基于ISGU混合模型的短期电力负荷预测方法及系统

基于isgu混合模型的短期电力负荷预测方法及系统
技术领域
1.本发明属于电力负荷预测技术领域，具体涉及一种基于isgu混合模型的短期电力负荷预测方法及系统。


背景技术：

2.随着我国社会经济的迅猛发展，市场逐渐对电能供应的安全性、可靠性、经济性等方面要求提高。因此，电力公司在运行中面临着诸多经济技术挑战，在这些挑战中，电力系统的调度、潮流分析、规划和控制最为突出。面对电能需求随时间不断变化的特点，电力部门应尽可能保证电能供需处于动态平衡状态，以此追求最优的发电设备利用率与调度经济性，避免产能过剩或供应不足。精确的电力负荷预测不仅有助于规划供电设备的运行检修计划，保证供电可靠性，并且还能为新机组投入计划与电网增容改建计划给予一定参考。现如今，多样化预测模型、智能化电网改造给负荷预测提供技术以及数据支持。
3.近年来，多种预测方法在短期电力负荷预测中得到广泛应用与发展。1、利用时间序列法进行短期负荷的预测，其优势是模型简单，计算迅速，需要的数据容量不大，对较为平稳的时间序列进行预测，其效果较为良好。然而，电力负荷存在波动性，电力负荷预测存在不确定性、条件性，故使得时间序列预测精确较低；2、利用bp神经网络进行短期负荷的预测，然而反向传播(bp)神经网络利用反向传播的算法来反复更新神经网络中的权重与阈值的方式，使其容易陷入局部最优；3、利用极限学习机(elm)算法进行短期负荷的预测，elm算法的单隐含层的结构以及利用最小二乘法更新输出层权重的特点，使得其学习速度快、泛化性能较好，然而输入层初始化权重与阈值的随机生成仍会影响预测结果；4、利用支持向量机(svm)算法进行短期负荷的预测，svm鲁棒性好、泛化能力强，但其模型训练耗时较长，面对大规模样本数据较为乏力。5、利用循环神经网络(rnn)进行短期负荷的预测，rnn擅于挖掘时间序列数据的特点，但其存在梯度爆炸与梯度消散等问题。6、利用引入参数寻优的混合模型，例如ga-kelm、pso-svm、cs-svm等等。参数寻优算法的引入可以客观性的配置预测模型算法的参数，使得预测模型得精度提高。但某些参数寻优算法存在初始种群多样性不足、容易陷入局部最优等缺点。


技术实现要素：

4.本发明的目的在于提供一种基于isgu混合模型的短期电力负荷预测方法及系统，该方法及系统有利于提高短期电力负荷预测精度，进而提高电力系统的稳定性和安全性。
5.为实现上述目的，本发明采用的技术方案是：一种基于isgu混合模型的短期电力负荷预测方法，包括以下步骤：
6.步骤s1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集；
7.步骤s2：构建结合gru网络和issa算法的isgu混合模型，并通过训练集和预测集对isgu混合模型进行训练和测试，得到训练好的isgu混合模型；
8.步骤s3：基于训练好的isgu混合模型进行短期电力负荷预测，获得电力负荷预测结果。
9.进一步地，步骤s1中，对星期、节假日因素进行数字化处理的具体方法为：
10.设各星期类型平均负荷所组成的矩阵为wk＝[w
mon
,w
tue
,w
wed
,w
thu
,w
fr
i,w
sat
,w
sun
]；则星期因素映射方式如公式(1)所示：
[0011][0012]
其中w
map
为星期因素映射值，缩放倍数b∈(0,∞),d∈(0,∞)为常数；
[0013]
节假日映射与星期映射同理，即利用节假日平均负荷值与其对应的星期类型的平均负荷值进行处理；当两者映射值分别求出后，将两者映射值整合为一体，如公式(2)所示：
[0014]
wh
map
＝w
map
+h
map
ꢀꢀꢀꢀ
(2)
[0015]
其中wh
map
为星期-节假日映射值，h
map
为节假日映射值。
[0016]
进一步地，步骤s1中，采用pccs与mi算法对电力负荷特征值进行筛选，pccs用于筛选气候、星期、节假日等特征值，mi用于筛选历史电力负荷特征值，筛选出的特征值记为cv，其原理如公式(3)(4)所示：
[0017][0018][0019]
其中，x为电力负荷信号，f为相关因素，i为样本总个数，i为第i个样本，fi为第i个样本的相关因素，为所有样本相关因素平均值，x为第i个样本的电力负荷信号值，为所有样本电力负荷信号平均值，j为样本总个数，j为第j个样本，这里i＝j；p(*,
·
)为联合分布函数，q(
·
)为边缘分布函数。
[0020]
进一步地，步骤s2中，构建gru网络进行电力负荷预测，其输入参数为筛选出的电力负荷特征值cv；同时将issa算法引入gru网络的构建，利用issa算法对gru网络中的隐含层节点数与迭代次数进行寻优，以得到结合gru网络和issa算法的isgu混合模型。
[0021]
进一步地，gru网络由重置门、更新门与输出门组成；gru的重置门与更新门分别确定前一时刻状态记忆变量h
λ-1
的遗忘程度与保留程度，其数学模型分别如公式(5)(6)所示：
[0022][0023][0024]
其中cv为输入向量，σ(
·
)为sigmoid激活函数，wr为重置门权重，r为重置门状态，wu为更新门权重，z为更新门状态；
[0025]
根据重置门状态r
λ
与cv、h
λ-1
得出当前时刻候选状态记忆变量其数学模型如公
式(7)所示：
[0026][0027]
其中tanh(
·
)为双曲正切激活函数，wo为计算部分的权重；
[0028]
最后根据更新门状态z
λ
对h
λ-1
、进行遗忘与保留，由此获得gru网络输出，其公式如(8)所示：
[0029][0030]
将h
λ
输入至全连接层中得到负荷预测结果y
pred
。
[0031]
进一步地，issa算法的实现方法为：
[0032]
首先采用对立学习算法生成初始化种群，生成种群规模为m的初始化随机种群，记为p’m
×n，则对立种群的生成如公式(9)所示：
[0033][0034]
其中lbn表示第n个待寻优参数的下限，ubn表示第n个待寻优参数的上限；
[0035]
根据2m个种群个体所对应适应度的排序，取前m个适应度最优的种群个体作为最终的初始化种群，记为pm×n；
[0036]
发现者为种群中适应度较好的个体，其进行食物搜索并指导其余个体的运动；发现者位置更新公式如(10)所示：
[0037][0038]
其中r2∈[0,1]和st∈[0.5,1]分别代表警报值和安全阈值，rand与q是[0,1]之间的随机数；l表示1
×
n的矩阵，其元素均为1；
[0039]
采用鸟群算法对发现者位置更新思路进行替代；
[0040]
在麻雀种群的加入者位置更新中引入随机游走策略，其公式如(11)～(13)所示：
[0041][0042][0043]a+
＝a
t
(aa
t
)-1
ꢀꢀꢀꢀ
(13)
[0044]
其中p
pd
为发现者当前最佳位置；a为1
×
n矩阵，其元素随机赋值1或-1；a(t)为控制因子，c(t)为满足柯西分布的随机数；t为当前迭代次数，t
max
为最大迭代次数；
[0045]
为避免适应度低的加入者往搜索边界进行更新，引入随机游走位置更新策略；
[0046]
麻雀群中的警戒者是随机产生，其位置更新公式如(14)所示：
[0047][0048]
其中p
best
为当前全局最优位置，p
worst
为当前全局最差位置，β为[0,1]之间随机数，k为为[-1,1]之间随机数，fm为当前麻雀个体适应度，fg与fw为当前全局最优与最差适应度；ε为趋近于0的数，其用于避免分母为0；
[0049]
最后采用贪心算法决定各麻雀个体位置更新结果；
[0050]
issa中的随机数rand、q、β、k均采用pwmlcm混沌映射产生，其公式如(15)所示：
[0051][0052]
其中xr∈[0,1]，控制参数s∈[0,0.5]，x
lr
为第l代随机数。
[0053]
本发明还提供了一种基于isgu混合模型的短期电力负荷预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
[0054]
与现有技术相比，本发明具有以下有益效果：提供了一种基于isgu混合模型的短期电力负荷预测方法及系统，该方法及系统可以克服负荷波动性与非线性、电力负荷预测的条件性以及算法参数设置无客观依据等问题给电力负荷预测所带来的困难，从而提高短期电力负荷预测精度，保证电能供需处于动态平衡，减少资源的浪费与产能成本，提高电力系统的稳定性和安全性。
附图说明
[0055]
图1为本发明实施例的方法实现流程图；
[0056]
图2为本发明实施例中考虑星期-节假日因素的节假日预测结果图；
[0057]
图3为本发明实施例中gru结构图；
[0058]
图4为本发明实施例中issa参数寻优过程图。
具体实施方式
[0059]
下面结合附图及实施例对本发明做进一步说明。
[0060]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0061]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0062]
如图1所示，本实施例提供了一种基于isgu混合模型的短期电力负荷预测方法，包括以下步骤：
[0063]
步骤s1：输入电力负荷数据及相关因素，并进行数据预处理，包括对星期、节假日因素进行数字化处理以及对电力负荷特征值进行筛选，然后划分得到训练集和预测集。
[0064]
步骤s2：构建结合gru网络和issa算法的isgu混合模型，并通过训练集和预测集对isgu混合模型进行训练和测试，得到训练好的isgu混合模型。
[0065]
步骤s3：基于训练好的isgu混合模型进行短期电力负荷预测，获得电力负荷预测结果。
[0066]
1、对星期、节假日因素进行数字化处理
[0067]
星期与节假日因素与电力负荷存在一定相关性，然而星期与节假日为非数字化因素，因此本发明提出一种基于日平均负荷值的星期-节假日因素映射方法，其具体方法为：
[0068]
设各星期类型平均负荷所组成的矩阵为wk＝[w
mon
,w
tue
,w
wed
,w
thu
,w
fr
i,w
sat
,w
sun
]；则星期因素映射方式如公式(1)所示：
[0069][0070]
其中w
map
为星期因素映射值，缩放倍数b∈(0,∞),d∈(0,∞)为常数。
[0071]
节假日映射与星期映射同理，即利用节假日平均负荷值与其对应的星期类型的平均负荷值进行处理；当两者映射值分别求出后，将两者映射值整合为一体，如公式(2)所示：
[0072]
wh
map
＝w
map
+h
map
ꢀꢀꢀꢀ
(2)
[0073]
其中wh
map
为星期-节假日映射值，h
map
为节假日映射值。
[0074]
引入考虑星期-节假日因素，并采用基于日平均负荷值的星期-节假日因素映射方法后进行负荷预测的结果如图2所示。
[0075]
2、特征值筛选
[0076]
由于短期电力负荷预测的条件性特点，使影响电力负荷的相关因素众多。因此，本发明采用pccs与mi算法对电力负荷特征值进行筛选，pccs用于筛选气候、星期、节假日等特征值，mi用于筛选历史电力负荷特征值，筛选出的特征值记为cv，其原理如公式(3)(4)所示：
[0077][0078][0079]
其中，x为电力负荷信号，f为相关因素，i为样本总个数，i为第i个样本，fi为第i个样本的相关因素，为所有样本相关因素平均值，x为第i个样本的电力负荷信号值，为所有样本电力负荷信号平均值，j为样本总个数，j为第j个样本，这里i＝j；p(*,
·
)为联合分布函数，q(
·
)为边缘分布函数。
[0080]
3、基于isgu混合模型进行短期电力负荷预测
[0081]
构建gru网络进行电力负荷预测，其输入参数为筛选出的电力负荷特征值cv；同时将issa算法引入gru网络的构建，利用issa算法对gru网络中的隐含层节点数与迭代次数进行寻优，以得到结合gru网络和issa算法的isgu混合模型。
[0082]
gru网络由重置门、更新门与输出门组成，其结构如图3所示。gru对lstm网络的简化改进，不仅减少网络所需要训练的参数，缩短模型训练时间，并且也解决rnn的梯度消散问题。gru的重置门与更新门分别确定前一时刻状态记忆变量h
λ-1
的遗忘程度与保留程度，其数学模型分别如公式(5)(6)所示：
[0083][0084][0085]
其中cv为输入向量，σ(
·
)为sigmoid激活函数，wr为重置门权重，r为重置门状态，wu为更新门权重，z为更新门状态。
[0086]
根据重置门状态r
λ
与cv、h
λ-1
得出当前时刻候选状态记忆变量其数学模型如公式(7)所示：
[0087][0088]
其中tanh(
·
)为双曲正切激活函数，wo为计算部分的权重。
[0089]
最后根据更新门状态z
λ
对h
λ-1
、进行遗忘与保留，由此获得gru网络输出，其公式如(8)所示：
[0090][0091]
将h
λ
输入至全连接层中得到负荷预测结果y
pred
。
[0092]
gru网络参数设置对预测精度影响较大，然而其网络参数设置未有客观标准，因此本发明提出issa算法对gru的隐含层节点数与迭代次数进行寻优。通过issa在对预测模型参数寻优的过程如图4所示。
[0093]
jiankai xue等人在2020年根据麻雀觅食和抗掠夺行为的启发提出麻雀算法。但ssa的初始种群缺少多样性，个别位置更新公式对搜索产生一定限制，导致ssa算法并不一定能搜索到较优秀结果。因此，本发明对ssa的初始种群生成与位置更新公式进行改进，issa算法的实现方法如下所示。
[0094]
首先采用对立学习算法生成初始化种群，以此克服ssa算法初始化种群缺少多样性问题。现生成种群规模为m的初始化随机种群，记为p’m
×n，则对立种群的生成如公式(9)所示：
[0095][0096]
其中lbn表示第n个待寻优参数的下限，ubn表示第n个待寻优参数的上限。
[0097]
根据2m个种群个体所对应适应度的排序，取前m个适应度最优的种群个体作为最终的初始化种群，记为pm×n。
[0098]
发现者为种群中适应度较好的个体，其进行食物搜索并指导其余个体的运动；发现者位置更新公式如(10)所示：
[0099][0100]
其中r2∈[0,1]和st∈[0.5,1]分别代表警报值和安全阈值，rand与q是[0,1]之间的随机数；l表示1
×
n的矩阵，其元素均为1。
[0101]
ssa中发现者在r2《st时的位置更新公式使得发现者每个维度都在缩小，则发现者搜索食物范围受到限制。因此，本发明采用鸟群算法对发现者位置更新思路进行替代。
[0102]
在麻雀种群的加入者位置更新中引入随机游走策略，其公式如(11)～(13)所示：
[0103][0104][0105]a+
＝a
t
(aa
t
)-1
ꢀꢀꢀꢀ
(13)
[0106]
其中p
pd
为发现者当前最佳位置；a为1
×
n矩阵，其元素随机赋值1或-1；a(t)为控制因子，c(t)为满足柯西分布的随机数；t为当前迭代次数，t
max
为最大迭代次数。
[0107]
适应度低的加入者为获得更多能量需飞往其他地方进行觅食，而非跟随发现者。在ssa中该类加入者的位置更新方式容易使其往搜索边界进行更新。为避免适应度低的加入者往搜索边界进行更新，本发明引入随机游走位置更新策略。
[0108]
麻雀群中的警戒者是随机产生，其位置更新公式如(14)所示：
[0109][0110]
其中p
best
为当前全局最优位置，p
worst
为当前全局最差位置，β为[0,1]之间随机数，k为为[-1,1]之间随机数，fm为当前麻雀个体适应度，fg与fw为当前全局最优与最差适应度；ε为趋近于0的数，其用于避免分母为0。
[0111]
最后采用贪心算法决定各麻雀个体位置更新结果。
[0112]
issa中的随机数rand、q、β、k均采用pwmlcm混沌映射产生，其公式如(15)所示：
[0113][0114]
其中xr∈[0,1]，控制参数s∈[0,0.5]，x
lr
为第l代随机数。混沌随机数的产生：先
随机生成初始随机数，然后根据公式(15)与第一代随机数生成第二代，由此类推。
[0115]
本实施例还提供了一种基于isgu混合模型的短期电力负荷预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
[0116]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。