一种基于神经网络预测区间的短期负荷和水电预测方法技术

本发明专利技术公开了一种基于神经网络预测区间的短期负荷和水电预测方法，该方法包括以下步骤：搜集原始数据，拆分数据为互斥的三组数据集；归一化训练集、验证集、测试集；采用序列差分的方式处理时间序列，选择输入的神经网络；初始化神经网络权值和粒子群优化算法参数；更新速度和位置；引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；训练结果评估；更新参数；训练终止；测试结果。通过该方法，提出了一种新的预测区间构造方法；提出了一种新的目标优化算法；提出一种新的单目标优化问题求解算法；提出了一种新的预测区间宽度评价指标，提高了训练效果；具有简易性、可靠性、应用性广的优点。

【技术实现步骤摘要】
一种基于神经网络预测区间的短期负荷和水电预测方法
本专利技术涉及工业节能
，具体来说，涉及种基于神经网络预测区间的短期负荷和水电预测方法。
技术介绍
由于气候的随机性和风能、太阳能等可再生能源的渗透，电力系统的不确定性增加，使得短期负荷预测对于智能电网的控制和调度具有重要意义。目前广泛应用于电力负荷和可再生能源预测的预测模型可分为三类：一是统计模型，例如自回归模型(AR)、自回归综合移动平均模型(ARIMA)和指数平滑模型(ES)模型；二是人工智能模型，如神经网络(NNs)、模糊逻辑系统(FLSs)、专家系统等；三是混合模型如神经模糊系统等。目前大多数的短期负荷预测以及风电负荷预测的应用多为点预测，然而点预测的缺点是不能很好处理数据集相关的不确定性。点预测，一个目标值只提供一个预测值。点预测只提供预测误差，而不提供正确预测的概率。Delta、贝叶斯(Bayesian)和自助法(bootstrap)是三种常用的基于神经网络方法来构造预测区间的方法。它们尽管有预测区间的优点，这些方法的应用仍然不如神经网络点预测。实施上的困难，对数据分布的特殊假设，以及大量的计算需求，阻碍了这些决策方法的广泛应用。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出种基于神经网络预测区间的短期负荷和水电预测方法，能够克服现有技术的上述不足。为实现上述技术目的，本专利技术的技术方案是这样实现的：一种基于神经网络预测区间的短期负荷和水电预测方法，该方法包括以下步骤：r>S1：搜集原始数据，拆分数据为互斥的三组数据集，其中，数据集为训练集、验证集、测试集；S2：归一化训练集、验证集、测试集，其中，数值范围为[-1，1]；S3：采用序列差分的方式处理时间序列，选择输入的神经网络；S4：初始化神经网络权值和粒子群优化算法参数，其中，采用Nguyen–Widrow方法初始化神经网络权值；S5：更新速度和位置，其中，更新公式为xn(t+1)＝xn(t)+vn(t+1)，其中，Vn为第n维的粒子速度，rand()为0-1之间的随机数，W表示尺度因子，pbest是每个粒子的最优值，gbest，是整个粒子群的最优值，c1和c2为决定pbest和gbest，相对拉力的尺度因子，除了两次更新外，速度和位置的范围分别限制在Vmax和Xmax,Vmax为最大速度，Xmax为最大位置；S6：引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；S7：训练结果评估；所述步骤S7包括以下步骤：S71：组合训练集和验证集训练神经网络；S72：更新神经网络连接权值，应用上下界估计方法构造新的预测区间，计算预测区间的评价指标；S73：合成评估结果；S8：更新参数；S9：训练终止，其中，将训练终止的条件设定为最大迭代次数的取值范围或在一定迭代次数下进行的少量改进；S10：测试结果。进一步的，所述步骤S3中采用序列差分的方式处理时间序列的步骤包括以下步骤：S31：依据时间序列的月、季度数据，得到水电站水流量12个月或4个季度的移动平均值，获得长期的趋势T，其中，T为长期的移动平均值趋势数据；S32：依据乘法模型，计算其中，Y表示年份，S代表季节成分，C代表周期成分，I代表不规则成分；S33：将值重新依据各个年份的同月份或同季度的平均值，得出各个年份同月份或同季度的简单算数平均数Ai；S34：将各个年份同月份或同季度的简单算术平均数Ai作为分子，将所有月份或季度的总的算术平均数作为分母，计算并获得每个月份或季度的季节比率Si，其中，季节比率即为季节因素对水流量长期趋势的修正系数，计算公式为N为样本数量；S35：对应t期的预测值，得到去除季节性因素的Tt与t期对应季节性Si的乘积，其中，Tt为t期趋势数据。进一步的，所述步骤S4中，粒子群优化算法的参数初始化分为粒子位置初始化和速度初始化。进一步的，所述步骤S7中，采用覆盖概率和宽度来评估预测区间的预测质量。进一步的，评估指标为预测区间覆盖率、布尔变量取值函数、预测区间标准化平均宽度、预测区间标准化均方根宽度、基于覆盖宽度的准则，其中，布尔变量取值函数为yi为响应变量y在样本数i时的值，如果yi在上界Ui和下界Li之间，则∈i＝1，否则为0；预测区间标准化平均宽度为R是相应变量的极差，Ui是上界，Li是下界；预测区间标准化均方根宽度为在实践中，需要采取措施综合评价信息系统的整体质量，评价公式为CWC＝PINAW(1+γ(PICP)e-η(PICP-μ))，CWC是基于覆盖宽度的准则，PICP是预测区间覆盖率，γ(PICP)为阶跃函数；在γ(PICP)＝1进行训练，μ和η是两个共同旋转参数，依据名义置信水平(1-α)％选择参数。进一步的，所述步骤S10包括以下步骤：S101：依据训练过程产生的区间预测模型，将模型应用在测试集上，合成测试集的预测区间；S102：计算测试数据的PICP和PINAW及CWC；S103：记录测试结果。进一步的，所述步骤S101-S103过程中需要重复十次。本专利技术的有益效果：通过该方法，提出了一种新的预测区间构造方法，即下上限估计(LUBE)方法，LUBE方法不需要做数据分布的假设，没有雅可比矩阵和海森矩阵的计算，方法更简单、更快、更可靠；提出了一种新的目标优化算法，相比与传统的预测区间覆盖率与宽度的多目标优化问题，将问题转换为只优化预测区间宽度的单目标优化问题，预测区间覆盖率设置为约束条件，新的约束单目标问题公式更接近主要问题，参数比成本函数少；提出一种新的单目标优化问题求解算法，采用具有较强参数优化能力的粒子群优化算法来解决单目标优化问题，在遗传算法中引入了变异算子，提高了算法的探索性和跳出局部最优的能力，新算法更智能、更强大；提出了一种新的预测区间宽度评价指标，即归一化均方根宽度，归一化均方根宽度给每一个预测区间的宽度相同的权重，能够放大预测误差，从而提高了训练效果；简易性，与传统模型相比，本专利技术能显著提高预期区间的质量且其构建时间更短；可靠性，本专利技术能够避免传统预测方法产生的奇异性问题，提高预测区间的准确性和可靠性；应用性广，由于传统方法的复杂性使得短期负荷预测不能够广泛地推行，而本专利技术针对性强，方便快捷使得本专利技术能够广泛地应用于实际案例中。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，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的附图。图1是根据本专利技术实施例所述的一种基于神经网络预测区间的短期负荷和水电预测方法的流程框图；图2是根据本专利技术实施例所述的一种基于神经网络预本文档来自技高网...

【技术保护点】
1.一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，包括以下步骤：/nS1：搜集原始数据，拆分数据为互斥的三组数据集，其中，数据集为训练集、验证集、测试集；/nS2：归一化训练集、验证集、测试集，其中，数值范围为[-1，1]；/nS3：采用序列差分的方式处理时间序列，选择输入的神经网络；/nS4：初始化神经网络权值和粒子群优化算法参数，其中，采用Nguyen-Widrow方法初始化神经网络权值；/nS5：更新速度和位置，其中，更新公式为/n

【技术特征摘要】
1.一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，包括以下步骤：
S1：搜集原始数据，拆分数据为互斥的三组数据集，其中，数据集为训练集、验证集、测试集；
S2：归一化训练集、验证集、测试集，其中，数值范围为[-1，1]；
S3：采用序列差分的方式处理时间序列，选择输入的神经网络；
S4：初始化神经网络权值和粒子群优化算法参数，其中，采用Nguyen-Widrow方法初始化神经网络权值；
S5：更新速度和位置，其中，更新公式为



xn(t+1)＝xn(t)+Vn(t+1)，
其中，Vn为第n维的粒子速度，rand()为0-1之间的随机数，W为尺度因子，pbest是每个粒子的最优值，gbest，是整个粒子群的最优值，c1和c2为决定pbest和gbest，相对拉力的尺度因子，除了两次更新外，速度和位置的范围分别限制在Vmax和Xmax，Vmax为最大速度，Xmax为最大位置；
S6：引入变异算子到遗传算法，进行遗传算法的多样性处理，强化检索能力；
S7：训练结果评估；
所述步骤S7包括以下步骤：
S71：组合训练集和验证集训练神经网络；
S72：更新神经网络连接权值，应用上下界估计方法构造新的预测区间，计算预测区间的评价指标；
S73：合成评估结果；
S8：更新参数；
S9：训练终止，其中，将训练终止的条件设定为最大迭代次数的取值范围或在一定迭代次数下进行的少量改进；
S10：测试结果。


2.根据权利要求1所述的一种基于神经网络预测区间的短期负荷和水电预测方法，其特征在于，所述步骤S3中采用序列差分的方式处理时间序列的步骤包括以下步骤：
S31：依据时间序列的月、季度数据，得到水电站水流量12个月或4个季度的移动平均值，获得长期的趋势T，其中，T为长期的移动平均值趋势数据；
S32：依据乘法模型，计算其中，Y表示年份，S代表季节成分，C代表周期成分，I代表不规则成分；
S33：将值重新依据各个年份的同月份或同季度的平均值，得出各个年份同月份或同季度的简单算数平均数Ai；
S34：将各个年份同月份或同季度的简单算术平均数Ai作为分子，将所有...

【专利技术属性】
技术研发人员：李太斌，刘晓峰，姜东，曹哲铭，彭丽林，颜天成，梁雄伟，张亚松，
申请(专利权)人：华能四川水电有限公司，太极计算机股份有限公司，中国华能集团有限公司，
类型：发明
国别省市：四川;51