CN113850443A - 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 - Google Patents
一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 Download PDFInfo
- Publication number
- CN113850443A CN113850443A CN202111197375.8A CN202111197375A CN113850443A CN 113850443 A CN113850443 A CN 113850443A CN 202111197375 A CN202111197375 A CN 202111197375A CN 113850443 A CN113850443 A CN 113850443A
- Authority
- CN
- China
- Prior art keywords
- interval
- prediction
- error
- power load
- short
- 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 32
- 238000005070 sampling Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法,属于短期电力负荷预测技术领域。该方法包括针对原始时间序列数据采用滑动窗口法对其进行预处理,滑动窗口法是一种针对时间序列数据实时更新的技术,目的是构造特征数据集以进行模型训练;建立ELM‑AdaBoost模型来拟合确定点的负荷预测值;对实际负荷值进行区间划分,采用非参数Bootstrap方法对每个区间内的误差进行抽样,得到预测误差的置信区间;建立相关统计量,将误差的置信区间转换为负荷值的预测区间;该模型减小了负荷预测的不确定性及其预测误差,并且具有一定的适用性。
Description
技术领域
本发明属于短期电力负荷预测技术领域,涉及一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法。
背景技术
随着人民生活水平的提高、工业化的加速和人口的增长,对电力的需求也在不断增加。这不可避免地增加了电力***运行的复杂性和不确定性。然而,电网的稳定运行是基于在所有时间尺度上的供需平衡。因此,准确的需求预测已成为电力***管理中不可或缺的任务。准确估计未来的电力负荷变化对电网的决策和运行,以及电力公司和用户都具有重要意义。准确的负荷预测不仅为社会和人民提供了经济、可靠、可持续的电能,而且为电力市场投资规划提供有效的决策依据。短期电力负荷预测通常是指数小时或数周范围内的电力负荷预测。它是电力***管理中的一项重要任务,涉及电力***的维护计划、运行和规划。因此,准确、稳定的短期电力负荷预测可以大大降低电网公司的运营成本,帮助和提醒调度员确保电力***的安全运行。
由于可再生能源在电力结构中的波动性和不稳定性,其对电网稳定性的影响越来越显著。掌握未来电力需求的趋势,实现电力供需平衡也越来越困难。电力负荷预测领域已经开展了各种新的研究,目前有大量的短期电力负荷预测模型。这些模型主要分为传统的预测方法和现在预测技术两大类,分别是基于统计建模和人工智能提出的。
传统的统计预测方法包括时间序列分析和回归分析,ARMA和ARIMA方法都需要将原始数据转换为平稳时间序列。此外,ARMA和ARIMA方法只处理线性序列分析,而不适用于功率负荷数据中的非线性序列。随着SVR模型在负荷预测中的成熟应用,它可以解决复杂的非线性回归问题,在小样本问题上具有优势,但是难以适应大规模样本。随着人工智能的发展,机器学习方法出现,以神经网络预测技术为主。然而,机器学习方法也存在一些缺点,即难以处理缺失的数据,也很容易出现过拟合的问题。无论是传统的预测模型还是现代神经网络预测模型,都是产生确定的点预测值,每次输出一个值。由于负荷受气候变化和季节因素等的影响具有不确定性以及波动性,因此,点预测方法不能提供良好的预测性能,需要建立一个稳定的电力负荷预测模型。电力负荷数据本质上是一个随机的、非线性的序列,它包含很多不确定的影响因素。因此,需要概率预测或区间预测来提供更多关于预测可能偏差的信息。
发明内容
有鉴于此,本发明的目的在于提供一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法,针对不同区间的预测误差进行抽样,将区间预测通过统计量转换为区间预测,从而实现区间预测的构造,并实现对短期电力负荷进行准确的预测。
为达到上述目的,本发明提供如下技术方案:
一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法,具体包括以下步骤:
S1:对采集到的原始负荷时间序列数据采用滑动窗口法进行预处理,建立短期电力负荷数据集,并将数据集按7:3的比例分为训练集和测试集;
S2:建立ELM-AdaBoost模型,输入预处理后的数据集,获得确定点的预测值;
S3:将测试集根据确定的间隔分为不同的区间段,并计算每个区间段内的预测误差,将数据量较小的相邻区间段进行合并;
S4:对每个区间内的误差数据进行Bootstrap抽样,得到不同置信度下,不同区间段内误差的置信区间;
S5:确定观测值所属的区间段,构建关于预测误差的统计量,将误差的置信区间转换为预测值的预测区间,从而实现了电力负荷的区间预测。
进一步,步骤S1中,采用滑动窗口法对采集到的原始负荷时间序列数据进行预处理,将时间序列数据转换为矩阵数据,建立短期电力负荷数据集。
进一步,步骤S2中,建立的ELM-AdaBoost模型是以极限学习机(Extreme LearningMachine,ELM)为基础回归模型,通过AdaBoost算法训练得到T个弱预测器,对其赋予相应的权重,组合成一个强预测器其中αt为弱预测器的权重,ht(X)为弱预测器,t=1,…,T。
本发明的有益效果在于:
(1)本发明采用滑动窗口法对时间序列数据进行预处理,以确保数据能够适应模型的正常训练。
(2)本发明采用非参数Bootstrap抽样方法对预测误差序列进行统计分析,构造区间预测,提高预测精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法的流程图;
图2为本实例中澳大利亚昆士兰州短期电力负荷区间预测结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1,本发明设计的基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法,对采集到的原始负荷时间序列数据进行预处理,将时间序列数据通过滑动窗口法转换为矩阵数据,建立短期电力负荷数据集;使用ELM-AdaBoost模型对电力负荷数据进行点预测,得到每一时刻的点预测值;通过Bootstrap误差抽样方法对不同区间的误差进行抽样,建立区间预测方法对未来三天的负荷曲线进行区间预测,具体包括以下步骤:
步骤1:对采集到的数据进行预处理时,以窗口宽为4进行滑动,如图2所示,通过实施更新,将时间序列数据x=(x1,x2,x3,…,xn-1,xn)转换为矩阵数据(X,Y);X为输入,Y为输出。
Y=[Y1,Y2,…,YN-1,YN]=[x5,x6,…,xn-1,xn]。
步骤2:以ELM为基础回归模型,通过AdaBoost算法训练得到T个弱预测器,对其赋予相应的权重,组合成一个强预测器其中αt为弱预测器的权重,ht(X)为弱预测器,t=1,…,T。即ELM-AdaBoost模型。采用该模型对未来三天的负荷数据进行预测,得到确定点的预测值;
步骤3:对测试集进行等间隔划分,并计算每个区间段内的预测误差,将数据量较小的相邻区间段进行合并;
步骤4:对每个区间内的误差数据进行Bootstrap抽样,得到不同置信度下,不同区间段内误差的置信区间EI=(EI1,EI2,…,EIi,…,EIn),其中n是区间的个数,分别是第i个区间误差的下限和上限;
步骤5:确定观测值所属的区间段,构建关于预测误差的统计量,将误差的置信区间转换为预测值的预测区间,从而实现了电力负荷的区间预测。
表1本实施例中最终区间划分的结果表
表2本发明预测模型与现有预测模型的实施效果比较
由表2可知,ELM-AdaBoost模型的预测效果最好,FICP平均值为66.32%,分别比BP模型、ELM模型和BP-AdaBoost模型的平均FICP高1.16%、2.89%、4.05%;MWFI平均值为1.07%;相对于其他几个模型变化不是很大。BP-AdaBoost模型的预测效果最差,FICP和MWFI值的平均值分别为62.27%和1.10%。
上述结果表明,采用ELM-AdaBoost作为点预测模型和非参数Bootstrap采样的区间预测方法可以为电力***提供更准确的预测结果,不仅使电力管理更加方便,而且使电网运行安排更加合理。采用ELM-AdaBoost模型作为点预测模型,不同置信水平下的区间预测结果如图2所示。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法,其特征在于,该方法具体包括以下步骤:
S1:对采集到的原始负荷时间序列数据进行预处理,建立短期电力负荷数据集,并将数据集按比例分为训练集和测试集;
S2:建立ELM-AdaBoost模型,输入预处理后的数据集,获得确定点的预测值;
S3:将测试集根据确定的间隔分为不同的区间段,并计算每个区间段内的预测误差,将数据量较小的相邻区间段进行合并;
S4:对每个区间内的误差数据进行Bootstrap抽样,得到不同置信度下,不同区间段内误差的置信区间;
S5:确定观测值所属的区间段,构建关于预测误差的统计量,将误差的置信区间转换为预测值的预测区间,从而实现了电力负荷的区间预测。
2.根据权利要求1所述的短期电力负荷区间预测方法,其特征在于,步骤S1中,采用滑动窗口法对采集到的原始负荷时间序列数据进行预处理,将时间序列数据转换为矩阵数据,建立短期电力负荷数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197375.8A CN113850443A (zh) | 2021-10-14 | 2021-10-14 | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197375.8A CN113850443A (zh) | 2021-10-14 | 2021-10-14 | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850443A true CN113850443A (zh) | 2021-12-28 |
Family
ID=78978402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197375.8A Pending CN113850443A (zh) | 2021-10-14 | 2021-10-14 | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850443A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408299A (zh) * | 2023-09-08 | 2024-01-16 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879656A (zh) * | 2018-06-09 | 2018-11-23 | 宝鸡文理学院 | 一种基于子抽样svr集成的短期电力负荷预测方法 |
-
2021
- 2021-10-14 CN CN202111197375.8A patent/CN113850443A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879656A (zh) * | 2018-06-09 | 2018-11-23 | 宝鸡文理学院 | 一种基于子抽样svr集成的短期电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
LING XIAO ET AL.: "Short-Term Power Load Interval Forecasting Based on Nonparametric Bootstrap Errors Sampling", 《SOCIAL SCIENCE RESEARCH NETWORK ELECTRONIC JOURNAL》, 31 January 2021 (2021-01-31), pages 1 - 25 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408299A (zh) * | 2023-09-08 | 2024-01-16 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于深度学习的变压器油中溶解气体浓度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及*** | |
CN111695724B (zh) | 一种基于混合神经网络模型的风速预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN110334847A (zh) | 基于改进K-means聚类与支持向量机的风功率预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及***、设备、介质 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN111898812A (zh) | 一种分布式光伏数据虚拟采集方法 | |
CN113850443A (zh) | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
CN114595542A (zh) | 一种线损预测方法 | |
CN112052985B (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
CN116231749A (zh) | 基于数字孪生的新能源电力***调度方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
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 |