继续寻找最优鸟巢位置;其中,所述迭代结束条件包括最大迭代次数或由径向基核函数的宽度确定的最优适应度值;
S4,基于所述布谷鸟优化支持向量机CS-SVM模型中参数更新为所述最优鸟巢位置建立基础负荷预测模型,完成短期基础负荷预测训练。
3.根据权利要求1所述的组合负荷预测方法,其特征在于,所述根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,包括:按照灰狼狩猎时包括包围、猎捕、更新在内的规则更新狼群位置,诞生新一代灰狼个体,将父代与产生的新子代通过优选合并,形成新的狼群特征。
4.一种组合负荷预测装置,其特征在于,包括:
数据确定单元,用于确定待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价;
负荷预测单元,用于将所述待预测日的预报气象因子的值、基础负荷、响应负荷、响应前后负荷和电价输入至预测模型,得到所述预测模型输出的电网负荷预测值;
其中,所述预测模型是基于若干个历史日的实际气象因子的值、基础负荷、响应负荷、响应前后负荷和电价的样本数据训练得到的;
所述预测模型用于基于所述样本数据中的实际气象因子的值和基础负荷完成短期基础负荷预测训练,并基于所述样本数据中的响应负荷、响应前后负荷和电价完成短期响应负荷预测训练后,对所述待预测日的电网负荷进行预测;
所述负荷预测单元包括基础负荷预测模块、响应负荷预测模块和叠加模块构成的预测模型;
所述基础负荷预测模块,用于输入所述待预测日的预报环境因子的值和基础负荷,输出基础负荷预测值;
所述响应负荷预测模块,用于输入所述待预测日的响应负荷、响应前后负荷和电价,输出需求响应负荷预测值;
所述叠加模块 ,用于输入所述基础负荷预测值和所述需求响应负荷预测值,输出待预测日的电网负荷预测值;
所述响应负荷预测模块是基于所述若干个历史日的响应负荷、响应前后负荷和电价的样本数据对目标模块进行短期响应负荷预测训练得到的;
所述目标模块包括目标函数模块、优化算法模块和模型构建模块;
所述目标函数模块,用于根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数;
所述优化算法模块,用于基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵;
所述模型构建模块,用于基于所述需求响应弹性矩阵建立所述响应负荷预测模块 ,完成短期响应负荷预测训练;
所述根据所述样本数据中的响应负荷、响应前后负荷和电价构建误差最小目标函数,包括:基于M天中每天24个时段的响应前后负荷和电价分别得到第m天i时段的负荷需求变化量和相应的电价变化率;基于所述第m天i时段的负荷需求变化量和相应的电价变化率得到第m天i时段参与需求响应的响应前负荷需求量与第m天的24个时段的电价变化率之间所做的乘积向量;基于所述乘积向量及需求响应价格弹性系数,得到第m天i时段参与需求响应变化量的估计值;基于所述第m天i时段参与需求响应变化量的估计值及所述乘积向量构建误差最小目标函数;
所述基于设定狼群数量、迭代的最大次数、方向修正概率和狼群的初始化坐标空间的灰狼优化算法对所述误差最小目标函数进行求解,得到需求响应弹性矩阵,包括:根据预定规则更新狼群位置,得到新一代灰狼个体形成新的狼群特征,判断当前是否达到所述迭代的最大次数;若达到所述迭代的最大次数,则判断是否满足24个时段,是则输出需求响应弹性矩阵,不是则重新优化下一个时段的需求价格弹性系数,直至执行完24个时段后输出需求响应弹性矩阵;若未达到所述迭代的最大次数,再次根据预定规则更新狼群位置,并将迭代次数加1,继续执行根据预定规则更新狼群位置的步骤,直至达到迭代的最大次数。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述组合负荷预测方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述组合负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179158.XA CN112836885B (zh) | 2021-02-09 | 2021-02-09 | 组合负荷预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179158.XA CN112836885B (zh) | 2021-02-09 | 2021-02-09 | 组合负荷预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836885A CN112836885A (zh) | 2021-05-25 |
CN112836885B true CN112836885B (zh) | 2022-07-15 |
Family
ID=75933205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110179158.XA Active CN112836885B (zh) | 2021-02-09 | 2021-02-09 | 组合负荷预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836885B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
CN113505534B (zh) * | 2021-07-07 | 2023-09-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592246A (zh) * | 2010-11-30 | 2012-07-18 | 通用电气公司 | 用于估计供电***中的需求响应的***和方法 |
CN104318329A (zh) * | 2014-10-20 | 2015-01-28 | 国家电网公司 | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 |
CN207339413U (zh) * | 2017-08-29 | 2018-05-08 | 南京新联电能云服务有限公司 | 一种空调自动需求响应控制*** |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018200861A1 (en) * | 2017-04-27 | 2018-11-01 | Johnson Controls Technology Company | Building energy system with stochastic model predictive control |
-
2021
- 2021-02-09 CN CN202110179158.XA patent/CN112836885B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592246A (zh) * | 2010-11-30 | 2012-07-18 | 通用电气公司 | 用于估计供电***中的需求响应的***和方法 |
CN104318329A (zh) * | 2014-10-20 | 2015-01-28 | 国家电网公司 | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 |
CN207339413U (zh) * | 2017-08-29 | 2018-05-08 | 南京新联电能云服务有限公司 | 一种空调自动需求响应控制*** |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
Improved gray wolf optimization algorithm for solving placement and sizing of electrical energy storage system in micro-grids;Di Miao 等;《ISA Transactions》;20200215;第102卷;第376-387页 * |
考虑安全策略的需求响应实时电价机制研究;庞泽宇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210115(第01期);第C042-108页 * |
计及需求响应的主动配电网短期负荷预测;苏小林 等;《电力***自动化》;20180307(第10期);第60-66页 * |
需求侧响应下的两级优化调度策略研究;郭崇 等;《信息通信》;20171115(第11期);第165-166页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836885A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及*** | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN113592144A (zh) | 一种中长期径流概率预报方法及*** | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及*** | |
Brito Lopes et al. | Improving genomic prediction accuracy for meat tenderness in Nellore cattle using artificial neural networks | |
CN112163671A (zh) | 一种新能源场景生成方法及*** | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
CN114154753A (zh) | 一种负荷预测方法及*** | |
CN117557375A (zh) | 基于虚拟电厂的交易评估方法及相关装置 | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及*** | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN116562455A (zh) | 风力发电机的气温预报数据处理方法、装置、计算机设备 | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及*** | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 | |
CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
CN112686770A (zh) | 一种基于需求价格弹性修正的负荷预测方法及装置 | |
CN112950033A (zh) | 一种基于水库调度规则合成的水库调度决策方法及*** | |
CN111612419A (zh) | 电力申报数据的处理方法、装置和计算机设备 | |
CN110910164A (zh) | 产品销售预测方法、***、计算机设备和存储介质 | |
CN116362418B (zh) | 一种高端电池智能工厂应用级制造能力在线预测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230525 Address after: 730070 no.249 Wanxin North Road, Anning District, Lanzhou City, Gansu Province Patentee after: STATE GRID GASU ELECTRIC POWER Research Institute Address before: Qilihe District of Gansu city in Lanzhou Province, 730050 West East Road No. 648 Patentee before: STATE GRID GASU ELECTRIC POWER Research Institute Patentee before: CHINA AGRICULTURAL University |