一种基于差异化多模融合的负荷加权集成预测方法与流程

本发明涉及一种基于差异化多模融合的负荷加权集成预测方法，属于电力负荷预测技术领域。

背景技术：

为了保证整个电力系统的安全稳定和经济运行，电网公司需要制定合理的发电和调度计划。准确的负荷预测在这个过程中发挥了不可或缺的作用，预测结果的误差越小，调度的成本就越少，因此有必要通过预测方法的优化提高负荷预测精度。

短时电力负荷预测主要指预报一天未来几小时的电力负荷，是需求响应项目开展的重要依据，对尖峰负荷的优化及新能源消纳等具有重要的现实意义。短时电力负荷预测具有周期性和不确定性两大特点，周期性体现在相同类型日的负荷特性可能呈现出相似性，例如相同星期、相同季节、相同节假日等；不确定性体现在针对单次负荷预测，短时负荷极易受到各类外界因素的影响，如气象变化、家庭成员结构变化等，具有较强随机性，加剧了短时负荷预测的难度。传统的短时负荷预测方法集中体现为两大类，一种是扎根于梳理统计和概率论的经典负荷预测方法，包括趋势外推法、小波分析法、时间序列法等；另一种是以人工智能为基础的现代电力负荷预测方法，如支持向量机、随机森林、人工神经网络等。目前这些方法都还在不断的摸索、尝试和更新中，确定一种预测精度更高，性能更稳定的方法，成为行业亟待解决的技术问题。

技术实现要素：

为了解决上述技术问题，本发明提供一种基于差异化多模融合的负荷加权集成预测方法，以短时段内电力负荷为研究对象，综合考虑电力负荷变化的周期性、随机性、多样性三大特点，将个体学习器的自身特点与负荷本身特性相结合。考虑到负荷的规律性及周期性，及其与天气等因素的相关性，构建基于状态相似日的负荷预测回归模型；考虑到负荷的随机性及波动性，构建马尔科夫负荷预测模型；考虑到负荷变化的多样性，以日期属性、温度属性等为输入变量，构建神经网络负荷预测模型；最终，通过加权集成的方法有效平衡各种个体学习器的预测误差，有效提升负荷预测的准确性。其具体技术方案如下：

一种基于差异化多模融合的负荷加权集成预测方法，包括以下步骤：

步骤一，原始数据包分割形成训练集{x(1)，x(2)，…x(k)，…x(n)}和测试集，【深度学习中，常将可得的数据集划分为训练集和测试集，训练集用来估计模型，测试集则检验最终选择最优的模型的性能如何，两部分都是从样本中随机抽取，保持数据分布大致一致，类似分层抽样，训练集数据的数量应占2/3到4/5。】选定待预测日d；

步骤二，考虑负荷的规律性和周期性，选用步骤一中分割形成的训练集，基于上周同日fwk、上月同日fmt、前三日负荷平均值相似日fav、天气相似日fwt(最高温、最低温、24点温度)4个状态相似日作为自变量进行待测日的相似日筛选，选择4个状态相似日负荷数据进行回归模型训练，得到预测月每日的负荷预测值fmr，训练公式如下：

fmr＝αfwk+βfmt+γfav+λfwt+η(1)

式中，α、β、γ、λ为该损失函数训练模型最小时的各个参数值，η为一个误差项(是个随机变量)，用来捕获除了4个状态相似日负荷数据之外任何对于fmr的影响。

步骤三，考虑负荷的波动性和随机性，对步骤二优化后训练集负荷数值进行统计，根据优化后训练集中n个时刻负荷值，n为大于3的正整数，选取合适的区间大小将负荷状态划分成n个状态，n个状态空间序列可表示为e＝[e1，e2，…，en]。

步骤四，综合考虑负荷预测的随机性，在步骤三新状态空间序列e＝[e1，e2，…，en]基础上，求解负荷马尔科夫概率转移矩阵，利用马尔科夫概率转移模型预测待预测日d在t时刻与(t+1)时刻的负荷预测值，即可实现基于回归-马尔科夫链的两级负荷预测，实现负荷预测精度提升；根据步骤三得到n个可能的状态，记pij为从状态ei转变为状态ej的状态转移概率，则概率转移矩阵为：

式中，fij为从状态i经一步转移到状态j的频数，fi为状态i出现次数的总和。

步骤五，以t时刻负荷值设定待预测日负荷初始状态ei，根据概率转移矩阵选取(t+1)时刻差值最大转移概率pij对应的状态ej，以此类推完成待预测日d日全部时刻的负荷预测，得到负荷预测曲线fmk；

步骤六，考虑负荷多样性，进行负荷特征量选取并量化，综合考虑日期属性p、天气属性q、温度属性s进行特征量{p(k)，…q(k)，…s(k)}选取并对非数据化特征量进行量化；

步骤七，选用步骤一中分割形成的训练集，为消除数量级不匹配的影响，将步骤六中选定特征量{p(k)，…q(k)，…s(k)}进行归一化处理作为神经网络负荷预测模型的输入变量，归一化处理转换公式如下：

式中，x0、xn分别表示归一化前后的值，xmin、xmax分别表示样本数据中的最小、最大值；

通过bp神经网络负荷预测处理后，对预测结果进行反归一化处理，从而可以还原原始数据的信息，反归一化转换公式为：

x0＝xn(xmax-xmin)+xmin(4)

步骤八，以步骤七获取的归一化数据为输入变量，构建bp神经网络负荷预测模型，对待预测日进行负荷曲线预测，得到预测结果fnn；

其中，bp神经网络由输入层、隐层和输出层组成，输入层为包含p、q、s三类数据的负荷特征样本；输出层有一个神经元，即负荷预测值fnn；隐层则根据输入层样本数量与输出层数量综合确定；

步骤九，将上述三种个体学习器的预测结果采用加权集成的组合策略，得到最终预测结果，

f＝afmk+bfmr+cfnn(5)

其中：a、b、c分别为前述三种负荷预测方法所占权重，a+b+c＝1，对于权重的选择，按均值进行分配，即a＝b＝c。

进一步的，所述步骤二中的天气相似日是指以日最高温、日最低温和24点温度为依据近似日。

进一步的，所述步骤三中n＝25，状态划分如下：

e1(0～0.5kw)，e2(0.5～1kw)，e3(1～1.5kw)，e4(1.5～2kw)，e5(2～2.5kw)，e6(2.5～3kw)，e7(3～3.5kw)，e8(3.5～4kw)，e9(4～4.5kw)，e10(4.5～5kw)，e11(5～5.5kw)，e12(5.5～6kw)，e13(6～6.5kw)为，e14(6.5～7kw)，e15(7～7.5kw)，e16(7.5～8kw)，e17(8～8.5kw)，e18(8.5～9kw)，e19(9～9.5kw)，e20(9.5～10kw)，e21(10～10.5kw)，e22(10.5～11kw)，e23(11～11.5kw)，e24(11.5～12kw)，e25(＞12kw)。

进一步的，所述步骤六中，选取8个特征量包括[星期类型(星期一～星期日)、日期类型(节假日/工作日)、日最高温、日最低温、天气情况、前日负荷、前三日平均负荷、上周同日负荷，量化如下：

[星期一，星期二，星期三，星期四，星期五，星期六，星期日]＝[1，2，3，4，5，6，7]；

[工作日，节假日]＝[1，2]；

[晴天，阴天，多云，雨天，雪天，极端恶劣]＝[1，2，3，4，5，6]。

本发明的有益效果是：

本发明综合考虑电力负荷变化的周期性、随机性、多样性三大特点，将个体学习器的自身特点与负荷本身特性相结合。考虑到负荷的规律性及周期性，及其与天气等因素的相关性，构建基于状态相似日的负荷预测回归模型；考虑到负荷的随机性及波动性，构建马尔科夫负荷预测模型；考虑到负荷变化的多样性，以日期属性、温度属性等为输入变量，构建神经网络负荷预测模型；最终，通过加权集成的方法有效平衡各种个体学习器的预测误差，有效提升负荷预测的准确性，取得较好的实际负荷预测应用效果。该模型的提出为智能电网下的电力系统短时负荷预测提供了一种新的思路。

附图说明

图1是本发明的执行逻辑图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示，本发明的具体过程为：

步骤一，原始数据包分割形成训练集{x(1)，x(2)，…x(k)，…x(n)}和测试集，选定待预测日d，深度学习中常将可得的数据集划分为训练集和测试集，训练集用来估计模型，测试集则检验最终选择最优的模型的性能如何，两部分都是从样本中随机抽取，保持数据分布大致一致，类似分层抽样，训练集数据的数量应占2/3到4/5。

步骤二，考虑负荷的规律性和周期性，选用步骤一中分割形成的训练集，基于上周同日fwk、上月同日fmt、前三日负荷平均值相似日fav、天气相似日fw1(天气相似日fwt是以日最高温、最低温、24点温度最为接近的日期)4个状态相似日作为自变量进行待测日的相似日筛选，选择4个状态相似日负荷数据进行回归模型训练，得到预测月每日的负荷预测值fmr，训练公式如下：

fmr＝αfwk+βfmt+γfav+λfwt+η(1)

式中，α、β、γ、λ为该损失函数训练模型最小时的各个参数值，η为一个误差项(是个随机变量)，用来捕获除了4个状态相似日负荷数据之外任何对于fmr的影响。

步骤三，考虑负荷的波动性和随机性，对步骤二优化后训练集负荷数值进行统计，根据优化后训练集中n个时刻负荷值，n为大于3的正整数，选取合适的区间大小将负荷状态划分成n个状态，n个状态空间序列可表示为e＝[e1，e2，…，en]。

步骤四，综合考虑负荷预测的随机性，在步骤三新状态空间序列e＝[e1，e2，…，en]基础上，求解负荷马尔科夫概率转移矩阵，利用马尔科夫概率转移模型预测待预测日d在t时刻与(t+1)时刻的负荷预测值，即可实现基于回归-马尔科夫链的两级负荷预测，实现负荷预测精度提升；根据步骤三得到n个可能的状态，记pij为从状态ei转变为状态ej的状态转移概率，则概率转移矩阵为：

式中，fij为从状态i经一步转移到状态j的频数，fi为状态i出现次数的总和。

步骤五，以t时刻负荷值设定待预测日负荷初始状态ei，根据概率转移矩阵选取(t+1)时刻差值最大转移概率pij对应的状态ej，以此类推完成待预测日d日全部时刻的负荷预测，得到负荷预测曲线fmk；

步骤六，考虑负荷多样性，进行负荷特征量选取并量化，综合考虑日期属性p、天气属性q、温度属性s进行特征量{p(k)，…q(k)，…s(k)}选取并对非数据化特征量进行量化；

步骤七，选用步骤一中分割形成的训练集，为消除数量级不匹配的影响，将步骤六中选定特征量{p(k)，…q(k)，…s(k)}进行归一化处理作为神经网络负荷预测模型的输入变量，归一化处理转换公式如下：

式中，x0、xn分别表示归一化前后的值，xmin、xmax分别表示样本数据中的最小、最大值；

通过bp神经网络负荷预测处理后，对预测结果进行反归一化处理，从而可以还原原始数据的信息，反归一化转换公式为：

x0＝xn(xmax-xmin)+xmin(4)

步骤八，以步骤七获取的归一化数据为输入变量，构建bp神经网络负荷预测模型，对待预测日进行负荷曲线预测，得到预测结果fnn；

其中，bp神经网络由输入层、隐层和输出层组成，输入层为包含p、q、s三类数据的负荷特征样本；输出层有一个神经元，即负荷预测值fnn；隐层则根据输入层样本数量与输出层数量综合确定；

步骤九，将上述三种个体学习器的预测结果采用加权集成的组合策略，得到最终预测结果，

f＝afmk+bfmr+cfnn(5)

其中：a、b、c分别为前述三种负荷预测方法所占权重，a+b+c＝1，对于权重的选择，按均值进行分配，即a＝b＝c。

步骤三中进行的负荷状态划分充分地考虑了负荷大小，并尽可能细化区间达25个，n＝25，状态划分如下：

e1(0～0.5kw)，e2(0.5～1kw)，e3(1～1.5kw)，e4(1.5～2kw)，e5(2～2.5kw)，e6(2.5～3kw)，e7(3～3.5kw)，e8(3.5～4kw)，e9(4～4.5kw)，e10(4.5～5kw)，e11(5～5.5kw)，e12(5.5～6kw)，e13(6～6.5kw)为，e14(6.5～7kw)，e15(7～7.5kw)，e16(7.5～8kw)，e17(8～8.5kw)，e18(8.5～9kw)，e19(9～9.5kw)，e20(9.5～10kw)，e21(10～10.5kw)，e22(10.5～11kw)，e23(11～11.5kw)，e24(11.5～12kw)，e25(＞12kw)。

步骤六中负荷特征量的选取基于对负荷规律性考量，充分考虑了日期属性、天气属性、温度属性等对负荷的影响，并进行了量化处理，选取8个特征量包括[星期类型(星期一～星期日)、日期类型(节假日/工作日)、日最高温、日最低温、天气情况、前日负荷、前三日平均负荷、上周同日负荷，量化如下：

[星期一，星期二，星期三，星期四，星期五，星期六，星期日]＝[1，2，3，4，5，6，7]；

[工作日，节假日]＝[1，2]；

[晴天，阴天，多云，雨天，雪天，极端恶劣]＝[1，2，3，4，5，6]。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。