基于自适应特征权重的智慧城市电力负荷估计方法与流程

[0001]
本发明涉及电力负荷估计领域，特别是涉及基于自适应特征权重的智慧城市电力负荷估计方法方法。


背景技术：

[0002]
配电网是非常重要的区域性基础设施，如何确保配电网为区域经济社会发展和社会各类用电客户提供优质可靠的供电服务，是配电网规划必须面临的主要问题之一。配电网规划是配电网建设的重要指导方针和基础，根据国家电网公司统一规划，有必要深化现代配电网的规划建设，为地方电网的综合规划编制提供依据，提高配电网规划科学性、合理性和精细度。电网负荷预测是电网规划工作中最重要的任务，也是配电网规划工作的基础。在配电网的规划过程中，通过一段历史时期内预测电网负荷结果来确定具体规划的规模，需要新建或者改造的项目，电网布局中的电源点的建设、变电站的建设以及线路的建设进度。以上任何一个方面规划建设都将因负荷预测的准确度而产生影响，从而直接影响到电网规划的质量高低。由于负荷是不定性的、变化的，而负荷的变化又是具有规律性的、是可预测的，因此通过负荷预测来完善电网规划工作非常重要。
[0003]
截至目前，国内外很多的专家学者对负荷预测的研究己经取得了相当大的成果，电力负荷预测方法也越来越先进、实用，预测结果愈加准确。目前为止，电力负荷预测的一些主要方法有：比例系数增长法，弹性系数法，负荷密度法，时间序列法，回归分析法，趋势推断法，灰色预测法，自回归神经网络法，组合预测法等等。这些都是国内外电力负荷预测过程中的常用方法。预测方法的选择，应依据不同的实际情况，不同影响因素以及负荷预测的目标，选择适当的预测方法来进行。负荷预测的影响因素包括季节、气候、人口以及当地经济社会发展情况等诸多因素，任一因素的变化都会影响电力负荷的实际值。电力负荷的预测一般可以分为短期负荷预测和中长期负荷预测。对于一些发达国家来说，电力设备比较齐全，技术比较成熟，所以负荷预测的更常进行的是短期负荷。而对于国内目前的电网现状，由于电力设备与技术都还在发展期，需要长期稳定的供应可靠地电力能源，重点关注中长期负荷预测，短期负荷预测同时进行，共同为电网规划工作奠定基础。电网规划与市政规划密不可分，高品质电网规划受城市建设总体规划约束，是城市规划的一个分支部分。过去用传统经验来进行规划的历史证明有着严重的不足之处。如今甩现代的科学技术以及先进的计算机技术来进行城市及农村电网规划正弥补了这一缺点，通过更为先进的电网规划软件完成电网规划工作，从而应用到供电企业的实际工作中。


技术实现要素：

[0004]
在被测区域gdp、人口总数、气温均值、对外贸易出口额、对外贸易进口额、平均降水量时序数据的基础上，提出了基于自适应特征权重的智慧城市电力负荷估计方法。为尽可能减小不同特征间的差异性，本发明通过自适应特征权重算法对特征重新标定，并通过回声状态网络预测电力负荷值。为达此目的，本发明提供基于自适应特征权重的智慧城市
电力负荷估计方法，具体步骤如下，其特征在于：
[0005]
步骤1，获取实验标定数据：收集被测区域gdp，人口总数，气温均值，对外贸易出口额，对外贸易进口额，平均降水量的时序数据，把不同时序数据当作电力负荷估计的特征，组成特征数据矩阵；
[0006]
步骤2，自适应特征权重标定：计算各个特征对于电力负荷估计的重要性权重，通过sigmoid激活函数对重要性权重进行归一化操作生成特征权重，并对特征重新标定；
[0007]
步骤3，训练回声状态网络：将重新标定的特征数据当作回声状态网络的输入，对应的电力负荷作为网络的输出，训练回声状态网络模型；
[0008]
步骤4，估计未知电力负荷：对于未知电力负荷的特征数据矩阵，按步骤2获取特征权重重新标定的特征数据，并送入已训练的回声状态网络中，获得未知电力负荷值；
[0009]
步骤5，将训练获得的回声状态网络模型嵌入处理器中，并实际应用。
[0010]
进一步，步骤1中的特征数据矩阵可以表示为：
[0011]
d＝{g
i
,p
i
,t
i
,o
i
,i
i
,r
i
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]
其中，g
i
表示该地区i时刻的gdp值，p
i
表示该地区i时刻的人口总数，t
i
表示该地区i时刻的气温均值，o
i
表示该地区i时刻的对外贸易出口额，i
i
表示该地区i时刻的对外贸易进口额，r
i
表示该地区i时刻的平均降水量。同时为每组特征数据矩阵贴上标签e
i
，e
i
表示该地区i时刻的电力负荷值。
[0013]
进一步，步骤2中计算各特征的重要性权重过程可以表示为：
[0014]
将特征数据矩阵d和电力负荷值e
i
组合成训练数据集u(i)＝{d,e
i
}；
[0015]
步骤2.1初始化特征重要性权重w[a]＝0，a＝1,2,...,a，a为特征个数；
[0016]
步骤2.2在训练集u(i)中随机选出一个电力负荷值e；
[0017]
步骤2.3在训练集中找出k个和e最近邻的特征h
j
(j＝1,2,...,k)
[0018]
步骤2.4在训练集中找出k个和e不同类的最近邻特征m
j
(c)(j＝1,2,...,k)
[0019]
步骤2.5计算特征重要性权重：
[0020][0021]
式中p(c)表示第c类特征的概率；class(e)表示e所属的电力负荷值类别；m是样本个数；diff(a,r1,r2)表示样本r1和样本r2在特征a上的差：
[0022][0023]
重复步骤2.2至步骤2.5可得每个特征的重要性权重w[a]。
[0024]
进一步，步骤2中对特征重新标定可以表示为：
[0025]
通过sigmoid激活函数对w[a]进行归一化操作生成0～1的权重σ：
[0026]
σ＝sigmoid(w[a])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0027]
将特征和权重相乘获得特征加权后的特征输出d'：
[0028]
d'＝d
×
σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]
进一步，步骤3中训练回声状态网络具体描述为：
[0030]
将重新标定过的特征数据d'替换原来的特征数据d，得到新的训练样本u(i)＝{d',e
i
}；
[0031]
步骤3.1初始化网路，将训练样本u(i)通过输入连接权值矩阵w
in
进入储备池，e(i)经过反馈连接权值w
back
进入储备池，并根据下式的顺序采集系统状态和输出状态：
[0032]
x(i+1)＝f(w
in
u(i+1)+wx(i)+w
back
e(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0033]
e(i+1)＝f
out
(w
out
u(i+1),x(i+1),e(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0034]
其中，x(i)是初始值为0的系统参数，f(
·
)为储备池节点的激励函数，f
out
(
·
)为储备池输出单元的激励函数，w表示储备池内部神经元的连接权值矩阵，w
out
表示输出值矩阵。
[0035]
步骤3.2计算输出值矩阵w
out
：
[0036][0037]
其中，k是输入层的神经元个数，n是储备池神经元的个数，l是输出层神经元个数，表示正则化因子，||
·
||表示欧式距离。
[0038]
进一步，步骤4中估计未知电力负荷具体描述为：
[0039]
对于未知电力负荷值的估计，按照步骤1和步骤2提取重新标定后的特征，送入已训练完成的回声状态网络中，计算网络的电力负荷估计值
[0040][0041]
其中，是w
out
的第j个值。
[0042]
本发明基于自适应特征权重的智慧城市电力负荷估计方法，有益效果：本发明的技术效果在于：
[0043]
1.为体现不同特征之间的差异性，本发明利用特征自适应加权算法，对特征数据重新标定，重新标定的特征对于电力负荷的估计更加有效；
[0044]
2.本发明采用回声状态网络提高了算法模型的收敛速度，实现了智慧城市下的电力负荷时间序列预测。
附图说明
[0045]
图1为本发明的流程图。
具体实施方式
[0046]
下面结合附图与具体实施方式对本发明作进一步详细描述：
[0047]
本发明提出了基于自适应特征权重的智慧城市电力负荷估计方法，旨在解决不同特征之间的差异性和电力负荷估计问题。图1为本发明的流程图，下面结合流程图对本发明的步骤作详细介绍。
[0048]
步骤1，获取实验标定数据：收集被测区域gdp，人口总数，气温均值，对外贸易出口额，对外贸易进口额，平均降水量的时序数据，把不同时序数据当作电力负荷估计的特征，
组成特征数据矩阵；
[0049]
步骤1中的特征数据矩阵可以表示为：
[0050]
d＝{g
i
,p
i
,t
i
,o
i
,i
i
,r
i
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0051]
其中，g
i
表示该地区i时刻的gdp值，p
i
表示该地区i时刻的人口总数，t
i
表示该地区i时刻的气温均值，o
i
表示该地区i时刻的对外贸易出口额，i
i
表示该地区i时刻的对外贸易进口额，r
i
表示该地区i时刻的平均降水量。同时为每组特征数据矩阵贴上标签e
i
，e
i
表示该地区i时刻的电力负荷值。
[0052]
步骤2，自适应特征权重标定：计算各个特征对于电力负荷估计的重要性权重，通过sigmoid激活函数对重要性权重进行归一化操作生成特征权重，并对特征重新标定；
[0053]
步骤2中计算各特征的重要性权重过程可以表示为：
[0054]
将特征数据矩阵d和电力负荷值e
i
组合成训练数据集u(i)＝{d,e
i
}；
[0055]
步骤2.1初始化特征重要性权重w[a]＝0，a＝1,2,...,a，a为特征个数；
[0056]
步骤2.2在训练集u(i)中随机选出一个电力负荷值e；
[0057]
步骤2.3在训练集中找出k个和e最近邻的特征h
j
(j＝1,2,...,k)
[0058]
步骤2.4在训练集中找出k个和e不同类的最近邻特征m
j
(c)(j＝1,2,...,k)
[0059]
步骤2.5计算特征重要性权重：
[0060][0061]
式中p(c)表示第c类特征的概率；class(e)表示e所属的电力负荷值类别；m是样本个数；diff(a,r1,r2)表示样本r1和样本r2在特征a上的差：
[0062][0063]
重复步骤2.2至步骤2.5可得每个特征的重要性权重w[a]。
[0064]
步骤2中对特征重新标定可以表示为：
[0065]
通过sigmoid激活函数对w[a]进行归一化操作生成0～1的权重σ：
[0066]
σ＝sigmoid(w[a])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0067]
将特征和权重相乘获得特征加权后的特征输出d'：
[0068]
d'＝d
×
σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0069]
步骤3，训练回声状态网络：将重新标定的特征数据当作回声状态网络的输入，对应的电力负荷作为网络的输出，训练回声状态网络模型；
[0070]
步骤3中训练回声状态网络具体描述为：
[0071]
将重新标定过的特征数据d'替换原来的特征数据d，得到新的训练样本u(i)＝{d',e
i
}；
[0072]
步骤3.1初始化网路，将训练样本u(i)通过输入连接权值矩阵w
in
进入储备池，e(i)经过反馈连接权值w
back
进入储备池，并根据下式的顺序采集系统状态和输出状态：
[0073]
x(i+1)＝f(w
in
u(i+1)+wx(i)+w
back
e(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0074]
e(i+1)＝f
out
(w
out
u(i+1),x(i+1),e(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0075]
其中，x(i)是初始值为0的系统参数，f(
·
)为储备池节点的激励函数，f
out
(
·
)为储备池输出单元的激励函数，均选用tanh函数，w表示储备池内部神经元的连接权值矩阵，w
out
表示输出值矩阵。
[0076]
步骤3.2计算输出值矩阵w
out
：
[0077][0078]
其中，k是输入层的神经元个数，n是储备池神经元的个数，l是输出层神经元个数，表示正则化因子，||
·
||表示欧式距离。
[0079]
步骤4，估计未知电力负荷：对于未知电力负荷的特征数据矩阵，按步骤2获取特征权重重新标定的特征数据，并送入已训练的回声状态网络中，获得未知电力负荷值；
[0080]
步骤4中估计未知电力负荷具体描述为：
[0081]
对于未知电力负荷值的估计，按照步骤1和步骤2提取重新标定后的特征，送入已训练完成的回声状态网络中，计算网络的电力负荷估计值
[0082][0083]
其中，是w
out
的第j个值。
[0084]
步骤5，将训练获得的回声状态网络模型嵌入处理器中，并实际应用。
[0085]
本发明将对城市电力负荷影响较大参数gdp，人口总数，气温均值，对外贸易出口额，对外贸易进口额，平均降水量的时序数据，作为对其求解的特征，由于每个特征间具有差异性，同时每个特征均不能线性映射点亮符合，因此本发明使用自适应的特征加权算法对特征重新标定，同时用回声状态网络求解未知的电力负荷估计。
[0086]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。