CN116526450A - 计及误差补偿的两阶段短期电力负荷组合预测方法 - Google Patents

计及误差补偿的两阶段短期电力负荷组合预测方法 Download PDF

Info

Publication number
CN116526450A
CN116526450A CN202310413356.7A CN202310413356A CN116526450A CN 116526450 A CN116526450 A CN 116526450A CN 202310413356 A CN202310413356 A CN 202310413356A CN 116526450 A CN116526450 A CN 116526450A
Authority
CN
China
Prior art keywords
value
sparrow
model
prediction
firefly
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
Application number
CN202310413356.7A
Other languages
English (en)
Inventor
程江洲
杨淑凡
方程
陈豪钰
谢闻捷
王永威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202310413356.7A priority Critical patent/CN116526450A/zh
Publication of CN116526450A publication Critical patent/CN116526450A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Power Engineering (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

计及误差补偿的两阶段短期电力负荷组合预测方法，采用VMD将原始负荷数据序列进行分解；基于萤火虫扰动优化的麻雀搜索算法FASSA优化BiLSTM模型中的参数设置，确定最优超参数；将求得的最优超参数代入到BiLSTM模型，重新进行训练测试，得到初始负荷预测模型；将初始负荷预测模型输出的初始负荷预测值与真实值作差，得到误差序列，考虑误差序列以及外界影响因素，建立基于BiLSTM网络的误差补偿模型，得到误差补偿值；将获取的初始负荷预测值和获取的误差补偿值相加，即为最终的负荷预测结果。该方法有效避免了因外界影响因素诸如一天中时刻、温湿度、日类型以及预测模型预测过程中的固有误差对居民用户短期负荷预测性能造成的影响，进一步提高短期负荷预测的精度。

Description

计及误差补偿的两阶段短期电力负荷组合预测方法
技术领域
本发明涉及电力***负荷预测领域，具体涉及一种计及误差补偿的两阶段短期电力负荷组合预测方法。
背景技术
由于电能很难实现大规模储存，为保证发电量和用电量的动态平衡，根据用户的用能特点和负荷变化的不确定性，需要做好短期电力负荷的精确预测。短期负荷预测是电力***经济可靠运行的有效工具，基于短期负荷的预测结果,能够帮助发电生产进行规划安排，减少资源浪费，对电网运行的可靠性和安全性进行分析并制定维护计划。
地域不同、社会经济活动、气候变化及电价的波动都会对用户用电行为产生影响，随着可再生分布式能源、储能装置大规模并网，使得负荷波动更加随机、非线性特征愈加显著，加大了负荷预测的难度。传统预测法包括回归分析法、时间序列法、指数平滑法、灰色理论法等，这类方法预测精度不高，且非线性拟合性能差，无法满足日益增长的负荷预测要求。智能预测法主要基于各类人工智能方法进行预测，例如：BP神经网络、支持向量机(SVM)、极限学习机(ELM)，这类算法相比于传统方法能更有效地处理非线性问题，深度学习算法在传统人工智能算法的基础上得到了进一步的拓展提升。组合模型可以结合多种预测模型的优点，有效处理数据样本中的线性和非线性特征，从而能够提高负荷预测精度。为降低数据样本的波动性和复杂程度，可以采用基于信号分解的组合模型。
采用基于信号分解的组合模型，需要对分解出的各模态子模态分别进行预测，最后叠加各预测结果得到最终的预测值，该方法效率低并且未能充分考虑气象特征以及周期性影响因素对模型预测精度的影响。长短时记忆神经作为循环神经网络的一种特殊变体，是目前时序预测领域研究最为流行的深度神经网络，然而LSTM神经网络只能利用单向历史时刻的信息，而无法学习负荷数据前后两个时间方向的关系。
发明内容
针对短期电力负荷预测中的不确定性和波动性问题，本发明提出了一种计及误差补偿的两阶段短期电力负荷组合预测方法，具体包括：在第一阶段采用变分模态分解(VMD)算法将电力负荷数据分解为若干个简单模态，利用基于萤火虫扰动优化的麻雀搜索算法(FASSA)对双向长短时记忆神经网络(BiLSTM)的超参数进行寻优，建立VMD-FASSA-BiLSTM负荷预测模型，得到初始负荷预测功率值；在第二阶段将初始负荷预测值与真实值作差得到误差序列，综合考虑误差序列以及温湿度和日类型等外界影响因素，建立基于BiLSTM网络的误差补偿模型，得到误差补偿值；最后将两个阶段的预测结果相加即为最终的预测结果。该方法有效避免了因外界影响因素诸如一天中时刻、温湿度、日类型以及预测模型预测过程中的固有误差对居民用户短期负荷预测性能造成的影响，进一步提高短期负荷预测的精度。
本发明采取的技术方案为：
计及误差补偿的两阶段短期电力负荷组合预测方法，包括以下步骤：
步骤1：采用变分模态分解VMD算法将原始负荷数据序列进行分解，作为初始负荷预测模型的输入数据集；
步骤2：基于萤火虫扰动优化的麻雀搜索算法FASSA优化BiLSTM模型中的参数设置，确定最优超参数；
步骤3：将步骤2求得的最优超参数代入到BiLSTM模型，重新进行训练测试，得到初始负荷预测模型，输出初始负荷预测值；
步骤4：将步骤3中初始负荷预测模型输出的初始负荷预测值与真实值作差，得到误差序列，综合考虑误差序列以及外界影响因素，建立基于BiLSTM网络的误差补偿模型，得到误差补偿值；
步骤5：将步骤3获取的初始负荷预测值和步骤4获取的误差补偿值相加，即为最终的负荷预测结果。
所述步骤1包括以下步骤：
步骤1.1、VMD参数的优化：VMD的分解精度取决于分解模态数K和惩罚因子α，利用遗传算法优化VMD的参数；
步骤1.2、变分问题的建立：本发明采用的实验样本为某省某市某社区2019年4月1日至4月22日的电力负荷数据、日类型因素和温湿度数据，采样间隔为15min，每天能采集96条原始电力负荷数据，共2112个采样点，这2112个采样点共同构成原始电力负荷数据序列f(t)，该负荷数据序列具有时间依赖性和非平稳波动特性，所以先用VMD将其进行分解，减少序列的噪声影响，将复杂的时间序列数据分解为若干简单的模态分量，进而提升预测结果的精度。VMD先将原始电力负荷数据序列f(t)分解为具有不同频率特征的模态函数uk，各模态分量之和即为原始的电力负荷数据序列，由此构建的约束变分问题为：
式中：K为VMD分解的目标模态个数；采样间隔时间为15min，从0点开始采样，则t为被采样的时刻，如0：15；k为原始负荷数据序列经VMD分解的第k个模态分量；uk(t)为时刻t的第k个分量信号；ωk为输入的原始负荷数据序列经VMD分解后的第k个模态分量的中心频率；{uk}、{ωk}分别为各模态集合和中心频率集合；δ(t)为狄拉克分布函数；j代表在频谱上来看，将原始信号的相位变换了 代表复数信号在时域内旋转的矢量，利用指数修正，使每个模态函数的频谱调制到相应的基频带。
步骤1.3：引入拉格朗日乘法算子λ(t)和二次平衡参数α，将约束问题转变为非约束问题，得到增广拉格朗日方程：
式中，λ为拉格朗日乘数；k为VMD分解的第k个模态分量；uk(t)为时刻t的第k个分量信号。
步骤1.4：非约束性变分问题可以通过交叉乘子算法进行求解，{uk}、{ωk}的迭代更新公式如下：
式中，和/>分别为f(t)、/>λn(t)和uk(t)对应的傅里叶变换；ui代表除开第k个模态分量的第i个其他模态分量；ω表示频率；/>代表第n次迭代下第k个模态分量的中心频率；/>分别为第n+1次迭代时第k个模态分量对应的维纳滤波与频率中心；
步骤1.5：更新λ：
式中：代表第n+1次迭代时的拉格朗日惩罚算子λn+1(t)对应的的傅里叶变换。步骤1..6：迭代一直进行到满足如下收敛条件：
式中，ε为收敛精度，是一个大于0的常数。
所述步骤1.1包括：
(1)编码并初始化种群：利用遗传算法对K和α这2个参数进行寻优，首先对其进行实数编码，在进行优化算法前需要随机构造初始种群，设置种群规模为20；
(2)确定适应度函数：将降噪后的信噪比作为优化算法的适应度函数，当寻优找到信噪比最小值时即得到K和α的最优解，适应度函数表达式为:
式中:n为信号长度；S(t)为带噪信号；S'(t)为降噪后信号。
(3)设置遗传操作算子：采用单点交叉算子，交叉概率设置为0.8，变异概率设置为0.1。
(4)设定最大迭代次数：设置最大迭代次数为100次，迭代完成后，解码最优适应度值对应的染色体，即得到K和α的最优解。
所述步骤2中，利用萤火虫扰动改进的麻雀搜索算法，对BiLSTM负荷预测模型进行快速精准的超参数寻优，从而实现BiLSTM负荷预测模型与电力负荷数据特征的有效结合；包括以下步骤：
步骤2.1：麻雀优化算法中，搜索者，搜索食物并提供方向；追随者，依据搜索者的方向进行搜索；侦察者，依据反捕食行为进行警戒侦察，使种群免于陷入最优解；位置迭代更新公式；
1)搜索者的位置迭代更新公式如下：
式中，k为当前迭代次数；Kmax为最大迭代次数；xij为第i只麻雀在j维中的位置信息；代表在第k次迭代时第i只麻雀在j维中的位置信息；α∈(0，1]为随机数；r2∈(0，1]为警告值，当r2＜ST，继续搜索，当r2≥ST，说明有危险情况，迅速飞离；ST∈(0.5,1]为安全值；Q是服从正态分布的随机数。L是一个1×d的矩阵，每个元素均为1。
追随者的位置更新迭代如下：
式中，为在第k+1次搜索时最优适应度值对应的位置；xworst为当前最差适应度值对应的位置；A为一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1。
侦察者的位置更新迭代如下：
式中，xbest为当前的最优适应度值对应的位置；β为步长控制参数，是一个服从标准正态分布的随机数；J∈[-1,1]是一个均匀随机数；fi为当前麻雀个体的适应度值；fb和fw分别是当前最优和最差的适应度值；ε为常数，为避免分母为0的情况。
步骤2.3：利用萤火虫扰动对麻雀搜索算法进行改进；
步骤2.4：初始化FASSA的参数；初始化BiLSTM结构，将BiLSTM的相关超参数初始化，以BiLSTM模型的隐藏层神经元个数和学习率作为优化目标；
步骤2.5：将未经训练的BiLSTM负荷预测模型的预测值与实际值相比的平均百分比误差(MAPE)作为FASSA的适应度函数，并计算每只麻雀的适应度值，选取适应值大的前snum个作为搜索者，剩余的为追随者，侦察者的数量为dnum；并得到最优适应度值与最差适应度值及其对应的位置；
步骤2.6：在搜索者、追随者和侦察者更新位置的同时，利用萤火虫扰动策略对麻雀的位置进行更新变异，重新计算各个体的适应度值并更新新的最优位置，得到每个个体的最佳位置；
步骤2.7：当达到设定的最大迭代次数后，得到最优的超参数数值。
所述步骤2.3：利用萤火虫扰动对麻雀搜索算法进行改进，包括：
步骤2.3.1：初始化参数：初始化SSA的参数，包括种群规模N、种群的更新迭代次数、搜索者和侦察者的个数ns、nd，参数取值上下界及安全阈值；
步骤2.3.2：混沌初始化，采用Cubic混沌映射策略，由此生成的初始种群分布更加均匀，个体之间的差异更小。Cubic混沌映射函数如下：
式中，a、b为混沌影响因子。Cubic映射范围取决于a、b的值。b∈(2.3,3)时，其映射状态为混沌序列。
步骤2.3.3：计算每只麻雀的适应度值并排序，分别得到最优适应度值麻雀及其对应的位置以及最差适应度值麻雀及其对应的位置；
步骤2.3.4：根据步骤2.1更新麻雀位置；
步骤2.3.5：萤火虫扰动策略，采用萤火虫扰动策略，对于任意数量的萤火虫，总是会趋向更亮的一只；但是距离越远，亮度也会降低；如果附近没有更亮的萤火虫，则会做随机无规则运动。通过萤火虫扰动策略对种群中具有最优位置的个体进行变异扰动，比较扰动前后的适应度值，择优选取，帮助种群跳出局部最优解；
①萤火虫之间的相对亮度表示为：
式中，rij为第i只和第j只萤火虫之间的欧氏距离；I0是由目标函数的优秀程度所决定的萤火虫最大亮度；γ为亮度吸收系数，取值范围为[0,∞)。
②萤火虫之间的吸引力表示为：
式中，j*为萤火虫i所能感知到的具有最强亮度的萤火虫，j*＝argmax(Iij)；η0为最大吸引力。
③第i只萤火虫根据萤火虫之间的吸引力和第j*只萤火虫的位置进行位置更新：
式中，表示第i只萤火虫在第t+1次迭代时的位置；/>表示第i只萤火虫在第t次迭代时的位置；/>表示第j*只萤火虫所在的位置；/>表示第i只萤火虫到第j*只萤火虫的平方欧氏距离；α为步长因子，α和rand均为[0,1]内的随机常数。
步骤2.3.5：重新计算每只麻雀的适应度值，更新最优适应度值的麻雀及其位置；
步骤2.3.7：判断算法是否达到设定的最大迭代次数，若达到，则结束循环并输出最优结果，若没有达到，则继续进行步骤2.3.4。
所述步骤4中，将步骤3中初始负荷预测模型得到的初始负荷预测值与真实值作差，得到模型固有的误差序列，与本发明选定的短期影响因素分别作为BiLSTM网络模型的输出和输入，建立二者之间的非线性关系，利用该模型实现对误差的预测。
包括以下步骤：
步骤4.1：将初步功率预测序列与真实序列进行求差，得到预测值和真实值之间的误差序列；
步骤4.2：引入斯皮尔曼相关系数来定量分析评价所选的四种外界影响因素：一天中时刻、日类型因素、温度、湿度，与负荷数据的相关性：
式中，di表示第i个数据对的位次值之差，n为总的观测样本数。
步骤4.3：选取VMD分解的模态分量IMF1,IMF2,...,IMFK和选取的四种外界影响因素作为误差纠正模型的输入，并将步骤4.1所得的误差序列作为输出，随后采用BiLSTM神经网络模型建立二者之间的非线性关系，将该模型作为误差补偿模型进行训练，从而得到预测误差序列。
所述步骤5中，为评价预测模型的性能，采用平均绝对百分比误差(mean absolutepercentage error，MAPE)和均方根误差(Root Mean Square Error,RMSE)作为VMD-FASSA-BiLSTM-误差补偿的两阶段短期电力负荷组合预测模型的评价指标，其公式分别为：
式中：yi和xi分别表示i时刻的真实值和与预测值；n为样本数量。
本发明一种计及误差补偿的两阶段短期电力负荷组合预测方法，技术效果如下：
1)本发明首先用VMD对原始数据序列进行分解，提高输入数据的质量；然后用FASSA搜索算法对BiLSTM的隐藏层神经元个数和学习率这2个超参数进行自适应寻优，得到最优参数组；最后通过训练好的FASSA-BiLSTM负荷预测模型进行负荷预测，并叠加得到的各分量的预测值，得到初始负荷预测结果。
2)由于预测值和真实功率之间存在一定偏差，为进一步提高预测精度，需要对第一阶段的初始负荷预测值进行误差补偿。本发明利用VMD-FASSA-BiLSTM模型得到的负荷预测结果，提取每个时间点的预测误差序列，然后与造成负荷波动和非线性的影响因素共同构成误差训练集，分别作为误差补偿模型的输出和输入，并建立BiLSTM网络得到预测误差序列；最后将两个阶段得到的预测结果相加，即为最终的负荷预测结果。
3)该方法有效避免了因外界影响因素诸如一天中时刻、温湿度、日类型以及预测模型预测过程中的固有误差对居民用户短期负荷预测性能造成的影响，进一步提高短期负荷预测的精度。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为计及误差补偿的两阶段短期负荷预测流程图。
图2为基于萤火虫扰动优化的麻雀搜索算法流程图。
图3为某省某市某社区某年6月1日至6月22日的电力负荷实际数据图。
图4为电力负荷实际数据序列VMD分解图。
图5为四种优化算法在优化BiLSTM参数时的适应度曲线图。
图6为不同负荷预测模型的预测结果对比图。
图7为误差纠正前后绝对误差对比图。
具体实施方式
本发明针对短期电力负荷预测中的不确定性和波动性问题，提出了一种计及误差补偿的两阶段短期电力负荷组合预测方法。该方法有效避免了因外界影响因素诸如一天中时刻、温湿度、日类型以及预测模型预测过程中的固有误差对居民用户短期负荷预测性能造成的影响，进一步提高短期负荷预测模型的预测精度。如图1所示，所述方法包括：
步骤一：负荷数据序列具有时间依赖性和非平稳波动特性，所以先用VMD将其进行分解，减少序列的噪声影响，降低其复杂程度，利用VMD对具有复杂波动不确定性的电力负荷数据进行分解，作为负荷预测模型的输入数据集；
步骤二：以在时间序列预测中表现优异的BiLSTM模型为基础，利用萤火虫扰动改进的麻雀搜索算法优化BiLSTM模型中的参数设置，使得BiLSTM模型能够根据电力负荷数据的特性，快速、精准地确定最优超参数，如图2所示。
步骤三：将FASSA求得的最优超参数代入到BiLSTM负荷预测模型中，重新进行训练测试，得到负荷预测模型。
步骤四：将步骤三中预测模型得到的预测值与真实数据作差得到预测模型固有的误差序列，与本发明选定的四种短期影响因素分别作为BiLSTM网络的输出和输入，从而建立二者之间的非线性关系，利用该模型实现对误差的预测；
步骤五：计算得到最终的预测结果，评价预测模型的性能。
具体的，所述步骤一，包括：
步骤a1：VMD参数的优化。VMD的分解精度主要取决于分解模态数K和惩罚因子α，利用遗传算法优化VMD的参数。
步骤b1：变分问题的建立。VMD先将一个时间序列f(t)分解为具有不同频率特征的模态函数uk，各模态分量之和即为原始信号，由此构建的约束变分问题为:
式中，K为VMD分解的目标模态个数；{uk}、{ωk}分别为各模态集合和中心频率集合；δ(t)为狄拉克分布函数。
步骤c1：引入拉格朗日乘法算子λ(t)和二次平衡参数α，将约束问题转变为非约束问题，得到增广拉格朗日方程：
步骤d1:非约束性变分问题可以通过交叉乘子算法进行求解，{uk}、{ωk}的迭代更新公式如下：
式中，分别为第n+1次迭代时各模态分量对应的维纳滤波与频率中心。
步骤e1：更新λ：
步骤f1：迭代一直进行到满足如下收敛条件：
式中，ε为收敛精度，是一个大于0的常数。
进一步的，所述步骤a1包括：
(1)编码并初始化种群。利用遗传算法对K和α这2个参数进行寻优，首先对其进行实数编码。在进行优化算法前需要随机构造初始种群，设置种群规模为20；
(2)确定适应度函数。将降噪后的信噪比作为优化算法的适应度函数，当寻优找到信噪比最小值时即得到K和α的最优解，适应度函数表达式为:
式中:n为信号长度；S(t)为带噪信号；S'(t)为降噪后信号。
(3)设置遗传操作算子。采用单点交叉算子，交叉概率设置为0.8，变异概率设置为0.1。
(4)设定最大迭代次数。设置最大迭代次数为100次，迭代完成后，解码最优适应度值对应的染色体，即得到K和α的最优解。
具体的，所述步骤二包括：
步骤a2：麻雀优化算法中搜索者(搜索食物并提供方向)、追随者(依据搜索者的方向进行搜索)、侦察者(依据反捕食行为进行警戒侦察，使种群免于陷入最优解)位置迭代更新公式；
1)搜索者的位置迭代更新公式如下：
式中，k为当前迭代次数；Kmax为最大迭代次数；Xij为第i只麻雀在j维中的位置信息；α∈(0，1]为随机数；r2∈(0，1]为警告值，当r2＜ST，继续搜索，当r2≥ST，说明有危险情况，迅速飞离；ST∈(0.5,1]为安全值；Q是服从正态分布的随机数。L是一个1×d的矩阵，每个元素均为1。
2)追随者的位置更新迭代如下：
式中，为在第k+1次搜索时最优适应度值对应的位置；xworst为当前最差适应度值对应的位置；A为一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1。
3)侦察者的位置更新迭代如下：
式中，xbest为当前的最优适应度值对应的位置；β为步长控制参数，是一个服从标准正态分布的随机数；J∈[-1,1]是一个均匀随机数；fi为当前麻雀个体的适应度值；fb和fw分别是当前最优和最差的适应度值；ε为常数，为避免分母为0的情况。
步骤b2：利用萤火虫扰动对麻雀搜索算法进行改进；
步骤c2：初始化FASSA的参数；初始化BiLSTM结构，将BiLSTM的相关超参数初始化，以BiLSTM模型的隐藏层神经元个数和学习率作为优化目标；
步骤d2：将未经训练的BiLSTM负荷预测模型的预测值与实际值相比的平均百分比误差(MAPE)作为FASSA的适应度函数，并计算每只麻雀的适应度值，选取适应值大的前snum个作为搜索者，剩余的为追随者，侦察者的数量为dnum；并得到最优适应度值与最差适应度值及其对应的位置；
步骤e2：在搜索者、追随者和侦察者更新位置的同时，利用萤火虫扰动策略对麻雀的位置进行更新变异，重新计算各个体的适应度值并更新新的最优位置，得到每个个体的最佳位置；
步骤f2：当达到设定的最大迭代次数后，得到最优的超参数数值。
进一步的，所述步骤b2包括：
(1)初始化参数：初始化SSA的参数，包括种群规模N、种群的更新迭代次数、搜索者和侦察者的个数ns、nd，参数取值上下界及安全阈值；
(2)混沌初始化，采用Cubic混沌映射策略，由此生成的初始种群分布更加均匀，个体之间的差异更小。Cubic混沌映射函数如下：
式中，a、b为混沌影响因子。Cubic映射范围取决于a、b的值。b∈(2.3,3)时，其映射状态为混沌序列。
(3)计算每只麻雀的适应度值并排序，分别得到最优适应度值麻雀及其对应的位置以及最差适应度值麻雀及其对应的位置；
(4)根据步骤b1更新麻雀位置；
(5)萤火虫扰动策略，采用萤火虫扰动策略，对于任意数量的萤火虫，总是会趋向更亮的一只；但是距离越远，亮度也会降低；如果附近没有更亮的萤火虫，则会做随机无规则运动。通过萤火虫扰动策略对种群中具有最优位置的个体进行变异扰动，比较扰动前后的适应度值，择优选取，帮助种群跳出局部最优解；
1)萤火虫之间的相对亮度表示为：
式中，rij为第i只和第j只萤火虫之间的欧氏距离；I0是由目标函数的优秀程度所决定的萤火虫最大亮度；γ为亮度吸收系数，取值范围为[0,∞)。
2)萤火虫之间的吸引力表示为：
式中，j*为萤火虫i所能感知到的具有最强亮度的萤火虫，j*＝argmax(Iij)；η0为最大吸引力。
3)第i只萤火虫根据萤火虫之间的吸引力和第j*只萤火虫的位置进行位置更新：
式中，α为步长因子，α和rand均为[0,1]内的随机常数。
(6)重新计算每只麻雀的适应度值，更新最优适应度值的麻雀及其位置；
(7)判断算法是否达到设定的最大迭代次数，若达到，则结束循环并输出最优结果，若没有达到，则继续进行步骤(4)。
具体的，所述步骤三包括：
将FASSA求得的最优超参数代入到BiLSTM负荷预测模型中，重新进行训练测试，得到负荷预测模型，并得到负荷预测值。
具体的，所述步骤四包括：
步骤a4：将初步功率预测序列与真实序列进行求差，得到预测值和真实值之间的误差序列；
步骤b4：引入斯皮尔曼相关系数来定量分析评价所选的四种外界影响因素：一天中时刻、日类型因素、温度、湿度，与负荷数据的相关性：
式中，di表示第i个数据对的位次值之差，n为总的观测样本数。
步骤c4：选取VMD分解的模态分量IMF1,IMF2,...,IMFK和选取的四种外界影响因素作为误差纠正模型的输入，并将步骤a4所得的误差序列作为输出，随后采用BiLSTM神经网络建立二者之间的非线性关系，将该模型作为误差补偿模型进行训练从而得到预测误差序列。
具体的，所述步骤五包括：
步骤a5：将步骤三和步骤四中初始预测模型和误差补偿模型所得预测结果相加，即为最终的负荷预测结果；
步骤b5：为评价预测模型的性能，采用平均绝对百分比误差(mean absolutepercentage error，MAPE)和均方根误差(Root Mean Square Error,RMSE)作为模型的评价指标，其公式分别为：
式中：yi和xi分别表示i时刻的真实值和与预测值；n为样本数量。
实施例：
在本发明的具体实施例中，采用的实验样本为某省某市某社区某年6月1日至6月22日的电力负荷数据、日类型因素和温湿度数据，采样间隔为15min，每天能采集96条原始电力负荷数据，共2112个采样点。将6月1日到6月21日的所有数据划分为训练集，得到训练好的负荷预测模型后，对6月22日全天96个时间点的各个负荷数据进行预测，与实际的数据对比，即可作为验证模型预测精度的判断依据。6月22日该天的特征数据如表1所示。
表1 6月22日相关特征数据
居民用户负荷预测与很多因素有关，本发明主要从日类型因素、历史负荷和温湿度三方面，寻找密切影响社区居民用户用电负荷变化的因素，与负荷数据一起作为预测模型的输入变量，进而提升预测结果的精度。输入变量的特征集设置如表2所示。
表2输入变量设置
本发明引入斯皮尔曼相关系数来定量分析评价所选的四种外界影响因素与负荷数据的相关性，计算结果如表3所示。
表3斯皮尔曼相关系数相关性分析
负荷数据序列具有时间依赖性和非平稳波动特性，所以先用VMD将其进行分解，减少序列的噪声影响，降低其复杂程度。本发明采用遗传算法确定VMD分解的两个关键参数：分解模态数K以及惩罚因子α。通过遗传算法得到的参数最优解分别为K＝5,α＝1816。原始负荷数据和经VMD分解后的数据如图3和图4所示。
为验证FASSA在优化BiLSTM参数时的可行性和优异性能，与其他三种优化算法的结果进行对比分析，以平均百分比误差为适应度的迭代曲线如图5所示。由图5可知，四种优化算法中FASSA收敛速度最快且收敛的精度最高，在20次迭代后达到收敛，FASSA-BiLSTM的适应度值为0.021，且相较于标准的SSA算法，收敛速度和收敛精度都有很大的提升。由此可见，利用FASSA优化BiLSTM的相关参数建立的负荷预测模型具有可行性和优越性。
VMD-FASSA-BiLSTM模型的各部分参量确定后，将VMD分解得到的各IMF分量代入负荷预测模型中进行训练验证,迭代预测出6月22日全天96个时间点对应的数据,然后叠加各分量的预测结果，得到完整的负荷预测数据，并与多种负荷预测模型的预测结果精度进行对比。
为保证对比试验的合理性和有效性，以上所有预测模型的参数选择均在多次实验下选取的最佳值，均各自执行10次将其结果取均值，预测结果如图6与表4所示。
表4不同组合方法的精度比较
表5 4种算法部分时刻负荷预测结果
表5为4种精度较高的算法在6月22日部分时刻的负荷预测结果。由图6、表4和表5可知，组合算法具有更好的预测效果，因为组合模型能使整个预测过程更加精细，且本发明所提算法的预测结果更接近真实电力负荷数据曲线的变化趋势，预测精度优于其他算法。VMD-FASSA-BiLSTM与VMD-FASSA-ELM、VMD-FASSA-SVM模型相比，其误差指标RMSE分别降低了52.93kW、38.67kW；MAPE指标分别降低了0.73％、0.49％，说明结合BiLSTM方法所建立的预测模型精度更高，这是因为BiLSTM能很好地学习提取双向时序数据间的特征。
本发明分别建立了初始负荷预测模型、仅补偿模型自身固有误差的预测模型以及以模型自身固有误差和外界影响因素进行补偿的预测模型，三种模型的预测结果与真实值的绝对误差对比图如图7所示。在VMD-FASSA-BiLSTM预测模型的基础上，加入误差补偿模型，通过引入模型训练过程中的训练误差序列以及影响负荷波动的外界因素，使得最终的负荷预测模型得到的预测结果在各采样时间点的单点误差变小，预测效果更加精确，其误差指标RMSE和MAPE相比于未引入误差纠正的模型分别降低了14.71kW、0.48％；此外，实验还证明了本发明所引入的误差纠正因素均对模型的预测性能有明显的改善。
综上所述，误差补偿模型可以降低模型自身训练过程中产生的误差对预测结果造成的影响，并且可以深入挖掘外界影响因素中的隐含信息，从而有效地提高综合模型的预测精度。

Claims (7)

1.计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于包括以下步骤：
步骤1：采用变分模态分解VMD算法将原始负荷数据序列进行分解，作为初始负荷预测模型的输入数据集；
步骤2：基于萤火虫扰动优化的麻雀搜索算法FASSA优化BiLSTM模型中的参数设置，确定最优超参数；
步骤3：将步骤2求得的最优超参数代入到BiLSTM模型，重新进行训练测试，得到初始负荷预测模型，输出初始负荷预测值；
步骤4：将步骤3中初始负荷预测模型输出的初始负荷预测值与真实值作差，得到误差序列，综合考虑误差序列以及外界影响因素，建立基于BiLSTM网络的误差补偿模型，得到误差补偿值；
步骤5：将步骤3获取的初始负荷预测值和步骤4获取的误差补偿值相加，即为最终的负荷预测结果。
2.根据权利要求1所述计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于：所述步骤1包括以下步骤：
步骤1.1：VMD的分解精度取决于分解模态数K和惩罚因子α，利用遗传算法优化VMD的参数；
步骤1.2：VMD先将原始电力负荷数据序列f(t)分解为具有不同频率特征的模态函数uk，各模态分量之和即为原始的电力负荷数据序列，由此构建的约束变分问题为：
式中：K为VMD分解的目标模态个数；k为原始负荷数据序列经VMD分解的第k个模态分量；uk(t)为时刻t的第k个分量信号；ωk为输入的原始负荷数据序列经VMD分解后的第k个模态分量的中心频率；{uk}、{ωk}分别为各模态集合和中心频率集合；δ(t)为狄拉克分布函数；j代表在频谱上来看，将原始信号的相位变换了 代表复数信号在时域内旋转的矢量，利用指数/>修正，使每个模态函数的频谱调制到相应的基频带；
步骤1.3：引入拉格朗日乘法算子λ(t)和二次平衡参数α，将约束问题转变为非约束问题，得到增广拉格朗日方程：
式中，λ为拉格朗日乘数；k为VMD分解的第k个模态分量；uk(t)为时刻t的第k个分量信号；
步骤1.4：非约束性变分问题可以通过交叉乘子算法进行求解，{uk}、{ωk}的迭代更新公式如下：
式中，和/>分别为f(t)、/>λn(t)和uk(t)对应的傅里叶变换；ui代表除开第k个模态分量的第i个其他模态分量；ω表示频率；/>代表第n次迭代下第k个模态分量的中心频率；/>分别为第n+1次迭代时第k个模态分量对应的维纳滤波与频率中心；
步骤1.5：更新λ：
式中：代表第n+1次迭代时的拉格朗日惩罚算子λn+1(t)对应的的傅里叶变换；步骤1.6：迭代一直进行到满足如下收敛条件：
式中，ε为收敛精度，是一个大于0的常数。
3.根据权利要求2所述计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于：所述步骤1.1包括：
(1)编码并初始化种群：利用遗传算法对K和α这2个参数进行寻优，首先对其进行实数编码，在进行优化算法前需要随机构造初始种群，设置种群规模为20；
(2)确定适应度函数：将降噪后的信噪比作为优化算法的适应度函数，当寻优找到信噪比最小值时即得到K和α的最优解，适应度函数表达式为:
式中:n为信号长度；S(t)为带噪信号；S'(t)为降噪后信号；
(3)设置遗传操作算子：采用单点交叉算子，交叉概率设置为0.8，变异概率设置为0.1；
(4)设定最大迭代次数：设置最大迭代次数为100次，迭代完成后，解码最优适应度值对应的染色体，即得到K和α的最优解。
4.根据权利要求1所述计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1：麻雀优化算法中，搜索者，搜索食物并提供方向；追随者，依据搜索者的方向进行搜索；侦察者，依据反捕食行为进行警戒侦察，使种群免于陷入最优解；
位置迭代更新公式；
1)搜索者的位置迭代更新公式如下：
式中，k为当前迭代次数；Kmax为最大迭代次数；xij为第i只麻雀在j维中的位置信息；代表在第k次迭代时第i只麻雀在j维中的位置信息；α∈(0，1]为随机数；r2∈(0，1]为警告值，当r2＜ST，继续搜索，当r2≥ST，说明有危险情况，迅速飞离；ST∈(0.5,1]为安全值；Q是服从正态分布的随机数；L是一个1×d的矩阵，每个元素均为1；
追随者的位置更新迭代如下：
式中，为在第k+1次搜索时最优适应度值对应的位置；xworst为当前最差适应度值对应的位置；A为一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1；
侦察者的位置更新迭代如下：
式中，xbest为当前的最优适应度值对应的位置；β为步长控制参数，是一个服从标准正态分布的随机数；J∈[-1,1]是一个均匀随机数；fi为当前麻雀个体的适应度值；fb和fw分别是当前最优和最差的适应度值；ε为常数，为避免分母为0的情况；
步骤2.3：利用萤火虫扰动对麻雀搜索算法进行改进；
步骤2.4：初始化FASSA的参数；初始化BiLSTM结构，将BiLSTM的相关超参数初始化，以BiLSTM模型的隐藏层神经元个数和学习率作为优化目标；
步骤2.5：将未经训练的BiLSTM负荷预测模型的预测值与实际值相比的平均百分比误差(MAPE)作为FASSA的适应度函数，并计算每只麻雀的适应度值，选取适应值大的前snum个作为搜索者，剩余的为追随者，侦察者的数量为dnum；并得到最优适应度值与最差适应度值及其对应的位置；
步骤2.6：在搜索者、追随者和侦察者更新位置的同时，利用萤火虫扰动策略对麻雀的位置进行更新变异，重新计算各个体的适应度值并更新新的最优位置，得到每个个体的最佳位置；
步骤2.7：当达到设定的最大迭代次数后，得到最优的超参数数值。
5.根据权利要求4所述计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于：
所述步骤2.3中，利用萤火虫扰动对麻雀搜索算法进行改进，包括：
步骤2.3.1：初始化参数：初始化SSA的参数，包括种群规模N、种群的更新迭代次数、搜索者和侦察者的个数ns、nd，参数取值上下界及安全阈值；
步骤2.3.2：混沌初始化，采用Cubic混沌映射策略，由此生成的初始种群分布更加均匀，个体之间的差异更小；Cubic混沌映射函数如下：
式中，a、b为混沌影响因子；Cubic映射范围取决于a、b的值；b∈(2.3,3)时，其映射状态为混沌序列；
步骤2.3.3：计算每只麻雀的适应度值并排序，分别得到最优适应度值麻雀及其对应的位置以及最差适应度值麻雀及其对应的位置；
步骤2.3.4：根据步骤2.1更新麻雀位置；
步骤2.3.5：萤火虫扰动策略，采用萤火虫扰动策略，对于任意数量的萤火虫，总是会趋向更亮的一只；但是距离越远，亮度也会降低；如果附近没有更亮的萤火虫，则会做随机无规则运动；通过萤火虫扰动策略对种群中具有最优位置的个体进行变异扰动，比较扰动前后的适应度值，择优选取，帮助种群跳出局部最优解；
①萤火虫之间的相对亮度表示为：
式中，rij为第i只和第j只萤火虫之间的欧氏距离；I0是由目标函数的优秀程度所决定的萤火虫最大亮度；γ为亮度吸收系数，取值范围为[0,∞)；
②萤火虫之间的吸引力表示为：
式中，j*为萤火虫i所能感知到的具有最强亮度的萤火虫，j*＝arg max(Iij)；η0为最大吸引力；
③第i只萤火虫根据萤火虫之间的吸引力和第j*只萤火虫的位置进行位置更新：
式中，表示第i只萤火虫在第t+1次迭代时的位置；/>表示第i只萤火虫在第t次迭代时的位置；/>表示第j*只萤火虫所在的位置；/>表示第i只萤火虫到第j*只萤火虫的平方欧氏距离；α为步长因子，α和rand均为[0,1]内的随机常数；
步骤2.3.5：重新计算每只麻雀的适应度值，更新最优适应度值的麻雀及其位置；
步骤2.3.7：判断算法是否达到设定的最大迭代次数，若达到，则结束循环并输出最优结果，若没有达到，则继续进行步骤2.3.4。
6.根据权利要求1所述计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1：将初步功率预测序列与真实序列进行求差，得到预测值和真实值之间的误差序列；
步骤4.2：引入斯皮尔曼相关系数来定量分析评价所选的四种外界影响因素：一天中时刻、日类型因素、温度、湿度，与负荷数据的相关性：
式中，di表示第i个数据对的位次值之差，n为总的观测样本数；
步骤4.3：选取VMD分解的模态分量IMF1,IMF2,...,IMFK和选取的四种外界影响因素作为误差纠正模型的输入，并将步骤4.1所得的误差序列作为输出，随后采用BiLSTM神经网络模型建立二者之间的非线性关系，将该模型作为误差补偿模型进行训练，从而得到预测误差序列。
7.根据权利要求1所述计及误差补偿的两阶段短期电力负荷组合预测方法，其特征在于：所述步骤5中，采用平均绝对百分比误差(mean absolute percentage error，MAPE)和均方根误差(Root Mean Square Error,RMSE)作为短期电力负荷组合预测模型的评价指标，其公式分别为：
式中：yi和xi分别表示i时刻的真实值和与预测值；n为样本数量。
CN202310413356.7A 2023-04-14 2023-04-14 计及误差补偿的两阶段短期电力负荷组合预测方法 Pending CN116526450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310413356.7A CN116526450A (zh) 2023-04-14 2023-04-14 计及误差补偿的两阶段短期电力负荷组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310413356.7A CN116526450A (zh) 2023-04-14 2023-04-14 计及误差补偿的两阶段短期电力负荷组合预测方法

Publications (1)

Publication Number Publication Date
CN116526450A true CN116526450A (zh) 2023-08-01

Family

ID=87391392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310413356.7A Pending CN116526450A (zh) 2023-04-14 2023-04-14 计及误差补偿的两阶段短期电力负荷组合预测方法

Country Status (1)

Country Link
CN (1) CN116526450A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861013A (zh) * 2020-07-23 2020-10-30 长沙理工大学 一种电力负荷预测方法及装置
CN117272051A (zh) * 2023-11-21 2023-12-22 浪潮通用软件有限公司 一种基于lstm优化模型的时间序列预测方法、设备及介质
CN117687474A (zh) * 2023-11-28 2024-03-12 中国地质大学（武汉） 一种基于LFA-BiLSTM模型的星载原子钟差短期预报方法
CN117725378A (zh) * 2023-11-13 2024-03-19 国网青海省电力公司海北供电公司 一种基于vmd-elm-aefa的避雷器阻性电流预测方法
CN118013235A (zh) * 2024-04-08 2024-05-10 西安热工研究院有限公司 基于循环综合误差补偿的储能辅助黑启动的风速预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861013A (zh) * 2020-07-23 2020-10-30 长沙理工大学 一种电力负荷预测方法及装置
CN111861013B (zh) * 2020-07-23 2023-09-08 长沙理工大学 一种电力负荷预测方法及装置
CN117725378A (zh) * 2023-11-13 2024-03-19 国网青海省电力公司海北供电公司 一种基于vmd-elm-aefa的避雷器阻性电流预测方法
CN117272051A (zh) * 2023-11-21 2023-12-22 浪潮通用软件有限公司 一种基于lstm优化模型的时间序列预测方法、设备及介质
CN117272051B (zh) * 2023-11-21 2024-03-08 浪潮通用软件有限公司 一种基于lstm优化模型的时间序列预测方法、设备及介质
CN117687474A (zh) * 2023-11-28 2024-03-12 中国地质大学（武汉） 一种基于LFA-BiLSTM模型的星载原子钟差短期预报方法
CN118013235A (zh) * 2024-04-08 2024-05-10 西安热工研究院有限公司 基于循环综合误差补偿的储能辅助黑启动的风速预测方法

Similar Documents

Publication Publication Date Title
CN116526450A (zh) 计及误差补偿的两阶段短期电力负荷组合预测方法
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN112487702B (zh) 一种锂离子电池剩余使用寿命预测方法
CN109345027B (zh) 基于独立成分分析与支持向量机的微电网短期负荷预测方法
CN112434848B (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
CN108876044B (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN109948845A (zh) 一种配电网负荷长短期记忆神经网络预测方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
Han et al. An improved fuzzy neural network based on T–S model
Pizzileo et al. Improved structure optimization for fuzzy-neural networks
CN109492748B (zh) 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法
CN106656357B (zh) 一种工频通信信道状态评估***和方法
CN110969293B (zh) 一种基于迁移学习的短期广义电力负荷预测方法
CN111738477A (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN113836823A (zh) 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法
CN108960486A (zh) 基于灰支持向量回归机预测适应值的交互式集合进化方法
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及***
Zhao et al. A hybrid learning method for constructing compact rule-based fuzzy models
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
Kittur Using the PROMETHEE and TOPSIS multi-criteria decision making methods to evaluate optimal generation
CN111539558A (zh) 一种采用优化极限学习机的电力负荷预测方法
CN116632834A (zh) 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法
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

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