一种电力系统台区负荷预测方法与流程
本发明涉及电力系统技术领域，尤其涉及一种电力系统台区负荷预测方法。
背景技术：
电力系统中，短期负荷预测早期以变电站、母线为探讨对象，随着配网重要性的日趋提升、电力市场开放以及电力行业各种技术的发展成熟，电网对短期负荷预测的需求展露出多部口化、多应用场景化的趋势，将短期负荷预测延伸至配网低压层级，即将台区当作基本预测单位，能够达到电网各部口对负荷预测的各种要求，拓展智能配网利用并提高了其服务水准，具有非常重要的工程实用价值和商业价值。
目前，短期负荷预测建模主要根据相似性原理以及各种优化算法实现，具体可分为传统预测方法和现代预测方法两个阶段。传统预测方法基于传统数学工具实现，而现代预测方法兴起则基于人工智能的繁荣。
传统预测方法主要包括趋势外推预测方法、时间序列法、灰色模型预测方法等，其预测未来负荷值是通过依据历史负荷数据或其相关影响因素建立一种确定的模型。
在传统预测法中，趋势外推法是依照过去负荷数据拟合一条可反映当前负荷走向的曲线，从而实现负荷预测。传统预测法中的时间序列法则是首先确定与目标序列符合的某一随机模型，同时预估其中参数，然后对其进行考核，若通过考核，则在此基础上构建预测表达式进行预报。传统预测法中的灰色模型预测方法则是首先将初始数列的数据按照累加生成、累减生成等得到规律较强的新数列，之后再用生成的新数列建立微分方程模型以进行电力负荷预测。
然而，上述传统预测方法存在着很大的局限性，包括：
(1)刻画负荷变动以及预测负荷趋势的模型较为片面；
(2)对气候变化以及人为造成扰动难以反应，使预测模型具有较低的稳定性，受到干扰情况时预测精度急剧下降；
(3)预测日类型不同的负荷没有合理且同意的办法,节假日的预测精度尤其差。
智能预测方法无需预先了解参数的相关先验知识和确定过程模型的结构，也无需利用繁杂系统辨识来建立过程的数学模型，因此十分适用多变量时变、非线性、随机的电力负荷预测。智能预测方法主要包括小波分析法、专家系统法、人工神经网络法、支持向量机法、模糊预测法和灰色理论预测法等。
小波分析法首先归纳原始数据的规律性，再对负荷序列实行小波变换，通过投影得到各尺度的子序列，这些子序列表征原始数据各个频域分量，再对它们分别预测并通过重构这些子序列获取预测结果。小波分析预测精度依赖于小波基的选取。
专家系统法具有跟人类一样的决策功能,其能模仿专家的思考决策过程,对问题求解并给出类似于专家水平答案。但该方法存在自适应性差，系统复杂，易由于人为而导致差错的缺点。
人工神经网络法中，人工神经网络包括多个并行运算的神经单元组成的非线性动力学。人工神经网络利用一个神经元可表达输入、输出之间某种非线性联系，当多个神经元组合成网络，则可表达复杂的非线性函数。人工神经网络利用学习算法改变连接权值，从而实现多维空间之间的非线性映射。但实践发现人工神经网络进行预测时收敛速度慢、易取得局部最优解，且不易明确其隐藏层神经元的个数。
支持向量机法源于数理统计，能高效解决回归问题。该方法第一步是将输入空间非线性变换变换到高维空间，然后在变换后的空间中找到输入、输出间的某种非线性关系，最后一步是结果逆映射到变换前的原空间，从而实现对原空间的回归。但有关支持向量机的算法还有些理论解释不是很完善。
在现有的电力系统中，影响低压台区负荷的随机因素较普通配网更多，负荷的非线性非常强。因此，需要对适用于台区的负荷预测模型进行更深层次的研究，但从上述目前已有的负荷预测实现方法无法很好地满足台区负荷预测需求。
技术实现要素：
本发明的目的是提供一种电力系统台区负荷预测方法，从而可以准确地进行台区负荷预测，满足电力系统的负荷预测需求。
本发明的目的是通过以下技术方案实现的：
一种电力系统台区负荷预测方法，包括：
步骤1，由动态改变惯性权重的自适应粒子群算法优化后向传播bp神经网络连接权值和阈值，直至所述权值和阈值满足适应度要求；
步骤2，基于优化后的所述权值和阈值，对bp神经网络参数进行优化训练，得到参数的最优组合；
步骤3，基于所述最优参数组合进行台区负荷预测。
所述优化后向传播bp神经网络连接权值和阈值的步骤包括：
步骤11，初始化粒子群算法变量，包括设定粒子数目维度、迭代次数最大值、学习因子、惯性权重初值、搜索空间上下限和粒子搜寻速度最大最小值；以及，随机设置初始搜索位置和速度，将个体最优值设置为其初始方位，从中搜寻全局最优值，同时记载全局最优值序号和全局最优值位置；
步骤12，通过适应度函数计算每一粒子适应度，当其优于个体存储的极值，则个体最优值更新成当前位置，并存储新极值；若更新后的个体极值和个体最优值比所存储的全局最优值更好，则将全局最优值位置就设为该粒子的位置，并存储新的全局最优值和其序号，所述全局最优值将作为下一次网络迭代的权值和阈值；
步骤13，将每一个粒子所处位置及运行速度更新，若搜索速度vi＞vmax，则将其置为vmax；若vi＜vmin，则将其置为vmin，vmax和vmin为粒子搜寻速度最大值和最小值，其中所述更新依据的公式如下：
式中，r1,r2代表(0,1)内均匀分布的随机数；c1,c2为变学习因子，w为惯性权重，
步骤14，更新惯性权重；
步骤15，当到达设定的最大迭代数或收敛精度满足要求，输出优化后的权值和阈值，反之，执行步骤12。
步骤12中所述适应度函数fit为：
式中：n为训练集样本个数，qdk为第d个样本的第k个实际输出，ydk为第d个样本的第k个目标输出。
，在步骤13中，所述学习因子c1、c2的改变的处理方式包括：
学习因子采用异步变化法改变，即c1先取较大值后取较小值，而c2则相反先小后大，计算方式如下：
c1＝c1ini+(c1fin-c1ini)×t/m
c2＝c2ini+(c2fin-c2ini)×t/m；
式中，c1ini表示学习因子c1初始取值，c1fin表示学习因子c1在搜索末期的取值；c2ini表示学习因子c2初始取值，c2fin表示学习因子c2在搜索末期的取值，t表示当前迭代次数，m表示表示最大迭代次数。
所述更新惯性权重的步骤包括：
惯性权重更新为：
其中，f0为初始f的允许值，f为种群的多样性测度，f计算公式如下：
式中，n为粒子群包含的粒子数量，u为，v为，贴近度l(u,v)为：
式中，t'ut、t'vt表示归一化处理得到的矩阵t′中的两个行向量tu'、tv'中的元素，n为粒子群的维数；
所述归一化处理得到的矩阵t′包含的元素t'uv为：
式中，u、v分别代表t'uv在矩阵中所处的行列位置，
所述对bp神经网络参数进行优化训练的步骤包括：
输入学习样本并向前传播，所述学习样本是对负荷进行预处理后的数据样本；
基于各层训练函数、权值、阈值求解各层输出；
对比网络实际输出与目标输出，如果实际输出并未达到预期效果则将敏感度通过误差反向传播算法进行处理，敏感度代表了网络的实际输出与目标输出差值均方差对输入波动的敏感性；
采用近似的最速下降法迭代来改变权值及偏置。
所述预处理具体指通过平滑冲击负荷排除随机数据影响。
所述预处理方式包括：
将预定时间段内的测量数据取平均，得到该时间段内的负荷平均值；
将前后不同时间段内的负荷做差，当差值超出所设定的阈值，则判定为毛刺；对于数据序列x(t)对其采取以下规则：
如果x(t)-x(t-1)|＜ε0或者|x(t+1)-x(t)|＜ε1，则数据为正常数据，不进行处理；否则，对数据进行平滑处理，ε0、ε1为预先设定的阈值；
利用matlab自带的mapminmax将数据进行归一化处理。
由上述本发明提供的技术方案可以看出，本发明实施例提供的一种电力系统台区负荷预测方法具有更快的收敛速度和更高的收敛精度，且由改进粒子群算法代替了初始寻优，有效的提高了bp神经网络寻优速度与精度，加快了神经网络学习速度，加强了bp神经网络的泛化能力，因而，本发明实施例能够很好地提高电力系统台区负荷预测的准确性，即提高了负荷预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的方法的处理流程图；
图2为本发明实施例中动态改变惯性权重的自适应粒子群算法的处理过程示意图；
图3为本发明实施例中的bp神经网络示意图；
图4为本发明实施例中的负荷预测绝对偏差图；
图5为本发明实施例中的负荷预测相对误差图；
图6为本发明实施例中的负荷曲线对比图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例中为实现台区负荷预测，采用了动态改变惯性权重的自适应粒子群算法，在该算法中引入了种群多样性的概念，通过计算种群多样性测度来改变惯性权重，并采用异步变化方法动态改进学习因子；采用改进粒子群算法来优化bp神经网络权值和阈值；在优化后的权值和阈值基础上，训练bp神经网络预测模型求得最优解。其与传统的粒子群算法相比拥有更快的收敛速度和更高的收敛精度，由改进粒子群算法代替了初始寻优，有效的提高了bp神经网络寻优速度与精度，进而提高了电力系统台区负荷预测的准确性。
下面将结合附图对本发明实施例作进一步地详细描述。
本发明实施例提供的一种电力系统台区负荷预测方法，其具体实现过程如图1所示，可以包括以下处理步骤：
步骤1，由动态改变惯性权重的自适应粒子群算法优化后向传播bp神经网络连接权值和阈值，直至所述权值和阈值满足适应度要求；
其中，粒子群包含的粒子代表bp神经网络的权值和阈值；
具体地，所述优化后向传播bp神经网络连接权值和阈值的步骤可以包括：
步骤11，初始化粒子群算法变量，具体可以包括：设定粒子数目维度、迭代次数最大值、学习因子、惯性权重初值、搜索空间上下限和粒子搜寻速度最大最小值；以及，随机设置初始搜索位置和搜索速度，将个体最优值设置为其初始方位，从中搜寻全局最优值，同时记载全局最优值序号和全局最优值位置；
步骤12，通过适应度函数计算每一粒子适应度，当其优于个体存储的极值，则个体最优值更新成当前位置，并存储新的个体极值(即个体最优值)；具体地，其中的个体存储的极值是粒子最新一次更新位置之前，所有粒子所有位置所计算适应度的最优值，而个体最优值则是取所有粒子最新一次更新位置所求适应度函数最优值与个体存储的极值进行比较，取较优者；
进一步地，若更新后的个体极值(即个体最优值)比所存储的全局最优值更好，则将全局最优值位置就设为该粒子的位置，并存储新的全局最优值和其序号，所述全局最优值将作为下一次网络迭代的权值和阈值；
通过该步骤的处理可以从个体存储的极值中找出全局最优值，即找出个体存储的极值中的最优值作为相应的全局最优值；相应的，在处理过程中判断是否为最优则可以基于适应度函数实现；具体是通过适应度函数计算下每个粒子个体最优值(即个体极值)。而全局最优值则是个体最优值中的最优值。
在该步骤中所述适应度函数fit可以为：
式中：n为训练集样本个数，qdk为第d个样本的第k个实际输出，ydk为第d个样本的第k个目标输出，l为网络神经元的输出个数。
步骤13，将每一个粒子所处位置及运行速度更新，若搜索速度vi＞vmax，则将其置为vmax；若vi＜vmin，则将其置为vmin，vmax和vmin为粒子搜寻速度最大值和最小值，其中所述更新依据的公式如下：
式中，r1,r2代表(0,1)内均匀分布的随机数；c1,c2为变学习因子,
在该步骤中，vmax(最大速度),决定粒子在一个循环中最大的移动距离,通常可以设定为粒子的范围宽度，vmin则是因为速度是有方向的，通常可取-vmax。在实际仿真中，也可以通过实验选择合适的vmaxvmin使粒子群的优化性能最佳。最大速度vmax决定当前位置与最好位置之间的区域的分辨率(或精度)。如果太快，则粒子有可能越过极小点；如果太慢，则粒子不能在局部极小点之外进行足够的探索，会陷入到局部极值区域内。这种限制可以达到防止计算溢出、决定问题空间搜索的粒度的目的。
进一步地，在该步骤13中，所述学习因子c1、c2的改变的处理方式可以包括：
学习因子采用异步变化法改变，即c1先取较大值后取较小值，而c2则相反先小后大，计算方式如下：
c1＝c1ini+(c1fin-c1ini)×t/m
c2＝c2ini+(c2fin-c2ini)×t/m；
式中，c1ini表示学习因子c1初始取值，c1fin表示学习因子c1在搜索末期的取值；c2ini表示学习因子c2初始取值，c2fin表示学习因子c2在搜索末期的取值，t表示当前迭代次数，m表示表示最大迭代次数。
步骤14，更新惯性权重；
具体地，所述更新惯性权重的步骤的实现方式可以包括：
惯性权重更新为：
其中，f0为初始f的允许值，f为种群(即粒子群)的多样性测度，f计算公式如下：
式中，n为粒子群包含的粒子数量，u、v为粒子在矩阵中所处的行列位置，贴近度l(u,v)为：
式中，t'ut、t'vt表示归一化处理得到的矩阵t′中的两个行向量tu'、tv'中的元素(即向量t'u、t'v的第t个元素)，n为粒子群的维数；
所述归一化处理得到的矩阵t′包含的元素t'uv为：
式中，u、v分别代表t'uv在矩阵中所处的行列位置(即代表不同粒子)，
步骤15，当到达设定的最大迭代数或收敛精度满足预定的要求，则输出优化后的权值和阈值，反之，执行步骤12。
步骤2，基于优化后的所述权值和阈值，对bp神经网络参数进行优化训练，得到bp神经网络参数的最优参数组合；
具体地，所述对bp神经网络参数进行优化训练的步骤的具体实现过程可以包括：
步骤21，输入学习样本并向前传播，所述学习样本是对负荷进行预处理后的数据样本；
通过数据采集程序所获取的历史数据虽然都是可靠的，可不能将未做任何处理的数据用于神经网络预测；这是因为预测探寻数据中的规律，直接利用包含随机因素的数据可能会导致规律的失真，从而提高预测误差，所以必须先将直接采集的数据预处理后再输入预测程序，以去除随机干扰；
具体地，所述数据预处理具体可以为通过平滑冲击负荷排除随机数据影响的处理方式；相应的数据预处理方式具体可以包括：
将预定时间段内的测量数据取平均，得到该时间段内的负荷平均值；
将前后不同时间段内的负荷做差，当差值超出所设定的阈值，则判定为毛刺；对于数据序列x(t)对其采取以下规则：
如果x(t)-x(t-1)|＜ε0或者|x(t+1)-x(t)|＜ε1，则数据为正常数据，不进行处理；否则，对数据进行平滑处理，其中，ε0、ε1为预先设定的阈值；
利用matlab自带的mapminmax将数据进行归一化处理；
步骤22，基于各层训练函数、权值、阈值求解各层输出；
步骤23，对比网络实际输出与目标输出，如果实际输出并未达到预期效果则将敏感度通过误差反向传播算法进行处理，敏感度代表了网络的实际输出与目标输出差值均方差对输入波动的敏感性；
步骤24，采用近似的最速下降法迭代来改变权值及偏置。
通过上述步骤21至步骤24的处理，对经过训练后的参数进一步精确优化，由此可得改进粒子群-bp神经网络模型负荷预测模型的最优参数组合。
步骤3，在电力系统中，基于所述最优参数组合进行台区负荷预测。
参照图1所示，在所述步骤1中，动态改变惯性权重的自适应粒子群算法引入了种群多样性的概念，通过计算种群多样性测度来调整惯性权重，并采用异步变化法动态改进学习因子。参照图2所示，相应的由动态改变惯性权重的自适应粒子群算法优化bp神经网络连接权值和阈值具体实现步骤包括：
①初始化粒子群算法变量
该步骤包括种群随机初始化处理和映射粒子为神经网络权值、阈值的处理过程；
其中，粒子所处位置代表了bp神经网络权值和阈值，可以由向量x表示如下:
x＝[v11...v1i...v2lw11...wji...wil]；
式中，j、i、l分别表示三层神经网络各层神经元个数,由此可得集合x中包含j×i+i×l个网络连接权值，阈值个数为i+l，所以当前粒子的维度为d＝j×i+i×l+i+l。
在初始化粒子群算法变量过程中可以包括：设定粒子数目维度，迭代次数最大值，学习因子，惯性权重初值，搜索空间上下限，粒子搜寻速度最大最小值；初始搜索位置xi以及速度vi随机设置，个体最优值pi设置为其初始方位，从中搜寻全局最优值，同时记载其序号g和位置pg。
②评价粒子群中的每一个粒子
该步骤包括输入样本进行网络训练，评估每一粒子的适应度；
具体地，通过适应度函数计算每一粒子适应度值，并根据每一粒子的适应度值进行如下处理：
(1)当其优于个体存储的极值，则将pi更新成当前位置，并存储新极值。若更新后的个体存储的极值(即个体最优值)比所存储的全局最优更好，则将pg设为该粒子的位置，并存储新的全局最优值和其序号g。全局最优值将是下一次网络迭代的权值和阈值。
(2)若当前粒子优于个体存储的极值，还判断当前粒子的适应度是否小于误差精度或者是否达到最大迭代次数，若是，则输出一组惯性权重作为优化结果，即输出最优解并跳出程序，否则，执行后续步骤③，即，执行后续的粒子状态的更新的处理。
其中，相应的适应度函数fit可以为：
式中，n为训练集样本个数，qdk为第d个样本的第k个实际输出，ydk为第d个样本的第k个目标输出；
③粒子状态的更新
利用下述计算式将每一个粒子所处位置及运行速度更新。其中，若vi＞vmax，则将其置为vmax；若vi＜vmin，则将其置为vmin，相应的计算式如下：
式中，r1,r2代表(0,1)内均匀分布的随机数；c1,c2为变学习因子。
④依照各群多样性测试度更新惯性权重，并在生成新的个体后，回到步骤②。
在上述处理过程中，相应的步骤③中的变学习因子的实现方式如下：
学习因子采用异步变化法改变，即c1先取较大值后取较小值，而c2则刚好相反先小后大。具体计算方式如下：
c1＝c1ini+(c1fin-c1ini)×t/m
c2＝c2ini+(c2fin-c2ini)×t/m。
在上述处理过程中，惯性权重的更新改变处理方式如下：
首先，先引入种群多样性的概念。种群多样性表示个体(即粒子)相似程度，用种群中平均粒子相似程度作为多样性测度。
设粒子群算法包含n个粒子,维数为n，则：
第i代种群中第j个个体为：
再对所得矩阵做归一化处理,得到矩阵t′(n×2n)：
式中：t'uv表示归一化得到的矩阵t′中的元素，下表u、v分别代表t'uv在矩阵中所处的行列位置。
归一化处理得到矩阵t′每一行可看作一个行向量tj'，每个行向量tj'又可作为一个模糊集合,代表第j个粒子当前及历代所处的最优位置各分量的隶属度。可采用贴近度来表征任意两个行向量t'u、t'v(下标u、v代表不同粒子)两者相似度，为：
则种群平均贴近度可用来展现其多样性测度f，为：
由于0≤l(u,v)≤1，可知f≤1。最极端的情况是种群完全相同，此时f取最大值1。
相应的第k代种群f的允许值计算公式如下：
fk＝f0+t(1-f0)/m；
式中，f0为初始f的允许值；
若计算值fk超出允许值范围，则令f＝fk。
那么，最后惯性权重更新为：
即每次迭代时的惯性权重与其初始值、种群多样性测度的初始值和其上一次迭代所得值f(t-1)有关，f(t-1)为第t‐1代种群多样性的测度。
本发明实施例在具体仿真测试过程中为基于图3所示的bp神经网络进行，根据仿真结果：相应的负荷预测绝对偏差图、相对误差图以及负荷对比图分别如图4、5、6所示，仿真中负荷数据由拉夫堡大学设计的crest负荷用电模型生成。仿真天数为80天，每2个小时取平均值，每天取12个点。bp网络输入、输出层的节点数可依照研究对象要求决定。
现在尚无成熟计算隐层神经元数量的理论公式，广泛应用的是试错法(trial-and-error)，由少至多增加个数，根据适当的准则评价每一个数下的网络性能，从而确定最优个数。本章隐层神经元设计为20个。隐层神经元传递函数采用tansig,输出层采用purelin,训练函数采用trainlm,使用rprop(弹性bp)算法训练函数。
由相应的图4、5、6显示的仿真结果曲线图可看出本发明实施例所提出的基于改进粒子群-bp神经网络模型的负荷预测方法精度非常高，这是因为在神经网络训练初始时便输入了经过图1中的步骤1处理后获得的较优秀的权值、阈值，这意味着网络一开始便在全局极小值周围训练，所以收敛速度快，预测精度也较高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！