本发明涉及电力工程技术领域,尤其涉及一种孤岛区域电力负荷预测方法及系统。
背景技术:
电力系统负荷是电力系统中重要的一部分,准确的负荷预测有助于保障电力系统的安全稳定运行,电力负荷的分析预测与控制管理是实现电力有序化管理的重要环节,也是能源互联网系统中能源优化的组成部分。
由于电力系统负荷在一定的条件下存在着比较明显的趋势,比如农业用电,具有一定的规律性,这种规律性可以是线性或者非线性的、周期性或者非周期性的,因此现有的电力负荷预测方法大多是通过对过往数据进行基于经验的算法比对,预测结果不够准确。此外,电力负荷存在着多种影响因素,因此现有的电力负荷预测方法预测的结果并不理想。
技术实现要素:
本发明针对现有技术中存在的技术问题,提供一种孤岛区域电力负荷预测方法及系统。
本发明解决上述技术问题的技术方案如下:一种孤岛区域电力负荷预测方法,包括:
步骤1,获取需要预测的孤岛区域的电力的历史数据,对所述历史数据进行提取核主成分分析;
步骤2,利用花粉算法对所述神经网络模型的参数进行优化,训练得到所述孤岛区域电力负荷预测的神经网络模型;
步骤3,将提取核主成分后的所述历史数据输入所述神经网络模型进行电力负荷预测。
一种孤岛区域电力负荷预测系统,所述系统包括:历史数据获取模块、神经网络模型训练模块和电力负荷预测模块;
所述历史数据获取模块,用于获取需要预测的孤岛区域的电力的历史数据,对所述历史数据进行提取核主成分分析;
所述神经网络模型训练模块,用于利用花粉算法对所述神经网络模型的参数进行优化,训练得到所述孤岛区域电力负荷预测的神经网络模型;
所述电力负荷预测模块,用于将提取核主成分后的所述历史数据输入所述神经网络模型进行电力负荷预测。
本发明的有益效果是:通过构建基于花粉算法和bp神经网络模型的电力负荷预测模型,可实现孤岛型区域电力负荷的计算和预测,提高电力负荷预测的准确性,可为孤岛型区域发电计划优化和调整,合理使用电力资源提供有效参考。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1中获取需要预测的孤岛区域电力的历史数据包括:
需要预测的孤岛区域的最高温度、平均温度、最低温度、季节类型、月份、降水状况、日类型、风速、湿度、预测日当天前3个时刻的负荷值以及预测日前5天同一时刻的负荷值。
所述步骤1中对所述历史数据进行提取核主成分分析之前还包括对所述历史数据进行归一化处理:
其中,xi为所述历史数据中第i个负荷数据的当前值,xmin和xmax分别为所述历史数据中的负荷数据中的最小值和最大值。
所述步骤1中对所述历史数据进行归一化处理后,对所述历史数据进行提取核主成分分析的过程包括:
步骤101,将所述历史数据中m个样本的n个指标,写成一个m×n维的数据矩阵a;
步骤102,确定核函数及相关参数,计算核矩阵kuv:
kuv≡(φ(xu)·φ(xv));
步骤103,修正所述核矩阵kuv:
m为样本空间的大小;
步骤104,计算所述核矩阵kuv的特征值λ1,λ2,…,λn以及特征向量v1,v2,…,vn;
步骤105,对所述特征值λ1,λ2,…,λn和所述特征向量v1,v2,…,vn分别按照降序的方式排序得到λ′1>λ′2>…>λ′n和v′1,v'2,…,v'n;
步骤106,把所述特征向量单位正交化,得到α1,α2,…,αn;
步骤107,计算所述特征值λ1,λ2,…,λn的累积贡献率b1,b2,…,bn,根据设定的提取率p,当bt≥p,则选取t和主分量α1,α2,…,αt;
步骤108,计算样本x在α1,α2,…,αt上的投影y,y=kuv·α。
所述步骤1中创建的孤岛区域电力负荷预测的神经网络模型为bp神经网络模型;
提取出主要成分得到所述bp神经网络模型的参数包括:神经网络层数、各层节点数、隐层、输出层的传递函数及训练函数。
所述步骤2中利用花粉算法对所述神经网络模型的参数进行优化的过程包括:
步骤201,将所述bp神经网络模型的参数作为一个整体参数进行编码,确定fpa算法的搜索空间维度d,设置转换概率p和最大迭代次数t;
步骤202,确定所述花粉算法的适应度函数:
步骤203,随机初始化个体的位置根据所述适应度函数计算每个个体的适应度函数值,保留适应度值最小的个体;
步骤204,计算转换概率p:p=0.8+0.2×rand,随机产生rand∈[0,1],判断转换概率p>rand时,进行全局搜索;否则进行局部授粉;
步骤205,根据所述适应度函数计算每个花粉的适应度函数值,找出当前最优解;
步骤206,判断满足花粉算法结束的条件时结束,将花粉个体解码为所述bp神经网络模型的权值和阈值的初始值。
所述步骤201中编码长度l为:
l=n×m+m×s+m+s;
n是输入层节点数,m是隐层节点数,s是输出层节点数。
所述步骤204中进行全局搜索的公式为:
其中,l是服从指数1.5的lévy分布的随机实数;g*是当前全局最优解;γ是[0,1]之间服从均匀分布的随机实数;j、k是[1,n]之间的随机数,且满足i、j、k之间两两互不相等,
所述步骤206之后还包括:
根据所述bp神经网络模型的权值和阈值的初始值,对所述bp神经网络模型进行训练;判断满足所述bp神经网络模型结束的条件时,判断满足所述bp神经网络模型的训练条件时输出所述bp神经网络模型,否则执行步骤206。
采用上述进一步方案的有益效果是:首先对原始数据进行采集和预处理,得到原始数据的相关特征。然后根据预测的需要对预测模型中的神经网络拓扑结构进行确定。在此基础上,使用原始数据来对神经网络和预测模型进行训练,当训练次数和预测精度达到所要求目标的时候,在来对未来某一段时间内的负荷数据进行预测。从而可以实现孤岛型区域电力负荷的计算和预测,提高电力负荷预测的准确性,可为发电计划优化和调整,合理使用电力资源提供有效的技术参考。
附图说明
图1为本发明提供的一种孤岛区域电力负荷预测方法的流程图;
图2为本发明提供的一种孤岛区域电力负荷预测方法的实施例的流程图;
图3为本发明提供的一种孤岛区域电力负荷预测系统的结构框图。
附图中,各标号所代表的部件列表如下:
1、历史数据获取模块,2、神经网络模型训练模块,3、电力负荷预测模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提供的一种孤岛区域电力负荷预测方法,考虑孤岛型区域的负荷具有一定的周期性,且负荷的类型和容量都比较固定,如图1所示为本发明提供的一种孤岛区域电力负荷预测方法的流程图,由图1可知,该方法包括:
步骤1,获取历史数据,对该历史数据进行核主成分分析,提取出主要成分得到创建孤岛区域电力负荷预测的神经网络模型的参数。
步骤2,利用花粉算法对该神经网络模型的参数进行优化。
步骤3,更新该神经网络模型的参数后利用该神经网络模型进行电力负荷预测。
本发明提供一种孤岛区域电力负荷预测方法,通过构建基于花粉算法和bp神经网络模型的电力负荷预测模型,可实现孤岛型区域电力负荷的计算和预测,提高电力负荷预测的准确性,可为孤岛型区域发电计划优化和调整,合理使用电力资源提供有效参考。
实施例1
本发明提供的实施例1为本发明提供的一种孤岛区域电力负荷预测方法的实施例,如图2所示为本发明提供的一种孤岛区域电力负荷预测方法的实施例的流程图,由图2可知,本发明提供的一种孤岛区域电力负荷预测方法的实施例包括:
步骤1,获取需要预测的孤岛区域的电力的历史数据,对历史数据进行提取核主成分分析。
获取需要预测的孤岛区域电力的历史数据包括:
需要预测的孤岛区域的最高温度、平均温度、最低温度、季节类型、月份、降水状况、日类型、风速、湿度、预测日当天前3个时刻的负荷值以及预测日前5天同一时刻的负荷值。
对历史数据进行提取核主成分分析之前还包括对历史数据进行归一化处理:
其中,xi为历史数据中第i个负荷数据的当前值,xmin和xmax分别为历史数据中的负荷数据的最小值和最大值。
步骤1中对历史数据进行归一化处理后,对历史数据进行提取核主成分分析的过程包括:
步骤101,将历史数据中m个样本的n个指标,写成一个m×n维的数据矩阵a。
步骤102,确定核函数及相关参数,计算核矩阵kuv:
kuv≡(φ(xu)·φ(xv))。
步骤103,修正核矩阵kuv:
m为样本空间的大小,即样本的最大数量。
步骤104,计算核矩阵kuv的特征值λ1,λ2,…,λn以及特征向量v1,v2,…,vn。
步骤105,对特征值λ1,λ2,…,λn和特征向量v1,v2,…,vn分别按照降序的方式排序得到λ′1>λ′2>…>λ′n和v′1,v'2,…,v'n。
步骤106,把特征向量单位正交化,得到α1,α2,…,αn。
步骤107,计算特征值λ1,λ2,…,λn的累积贡献率b1,b2,…,bn,根据设定的提取率p,当bt≥p,则选取t和主分量α1,α2,…,αt。
步骤108,计算样本x在α1,α2,…,αt上的投影y,y=kuv·α。
步骤1中创建的孤岛区域电力负荷预测的神经网络模型为bp神经网络模型。
提取出主要成分得到bp神经网络模型的参数包括:神经网络层数、各层节点数、隐层、输出层的传递函数及训练函数。
步骤2,利用花粉算法对神经网络模型的参数进行优化,训练得到孤岛区域电力负荷预测的神经网络模型。
步骤2中利用花粉算法对神经网络模型的参数进行优化的过程包括:
步骤201,将bp神经网络模型的参数作为一个整体参数进行编码,确定fpa算法的搜索空间维度d,设置转换概率p和最大迭代次数t。
步骤201中编码长度l为:
l=n×m+m×s+m+s。
n是输入层节点数,m是隐层节点数,s是输出层节点数。
花粉算法编码方法为实数编码,每个粒子位置都包含了bp神经网络模型的全部权值和阈值。
步骤202,确定花粉算法的适应度函数:
此处选用最小均方误差作为适应度函数,
步骤203,随机初始化个体的位置根据适应度函数计算每个个体的适应度函数值,保留适应度值最小的个体。
步骤204,计算转换概率p:p=0.8+0.2×rand,随机产生rand∈[0,1],判断转换概率p>rand时,进行全局搜索;否则进行局部授粉。
步骤204中进行全局搜索的公式为:
其中,l是服从指数1.5的lévy分布的随机实数;g*是当前全局最优解;γ是[0,1]之间服从均匀分布的随机实数;j、k是[1,n]之间一随机数,且满足i、j、k之间两两互不相等,
步骤205,根据适应度函数计算每个花粉的适应度函数值,找出当前最优解。
步骤206,判断满足花粉算法结束的条件时结束,将花粉个体解码为bp神经网络模型的权值和阈值的初始值。
步骤206之后还包括:
根据bp神经网络模型的权值和阈值的初始值,对bp神经网络模型进行训练;判断满足bp神经网络模型结束的条件时,判断满足bp神经网络模型的训练条件时输出bp神经网络模型,否则执行步骤206。
步骤3,将提取核主成分后的历史数据输入神经网络模型进行电力负荷预测。
本发明提供的一种孤岛区域电力负荷预测方法,首先对原始数据进行采集和预处理,得到原始数据的相关特征。然后根据预测的需要对预测模型中的神经网络拓扑结构进行确定。在此基础上,使用原始数据来对神经网络和预测模型进行训练,当训练次数和预测精度达到所要求目标的时候,在来对未来某一段时间内的负荷数据进行预测。从而可以实现孤岛型区域电力负荷的计算和预测,提高电力负荷预测的准确性,可为发电计划优化和调整,合理使用电力资源提供有效的技术参考。
实施例2
本发明提供的实施例2为本发明提供的一种孤岛区域电力负荷预测系统的实施例,如图3所示为本发明提供的一种孤岛区域电力负荷预测系统的实施例的结构框图,由图3可知,本发明提供的一种孤岛区域电力负荷预测系统的实施例包括:历史数据获取模块1、神经网络模型训练模块2和电力负荷预测模块3。
历史数据获取模块1,用于获取需要预测的孤岛区域的电力的历史数据,对历史数据进行提取核主成分分析。
神经网络模型训练模块2,用于利用花粉算法对神经网络模型的参数进行优化,训练得到孤岛区域电力负荷预测的神经网络模型。
电力负荷预测模块3,用于将提取核主成分后的历史数据输入神经网络模型进行电力负荷预测。
本发明提供的一种孤岛区域电力负荷预测系统,首先对原始数据进行采集和预处理,得到原始数据的相关特征。然后根据预测的需要对预测模型中的神经网络拓扑结构进行确定。在此基础上,使用原始数据来对神经网络和预测模型进行训练,当训练次数和预测精度达到所要求目标的时候,在来对未来某一段时间内的负荷数据进行预测。从而可以实现孤岛型区域电力负荷的计算和预测,提高电力负荷预测的准确性,可为发电计划优化和调整,合理使用电力资源提供有效的技术参考。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。