一种基于fisher信息处理短期负荷预测特征输入量的选择方法与流程

本发明涉及电力系统电网负荷预测
技术领域：
，尤其是一种基于fisher信息处理短期负荷预测特征输入量的选择方法。
背景技术：
：在人工智能预测模型的训练中，特征输入量选择是预测模型建模前的一项重要工作,是否能够选择出一组最能反映期望输出变化原因的输入变量直接关系到预测模型的预测性能。合理地选择输入量,能提高网络的训练速度和预测精度,特征量不能取得太少,否则不能起到区分判断能力；取得太多则影响网络的训练速度，如何从大量的影响因素中选择出对期望输出影响最大的一些因素,组成一个有效、足够的输入变量集,成为人工智能方法首先要面对的问题。文献“inputvariableselectionforann-basedshort-termloadforecasting”《ieeetransonpowersystems,1998》提出了一种相空间嵌入法来确定神经网络的输入变量,但这种方法只能在负荷序列中寻找对预报时刻影响最大的负荷点,对天气等相关变量的处理较困难,计算较复杂。文献“神经网络短期负荷预测输入变量选择新方法”《电力系统自动化，2001》将正交最小二乘(ols)法应用于神经网络短期负荷预测的输入变量选择,但需要预先确定容差。文献“相关向量机和特征选取技术在短期负荷预测中的应用”《电子世界，2016》采用relief算法设计出一种负荷预测特征输入量的选取方法，但邻近点数目的选取具有主观随意性，且计算繁琐。fisher信息是对某事件确定度的测量。某事件越确定，提供给人们该事件的信息量越大，体系结构越规则，功能越完善，fisher信息值就越大，利用此性质，可以确定出预测模型中各输入变量的重要程度。具体实现过程是根据影响负荷变化的各个因素即指标值构成的判断矩阵来确定指标权重。当负荷在某一指标上的值越均衡，fisher信息值越大，而这意味着该指标向决策者提供的有用信息越少；权重就应该越小；当负荷在某一指标上的值差异较大时，fisher信息值越小，而这意味着该指标向决策者提供的有用信息越多；权重就应该越大，应重点考察该指标。作为权数的fisher信息权重是在给定被评价对象集后各评价指标确定的情况下，各指标在竞争意义上的相对激烈程度系数。在负荷预测中，不同日期的负荷就相当于被评价对象，影响预测日负荷的各种因素(温度、湿度、昨日最高负荷)就相当于评价指标，利用这一方法来确定影响日负荷预测的各因素指标权重。技术实现要素：本发明的目的是针对电力系统短期负荷预测中特征输入量的选择，为了解决该问题而提出一种基于fisher信息处理短期负荷预测特征输入量的选择方法。为了实现上述目的，本发明采用如下技术方案：步骤1：读取历史样本数据，所述历史数据为电力部门提供的负荷数据。步骤2：对步骤1中的数据进行处理，获取共m天的日最高负荷数据，每日的最高负荷都有n个影响因素，得到判断矩阵x。步骤3：对步骤2中获得的判断矩阵进行无量纲化处理，得到标准化矩阵r＝(rij)m×n。步骤4：根据步骤3中标准化矩阵r＝(rij)m×n为基础，计算出第j个影响因素的fisher信息权fiwj。步骤5：对n个影响因素使用步骤4所获得的第j个影响因素的fisher信息权fiwj进行加权处理，得到fisher信息权加权影响因素后的输入量；步骤6：将上述得到的fisher信息权加权影响因素后的输入量作为人工智能预测模型最终的输入层变量用来完成负荷预测。进一步，所述步骤2中判断矩阵：(x11,…,xm1)为某一种影响因素m天的对应数据，(x11,…,x1n)为某一天内n种影响因素的对应数据。进一步，所述步骤3中无量纲化处理过程为：其中：rij为影响因素无量纲化处理后的值，x为影响因素值，xmin为某种影响因素的最小值，xmax为某种影响因素的最大值，得到标准化矩阵r＝(rij)m×n，矩阵中各元素规格化到(0,1)区间。进一步，所述步骤4中计算n种影响因素的fisher信息fiwj具体过程为：以某种影响因素m天的对应数据为单位分别直接计算出n种影响因素的对应fisher信息值fij，根据计算出j个影响因素的fisher信息权fiwj。进一步，所述步骤5中计算fisher信息权加权影响因素后的输入量具体过程为：fisher信息权加权影响因素后的输入量＝fiwj*相应的影响因素值。进一步，所述步骤6中人工智能预测模型为bp神经网络模型。本发明的有益效果：本发明通过一种基于fisher信息处理短期负荷预测特征输入量的选择方法，对比已有方法具有以下特点：1.该特征输入量的选择方法不随地理空间和时间的变化而变化，具有普遍适应性。2.大大减少了人工智能预测模型的输入层变量，从而减少了网络训练时间和预测时间。附图说明图1是基于fisher信息处理短期负荷预测特征输入量的选择的流程图；图2是负荷预测效果图。具体实施方式下面结合附图及具体实施方式对本发明进行进一步说明，目的仅在于更好地理解本
发明内容，因此，此举之例并不限制本发明的保护范围。本发明针对电力系统短期负荷预测中特征输入量的选择，提出一种通过计算各个输入量的fisher信息，从而求出各个输入量的fisher信息权，然后把该fisher信息权与相应的输入量相乘积得到新的加权输入量，该量即作为神经网络最终的输入层变量用来完成负荷预测。参见附图1所示，一种基于fisher信息处理短期负荷预测特征输入量的选择方法的流程图。具体包括如下步骤：步骤1：读取采用镇江市电力公司2016.8.12-2016.8.14网供负荷数据，以电网每15分钟采集1个数据点，对该市2016年8月15日的负荷进行全天96点预测。步骤2：对步骤1中的数据进行处理，获取共m天的日最高负荷数据，每日的最高负荷都有n个影响因素，得到判断矩阵x：其中：(x11,…,xm1)为某一种影响因素m天的对应数据，(x11,…,x1n)为某一天内n种影响因素的对应数据。如预测日2016.8.15日的判断矩阵即：步骤3：对步骤2中获得的判断矩阵进行无量纲化处理，无量纲化处理过程为：其中：rij为影响因素无量纲化处理后的值，x为影响因素的值，xmin为某种影响因素的最小值，xmax为某种影响因素的最大值，得到标准化矩阵r＝(rij)m×n。如预测日2016.8.15日的标准化矩阵r＝(rij)m×n即：…矩阵中各元素规格化到(0,1)区间。步骤4：根据步骤3中标准化矩阵r＝(rij)m×n为基础，以某种影响因素m天的对应数据为单位分别直接计算出n种影响因素的对应fisher信息值fij，根据计算出第j个影响因素的fisher信息权(fiwj)计算出j个影响因素的fisher信息权fiwj。如预测日2016.8.15日的fisher信息权fiwj为：0.78260.5570.55770.82060.55770.82150.8061步骤5：对对n个影响因素使用步骤4获得的j个影响因素的fisher信息权fiwj进行加权处理，得到fisher信息权加权影响因素后的输入量，具体过程为：fisher信息权加权影响因素后的输入量＝fiwj*相应的影响因素值。如预测日2016.8.15日的fisher信息权fiwj加权后的个各影响素的值为：0.6384,0.6308,0.6372,0.6373,0.6391，…,0.7826,0.78260.4793,0.4673,0.4642,0.4549,0.4495,…,0.5576,0.55760.4401,0.4586,0.4501,0.4476,0.4389,…,0.5577,0.55770.6519,0.6475,0.6748,0.6622,0.6586,…,0.8206,0.82060.4657,0.4569,0.4437,0.4431,0.4401,…,0.5577,0.55770.1942,0.1929,0.1915,0.2813,0.3203,…,0.5346,0.51830.3421,0.3637,0.3912,0.4244,0.4218,…,0.7753,0.4982步骤6：将上述得到的fisher信息权加权影响因素后的输入量作为人工智能预测模型最终的输入层变量用来完成负荷预测。参见附图2负荷预测效果图，使用bp神经网络完成每日96点负荷的预测，预测结果的相关系数为0.97702，平均相对误差为2.5762％。在负荷预测预测系统中，短期负荷预测的误差一般不能超过3％。本次预测结果满足要求。以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。当前第1页12