用于海上油田群微电网短期电力负荷预测的方法和系统与流程

本发明涉及电力系统短期负荷预测技术领域，尤其涉及一种用于海上油田群微电网短期电力负荷预测的方法和系统。

背景技术：

电力系统短期负荷预测通常指根据历史负荷数据，综合天气、季节、温度等其他影响因素对未来一天至一周电力需求做预报的过程，是电力调度部门分配电能的依据，直接影响着电力系统安全可靠运行。海上油田群微电网是由船舶电力系统逐步发展而来，其负载多为电潜泵，负荷变化相对较大。平台由柴油机、燃气轮机发电机组供电，发电容量十分有限。因此，提高短期负荷预测精度对于海上油田群微电网而言更为重要。

传统短期负荷预测方法中常用的有相似日、线性回归分析法、灰色理论等。这些传统预测方法结构简单、技术比较成熟，但模型大都基于线性规则，难以预测海上油田群微电网非线性、气象等因素波动较大的负荷序列。近年来，智能化技术快速发展，如：专家系统、模糊推理、神经网络等。针对短期负荷的不确定性因素，模糊理论优势明显。但海上油田群微电网短期负荷的时变性特点，使得模糊推理预测精度并不理想。

人工神经网络(BPNN)具有较强的鲁棒性，能对非线性进行无限的逼近且学习能力强，但收敛速度慢，受初始连接权值、阈值参数的影响预测精度相对打折，同时也可能收敛至局部最小点。支持向量机(Support Vector Machine，SVM)方法是在统计学理论基础上发展起来的一种新型的机器学习方法，鲁棒性较好、能有效避免陷入局部最优以及克服维数灾难等优点。但SVM预测建模过程中，其惩罚参数C和核参数σ一般采用试凑法选取，造成预测麻烦且误差较大。有学者提出了一系列改进支持向量机参数选取的方法。如：通过粒子群算法改进支持向量机用于短期负荷预测；利用遗传算法优化支持向量机进行短期负荷预测。通过这些优化算法的加入，从而使得SVM的参数选取更快速、准确，同时提高了负荷预测精度。然而，上述改进SVM算法相对复杂，建模速度比较慢。最优迭代选择时，SVM参数难以达到全局最优。

技术实现要素：

本发明的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种用于海上油田群微电网短期电力负荷预测的方法和系统，其全局搜索能力强，拥有更高的预测精度和计算效率。

为了实现上述目的，本发明采用的技术方案包括以下各方面。

一种用于海上油田群微电网短期电力负荷预测的方法，其包括：

设置支持向量机SVM的惩罚参数C和核参数σ各自的上、下限值；设置改进蜻蜓算法IDA的位置向量的维度，最大迭代次数，蜻蜓个体的数量；初始化蜻蜓个体的行为参数；计算IDA中蜻蜓个体当前的适应值；将两代蜻蜓个体按映射排序，计算并保存对应的最大适应值；更新IDA中食物和天敌的位置；更新IDA中蜻蜓个体的行为；更新IDA中蜻蜓个体的位置；

当未达到最大迭代次数时，返回到计算IDA中蜻蜓个体当前的适应值的步骤开始执行；当达到最大迭代次数时，根据保存的最大适应值所对应的蜻蜓个体的位置，设置SVM的惩罚参数C和核参数σ，并基于SVM构建预测模型对海上油田群微电网短期电力负荷进行预测。

优选的，所述初始化蜻蜓个体的行为参数包括：随机生成蜻蜓个体位置的初始解X0；随机生成步长向量ΔXt；随机生成蜻蜓个体行为的分离权重s，对齐权重a，内聚力权重c，食物吸引力权重f，以及避敌权重e；随机生成相邻半径r和惯性权重w。

优选的，所述方法包括：根据蜻蜓个体的当前位置来设置SVM的惩罚参数C和核参数σ，将对应的SVM的分类准确率设置为蜻蜓个体当前的适应值。

优选的，所述方法包括：根据蜻蜓个体的当前位置以及食物、天敌的初始位置，利用欧几里德距离公式计算食物的位置X⁺和天敌的位置X^-。

优选的，所述更新IDA中蜻蜓个体的行为包括：根据公式来更新第i个蜻蜓个体的分离行为，其中，X为当前蜻蜓个体的位置，Xj为第j个相邻蜻蜓个体的位置，N为相邻蜻蜓个体的数量；根据公式来更新第i个蜻蜓个体的对齐行为，其中，Vj表示第j个相邻蜻蜓个体的飞行速度；根据公式来更新第i个蜻蜓个体的内聚行为；根据公式Fi＝X⁺-X来更新第i个蜻蜓个体的食物吸引力行为；根据公式Ei＝X^--X来更新第i个蜻蜓个体的避敌行为。

优选的，所述更新IDA中蜻蜓个体的位置包括：当蜻蜓个体至少有一个邻近的蜻蜓个体时，利用公式ΔXt+1＝(sSi+aAi+cCi+fFi+eEi)+wΔXt来更新步长向量，并利用公式Xt+1＝Xt+ΔXt+1来更新蜻蜓个体的位置；

当没有临近的蜻蜓个体时，利用公式Xt+1＝Xt+Lévy(d)×Xt来更新蜻蜓个体的位置，其中，Lévy为随机游走函数，表示在位置向量d的维度范围内随机地向任意方向前进随机长度的距离。

优选的，所述随机游走函数其中，r1、r2为(0,1]范围内的随机数，Γ(x)＝(x-1)！，β为等于1.5的常量。

优选的，所述位置向量的维度d为6。

优选的，所述最大迭代次数Mit为150，蜻蜓个体的数量为40。

一种用于海上油田群微电网短期电力负荷预测的系统，其包括：显示器、输入输出设备、至少一个处理器、与所述至少一个处理器通信连接的存储器、以及用于供电的电源设备；

其中，所述显示器用于显示预测结果；所述输入输出设备用于输入初始化参数；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的方法。

综上所述，由于采用了上述技术方案，本发明至少具有以下有益效果：

(1)通过基于改进蜻蜓算法和优化支持向量机参数进行短期负荷预测，算法步骤简洁、全局搜索能力强，拥有更高的预测精度计算效率。

(2)该方法和系统应用于海上油田群微电网，相对陆上电网负荷波动大、更无规律可循，仍能够准确预测。

(3)本发明所提出的这种短期负荷预测该方法和系统预测准确且计算速度快，便于油田电力调度部门合理分配电能，保障了海上油田群安全有序生产。

附图说明

图1是根据本发明实施例的用于海上油田群微电网短期电力负荷预测的方法的流程图。

图2是根据本发明实施例的用于海上油田群微电网短期电力负荷预测的系统的结构示意图。

具体实施方式

下面结合附图及实施例，对本发明进行进一步详细说明，以使本发明的目的、技术方案及优点更加清楚明白。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1示出了根据本发明实施例的用于海上油田群微电网短期电力负荷预测的方法。该实施例的方法包括以下步骤：

步骤101：初始化参数

具体地，对于SVM，需要设置惩罚参数C和核参数σ各自的上、下限值(例如，C的上、下限值分别为0、100；σ上、下限值分别为0、100)；进一步地，本发明在预测模型中引入改进蜻蜓算法(Improvement Dragonfly Algorithm，IDA)，对于IDA，需要设置位置向量(即待求解问题，例如短期内电力负荷的大小、时间分布等)的维度d(例如，6)，最大迭代次数Mit(例如，150)，蜻蜓个体的数量(例如，40)。

步骤102：初始化蜻蜓行为参数

例如将蜻蜓个体位置的当前解Xt设置为待优化的SVM的惩罚参数C和核参数σ组合，在[0,1]范围内随机生成蜻蜓个体位置的初始解X0，生成步长向量ΔXt＝0.01；在(0,1]范围内随机生成蜻蜓个体的5种行为的权重(包括分离权重s，对齐权重a，内聚力权重c，食物吸引力权重f，避敌权重e)；在(0,1]范围内随机生成相邻半径r和惯性权重w。

步骤103：计算改进蜻蜓算法中蜻蜓个体当前的适应值

例如，可以根据蜻蜓个体位置的当前解(即当前位置)来设置SVM的惩罚参数C和核参数σ，将对应的SVM的分类准确率设置为蜻蜓个体当前的适应值。

步骤104：上下代蜻蜓最优排序

将上一代(t-1)与本代(t)蜻蜓相关联，将两代蜻蜓个体按映射排序，计算并保存对应的最大适应值。

步骤105：更新食物、天敌位置

具体地，根据蜻蜓个体的当前位置以及食物、天敌的初始位置(例如，相对于蜻蜓个体的初始位置随机设置)，利用欧几里德距离公式计算食物的位置X⁺和天敌的位置X^-。

步骤106：更新蜻蜓行为

具体地，可以根据公式来更新第i个蜻蜓个体的分离行为，其中，X为当前蜻蜓个体的位置，Xj为第j个相邻蜻蜓个体的位置，N为相邻蜻蜓个体的数量；根据公式来更新第i个蜻蜓个体的对齐行为，其中，Vj表示第j个相邻蜻蜓个体的飞行速度；根据公式来更新第i个蜻蜓个体的内聚行为；根据公式Fi＝X⁺-X来更新第i个蜻蜓个体的食物吸引力行为；根据公式Ei＝X^--X来更新第i个蜻蜓个体的避敌行为。

步骤107：更新蜻蜓位置

当蜻蜓个体至少有一个邻近的蜻蜓个体时，利用公式ΔXt+1＝(sSi+aAi+cCi+fFi+eEi)+wΔXt来更新步长向量，并利用公式Xt+1＝Xt+ΔXt+1来更新蜻蜓个体的位置；

当没有临近的蜻蜓个体时，利用公式Xt+1＝Xt+Lévy(d)×Xt来更新蜻蜓个体的位置，其中，Lévy为随机游走函数，表示在位置向量d的维度范围内随机地向任意方向前进随机长度的距离。例如，其中，r1、r2为(0,1]范围内的随机数，Γ(x)＝(x-1)！，β为常量(例如1.5)。

当未达到最大迭代次数Mit时，返回步骤103重新计算改进蜻蜓算法中蜻蜓个体当前的适应值及其后续步骤。

当达到最大迭代次数Mit时，执行步骤109，根据保存的最大适应值所对应的蜻蜓个体的位置，设置SVM的惩罚参数C和核参数σ，并基于SVM构建预测模型对海上油田群微电网短期电力负荷进行预测。

图2示出了根据本发明实施例的用于海上油田群微电网短期电力负荷预测的系统的结构示意图。其包括：显示器601、输入输出设备602、至少一个处理器603、与所述至少一个处理器603通信连接的存储器604、以及用于供电的电源设备605；

其中，显示器601用于显示预测结果；输入输出设备602用于输入初始化参数；所述存储器604存储有可被所述至少一个处理器603执行的指令，所述指令被所述至少一个处理器603执行，以使所述至少一个处理器603能够执行前述任一实施例的方法。

本发明还提供非暂时性计算机可读介质，包括在其上编译的指令，所述指令用于执行前述任一方法的实施例。计算机可读介质可包括任何媒介，可以通过信号处理装置读出中执行存储在其上的代码，如软盘、光盘、磁带或硬盘驱动器。这样的代码可以包含对象代码、源代码和/或二进制代码。该代码一般是数字的，一般是用于处理由传统的数字数据处理器(如微处理器、单片机或逻辑电路，如可编程门阵列，可编程逻辑电路/器件或专用集成电路[ASIC])。

应当理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

当本发明上述集成的单元以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，也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，本发明实施例的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。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

上述各实施例中，基于改进蜻蜓算法和优化支持向量机的海上油田群微电网短期负荷预测模型IDA-SVM，增强了蜻蜓上下代关联性，将相邻两代优秀蜻蜓个体保留下来，缩短了最优迭代时间；通过将需要优化的支持向量机惩罚因子C和核参数σ组合作为蜻蜓求解的位置，将支持向量机计算的分类准确率作为蜻蜓当前的适应值，迭代出蜻蜓个体的最佳位置即为支持向量机最优C、σ参数。利用IDA-SVM算法对中国渤海某海上油田群微电网进行短期负荷预测，实验结果表明IDA-SVM算法步骤简洁、全局搜索能力强，拥有更高的预测精度和计算效率。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。