本发明涉及负荷预测领域,具体地说是一种考虑重大社会活动影响的地区中短期日最大负荷预测方法。
背景技术:
目前,负荷预测的方法主要分两大类:传统预测方法和智能预测方法。传统方法主要包括:弹性系数法、回归分析法、时间序列预测法、产值单耗法及它们的衍化方法。智能方法主要包括神经网络、模糊逻辑、专家系统等。现有的预测方法聚焦因素在于时间、天气、周期等,未考虑或无法适应重大社会活动(例如g20峰会、2008年奥运会等国际活动)发生时日最大负荷极度反常的情况。
技术实现要素:
为解决上述现有技术存在的问题,本发明提供一种能对重大社会活动期间进行日最大负荷合理预测的地区中短期日最大负荷预测方法。
本发明采用的技术方案如下:考虑重大社会活动影响的地区中短期日最大负荷预测方法,其将地区最大负荷逐日排列成曲线,即形成地区日最大负荷波,采用离散小波变换方法对地区日最大负荷波进行计算处理,得到分频波形后,对各个频段负荷分别采用灰色预测模型及反馈型支持向量机进行预测,最后将得到的分频预测结果进行重构得到预测总结果。
进一步地,所述地区日最大负荷波即原始波s,采用离散小波分解为低频部分sa及高频部分sa’,然后对sa’进一步分解为s1和s1’,再对s1’进行分解得到s2和s3,其中一次分解的低频部分sa为基波,代表整体波形趋势,s1~s3是时域上各次谐波。
进一步地,对逐日最大负荷序列进行分解,按照下面公式:
式中,j为分解尺度,k、m为平移系数,sj,m为原始波,sj+1,k为分解后低频部分尺度系数;s'j+1,k为高频部分小波系数;
h(m-2k)={ψ,φj-1,i},
g(m-2k)={φj,φj-1,i},
上式中,φj、φj-1,i为尺度函数,其对应关系为:第j-1层尺度函数的排列
进一步地,对于基波sa,针对其变化缓慢特点,采用灰色预测方法对其做独立预测处理(对于单一产业、单一频段的负荷特性,灰色预测模型可以较好地展现其非线性特征):
对于数据x=[x1,x2,...,xn],同时xi≥0,i=1,2,..,n,累加求得一阶ago,得x1=[x11,x21,...,xn1],式中
进一步地,高频部分s1~s3采用反馈型支持向量机计算,逻辑如下:
支持向量机采用以下极小化优化模型来确定回归函数,即:
式中:θ为权值向量;
通过引入lagrange乘子λi和
求解上述问题得到支持向量机回归函数:
式中:k(xi,x)为核函数,需满足mercer条件,所述的核函数采用rbf函数,如下所示:
在支持向量机计算过程中涉及到两参数,即平衡系数α和核函数参数g,表示样本xi、xj计算空间中内积时核函数参数为1/(σi2+σj2);
反馈量体现为回归函数中偏置量b上,在进行一次计算后,在样本学习过程中,根据终值与样本结果的对比,对支持向量机回归函数f(x)进行修正:
其中,n1为属于“+1”类支持向量的个数,n2为属于“-1”类支持向量的个数,j1表示属于“+1”类支持向量,j2表示属于“-1”类支持向量。
进一步地,将地区负荷小波分解后采用灰色预测模型及反馈型支持向量机进行计算,得到sa、s1、s2、s3频段预测点后采用重构方式对分解负荷波进行重构,得到对于整体负荷的预测值,重构推导如下:
式中,j为分解尺度,k、m为平移系数,sj-1,m为上级整合波,sj,k为低频部分尺度系数,s'j,k为高频部分小波系数。
进一步地,对于基波sa在灰色预测计算中,对于历史数据每一个点,进行其属性统计,属性表示为:
进一步地,对于高频部分s1~s3,在使用支持向量机进行计算时,输入量表示为:
本发明充分分析重大社会活动造成的日最大负荷变化的在不同频段,即,随日起每日变动的差异性,采用小波变换方法离散化处理,针对不同频段波的特性使用灰色预测方法及反馈型支持向量机进行预测,最终通过去离散化得到综合预测结果。
本发明合理提取日最大负荷特征,解决了重大社会活动因素背景下负荷趋势模糊、量化难的情况,能对重大社会活动期间进行合理中短期负荷预测。本发明的方法经验证,结果拟合度较好,精度符合工程需求。
附图说明
图1为本发明反馈型支持向量机结构图;
图2为某地区2015、2016年夏季最大日负荷曲线图;
图3为某地区每日负荷进行小波分解后得到的各频段曲线图;
图4为本发明的步骤构成及计算关系图。
具体实施方式
下面结合说明书附图及具体实施方式对本发明进一步说明。
1.日最大负荷及属性对应
对于每日最大负荷历史数据每一个点,进行其属性统计,属性表示为:
在相关方法数据的输入时,由于需要综合考虑对同期历史数据、相近日数据、特征相似日数据等三类数据进行综合计算,故需要针对日期及社会情况作相应的特征记录及索引。
2.离散小波分析
对逐日最大负荷序列进行分解,按照下面公式:
式中,j为分解尺度,k,m为平移系数,sj,m为原始波,sj+1,k为分解后低频成分尺度系数;s'j+1,k为高频成分小波系数;
h(m-2k)={ψ,φj-1,i},
g(m-2k)={φj,φj-1,i},
上式中,φj、φj-1,i为尺度函数,其对应关系为:第j-1层尺度函数的排列
本发明涉及离散小波分解共进行三次分解,分解为4层,本发明将sj,m分解为低频部分sa及高频部分sa’,然后对sa’进行进一步分解为s1和s1’,再对s1’进行分解得到s2和s3。其中一次分解的低频部分sa为基波,代表整体波形趋势,s1~s3是时域上各次谐波。
得到sa、s1、s2、s3频段预测点后采用重构方式对分解负荷波进行重构,得到对于整体负荷的预测值,重构推导如下:
式中,j为分解尺度,k,m为平移系数,sj-1,m为上级整合波,sj,k为低频成分尺度系数,s'j,k为高频成分小波系数。
3.支持向量机
面对样本非线性可分的数据,通过非线性变换将输入变量x映射到一个高维空间(hilbert空间)中,在高维空间中进行分类运算,使得“margin”(分类区间)最大化,得到最优分类面,从而将样本分类。
通过构造损失函数,并基于结构风险最小化思想,支持向量机通常采用以下极小化优化模型来确定回归函数,即
式中:θ为权值向量;
应用例:相关计算及实现步骤如下:
其主要流程如下:
1.收集地区逐日最大负荷向量
2.以单日负荷向量为离散点,针对逐日负荷向量
3.采用灰色预测模型对负荷基波sa进行预测计算,产生估算点,形成该频段估算负荷向量sa'。
4.采用反馈型支持向量机对负荷分解后高次谐波s1、s2、s3进行预测计算;
5.预测前先采用历史负荷数据样本使用支持向量机回归函数进行计算,在得到结果后,利用偏置量b的反馈计算得到更新后的偏置量,并对回归函数进行修正;
6.支持向量机计算时,输入量格式如
7.回到步骤4计算下一个频段的负荷分量,若所有频段负荷分量预测全部计算完毕则进入下一步;
8.对基波及高频分段负荷分量sa、s1、s2、s3进行重构,得到区域预测负荷分量
9.考虑负荷预测的趋势指导性,将得到的包含新的单点预测的区域负荷向量