一种区域配电网短期负荷预测方法技术

本发明专利技术属于电力负荷预测技术领域，具体公开了一种基于孪生网络分类法、灰狼算法以及长短时记忆网络的区域配电网短期负荷预测方法。该负荷预测方法的步骤如下：首先应用孪生网络分类法对历史负荷数据进行提取与分类，根据预测日的负荷情况来确定输入特征的类别，提取对预测日负荷具有强相关性的负荷作为输入，解决了当前有效输入变量选择困难、计算步骤繁琐的问题；然后应用灰狼算法对长短时记忆网络预测模型进行参数优化选取，输入最优参数并对长短时记忆网络预测模型进行训练与测试，得到该预测日下的负荷预测值。本发明专利技术方法有效解决了现有预测模型效率低、运行成本较高、缺乏自适应能力的问题。

【技术实现步骤摘要】
一种区域配电网短期负荷预测方法
本专利技术属于电力负荷预测
，尤其涉及一种区域配电网短期负荷预测方法。
技术介绍
精准的配电网短期负荷预测是其安全稳定运行、调度优化和降低运营成本的重要保障。在短期负荷预测过程中会受到诸如恶劣天气、突发事件、电网故障等非线性特征因素的影响，如果将这些因素全部作为输入特征，将会使负荷预测的复杂度增加，而且这些因素的基础数据场景多样、规律性较弱，导致基于数据驱动方法的预测精度大打折扣。配电网负荷历史数据是电网企业运营的基础数据，具有数据量大、精度高的特点，如何选择合适的数据驱动方法实现配电网负荷的精准预测，具有重要的工程应用价值。短期负荷具有一定的周期性，但负荷发生变化的时刻却不完全相同。随着时间的推移，电网负荷结构也会发生缓慢变化，导致选取时序历史数据作为输入历史日负荷与预测日负荷有时有着较大的差异，进而影响到预测精度，即相似日历史数据集选择难。合适的数据集能够增强预测模型的可解释性，并降低时间复杂度。目前，选取输入特征的方法有很多，例如：相空间嵌入法，将输入特征变量进行正交变化并求出特征变量的单独贡献的方法，采用遗传算法优化过滤法中的参数来选择变量的方法等。但给出的上述方法普遍存在计算方法复杂、待调参数过多、将选择结果用于预测时效果较差等问题。在配电网短期负荷预测方面，传统的负荷预测模型，例如：线性回归(LinearRegression,LR)、自回归(AutoRegression,AR)等，虽然预测速度快，但是这些负荷预测模型对数据要求较高、没有自适应能力、预测鲁棒性较差，越来越难满足负荷预测要求。近年来，以深度学习为基础的人工智能技术不断发展，为解决上述这些问题提供了新方法，例如支持向量机(SupportVectorMachine,SVM)、深度置信网络(Deepneuralnetwork)、多种机器学习算法嵌入的负荷预测模型等。然而，上述预测方法在处理时序数据时存在预测速度较慢、缺乏自适应性、模型集成需要的成本过高且时间较长等缺点。综上，如何在保证负荷预测精度的同时，提高运行效率、缩短运行成本成为负荷预测中一个难点。
技术实现思路
本专利技术的目的在于提出一种区域配电网短期负荷预测方法，以便对未知类别的预测日负荷数据进行自适应分类，并进一步提升预测方法的运算效率和准确性。本专利技术为了实现上述目的，采用如下技术方案：一种区域配电网短期负荷预测方法，包括如下步骤：A.对一段时间内的总历史负荷数据以及该段时间内不同时刻用能对象的历史负荷数据进行采集，对采集的所有历史负荷数据进行归一化处理；B.提取归一化处理后该段时间内的总历史负荷数据，以天为间隔对该段时间内的总历史负荷数据进行分组；其中，将分组后的第一组负荷数据作为基准值；其余每组负荷数据分别与该组负荷数据进行相似度度量，得到在区间[0,1]内的相似度值；按照相关系数的强度将[0,1]的区间划分为多个子区间；利用划分的子区间以及通过相似度度量后得到的相似度值，对分组后的各组负荷数据进行分类，得到分类结果；C.将步骤B中各组负荷数据及其对应的分类结果输入到孪生网络分类器进行学习；其中，该孪生网络分类器具有两个输入和一个输出；将基准值作为孪生网络分类器的一个输入；将其余组负荷数据中的任一组作为孪生网络分类器的另一个输入，并将与当前组负荷数据对应的分类结果作为孪生网络分类器的输出；依次遍历其余每组负荷数据及其对应的分类结果，实现孪生网络分类器的学习；D.给定一组未知类别的预测日负荷数据，将该组预测日负荷数据输入到经过步骤C学习得到的孪生网络分类器中，得到该组预测日负荷数据的分类结果；从步骤B分组后的所有组负荷数据中，找到与该组预测日负荷数据具有相同分类结果的多组负荷数据，并将这些组负荷数据作为预测日负荷数据的相似日负荷数据；将以上各组相似日负荷数据以及分别对应于每组相似日负荷数据的不同时刻用能对象的历史负荷数据进行组合，得到长短时记忆网络预测模型的多组训练样本；将预测日负荷数据以及对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据进行组合，得到长短时记忆网络预测模型的一组测试样本；由以上多组训练样本以及一组测试样本共同组成负荷数据集；E.建立长短时记忆网络预测模型，引入灰狼算法优化长短时记忆网络预测模型参数；利用步骤D中训练样本和测试样本共同组成的负荷数据集，对长短时记忆网络预测模型进行预测结果的误差检验，得到长短时记忆网络预测模型的最优参数；具体过程如下：(1)初始化所有狼群的位置，并设置最大迭代次数；(2)建立一个长短时记忆网络预测模型，此时模型待优化参数即灰狼要猎取的猎物位置；(3)将每组训练样本中的相似日负荷数据作为预测模型的输出，对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入；依次遍历以上各组训练样本，得到训练后的长短时记忆网络预测模型；将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据，输入到训练后的长短时记忆网络预测模型，得到该预测日下的负荷预测值；(4)设该预测日下的负荷预测值与该预测日下的负荷实际值之间的均方根误差为狼群的适应度函数；其中，该预测日下的负荷实际值为测试样本中的预测日负荷数据；(5)根据适应度值大小，依次确定狼群中各狼的等级，即适应度值由小到大依次为狼群中α狼、β狼、δ狼和ω狼；其中，适应度值大小为均方根误差大小；(6)在ω狼的作用下，对适应度值小于它的狼的位置进行更新；依旧用适应度值大小作为比较依据，反复迭代更新，反复比较，不断朝着猎物逼近，最终在设定的最大迭代次数内找到最小均方根误差对应的模型最优参数；F.在得到长短时记忆网络预测模型的最优参数后，利用步骤D负荷数据集中的训练样本对长短时记忆网络预测模型进行训练，其中：将每组训练样本中的相似日负荷数据作为预测模型的输出，对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入；依次遍历步骤D中各组训练样本，得到在最优参数下训练的长短时记忆网络预测模型；此时的长短时记忆网络预测模型为最优负荷预测模型；将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据，输入到最优负荷预测模型，得到该预测日下的负荷预测值。优选地，步骤A中，一段时间是指一年或一个季度。优选地，步骤A中，以1个小时为间隔，对不同时刻各个用能对象的历史负荷数据采集。优选地，步骤A中，对所有的历史负荷数据进行归一化处理，并映射到区间[0,1]之内；其中，归一化处理的计算公式如下所示：其中，x、x′分别为归一化前后的值，xmax、xmin分别为样本数据的最大值与最小值。优选地，步骤B中，利用Pearson相关系数公式进行相似度度量的计算。优选地，步骤B中，划分的子区间数量有八个，各个子区间的区间分别范本文档来自技高网...

【技术保护点】
1.一种区域配电网短期负荷预测方法，其特征在于，包括如下步骤：/nA.对一段时间内的总历史负荷数据以及该段时间内不同时刻用能对象的历史负荷数据进行采集，对采集的所有历史负荷数据进行归一化处理；/nB.提取归一化处理后该段时间内的总历史负荷数据，以天为间隔对该段时间内的总历史负荷数据进行分组；其中，将分组后的第一组负荷数据作为基准值；/n其余每组负荷数据分别与该组负荷数据进行相似度度量，得到在区间[0,1]内的相似度值；/n按照相关系数的强度将[0,1]的区间划分为多个子区间；利用划分的子区间以及通过相似度度量后得到的相似度值，对分组后的各组负荷数据进行分类，得到分类结果；/nC.将步骤B中各组负荷数据及其对应的分类结果输入到孪生网络分类器进行学习；/n其中，该孪生网络分类器具有两个输入和一个输出；/n将基准值作为孪生网络分类器的一个输入；将其余组负荷数据中的任一组作为孪生网络分类器的另一个输入，并将与当前组负荷数据对应的分类结果作为孪生网络分类器的输出；/n依次遍历其余每组负荷数据及其对应的分类结果，实现孪生网络分类器的学习；/nD.给定一组未知类别的预测日负荷数据，将该组预测日负荷数据输入到经过步骤C学习得到的孪生网络分类器中，得到该组预测日负荷数据的分类结果；/n从步骤B分组后的所有组负荷数据中，找到与该组预测日负荷数据具有相同分类结果的多组负荷数据，并将这些组负荷数据作为预测日负荷数据的相似日负荷数据；/n将以上各组相似日负荷数据以及分别对应于每组相似日负荷数据的不同时刻用能对象的历史负荷数据进行组合，得到长短时记忆网络预测模型的多组训练样本；/n将预测日负荷数据以及对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据进行组合，得到长短时记忆网络预测模型的一组测试样本；/n由以上多组训练样本以及一组测试样本共同组成负荷数据集；/nE.建立长短时记忆网络预测模型，引入灰狼算法优化长短时记忆网络预测模型参数；/n利用步骤D中训练样本和测试样本共同组成的负荷数据集，对长短时记忆网络预测模型进行预测结果的误差检验，得到长短时记忆网络预测模型的最优参数；具体过程如下：/n(1)初始化所有狼群的位置，并设置最大迭代次数；/n(2)建立一个长短时记忆网络预测模型，此时模型待优化参数即灰狼要猎取的猎物位置；/n(3)将每组训练样本中的相似日负荷数据作为预测模型的输出，对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入；/n依次遍历以上各组训练样本，得到训练后的长短时记忆网络预测模型；/n将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据，输入到训练后的长短时记忆网络预测模型，得到该预测日下的负荷预测值；/n(4)设该预测日下的负荷预测值与该预测日下的负荷实际值之间的均方根误差为狼群的适应度函数；其中，该预测日下的负荷实际值为测试样本中的预测日负荷数据；/n(5)根据适应度值大小，依次确定狼群中各狼的等级，即适应度值由小到大依次为狼群中α狼、β狼、δ狼和ω狼；其中，适应度值大小为均方根误差大小；/n(6)在ω狼的作用下，对适应度值小于它的狼的位置进行更新；/n依旧用适应度值大小作为比较依据，反复迭代更新，反复比较，不断朝着猎物逼近，最终在设定的最大迭代次数内找到最小均方根误差对应的模型最优参数；/nF.在得到长短时记忆网络预测模型的最优参数后，利用步骤D负荷数据集中的训练样本对长短时记忆网络预测模型进行训练，其中：/n将每组训练样本中的相似日负荷数据作为预测模型的输出，对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入；/n依次遍历步骤D中各组训练样本，得到在最优参数下训练的长短时记忆网络预测模型；此时的长短时记忆网络预测模型为最优负荷预测模型；/n将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据，输入到最优负荷预测模型，得到该预测日下的负荷预测值。/n...

【技术特征摘要】
1.一种区域配电网短期负荷预测方法，其特征在于，包括如下步骤：
A.对一段时间内的总历史负荷数据以及该段时间内不同时刻用能对象的历史负荷数据进行采集，对采集的所有历史负荷数据进行归一化处理；
B.提取归一化处理后该段时间内的总历史负荷数据，以天为间隔对该段时间内的总历史负荷数据进行分组；其中，将分组后的第一组负荷数据作为基准值；
其余每组负荷数据分别与该组负荷数据进行相似度度量，得到在区间[0,1]内的相似度值；
按照相关系数的强度将[0,1]的区间划分为多个子区间；利用划分的子区间以及通过相似度度量后得到的相似度值，对分组后的各组负荷数据进行分类，得到分类结果；
C.将步骤B中各组负荷数据及其对应的分类结果输入到孪生网络分类器进行学习；
其中，该孪生网络分类器具有两个输入和一个输出；
将基准值作为孪生网络分类器的一个输入；将其余组负荷数据中的任一组作为孪生网络分类器的另一个输入，并将与当前组负荷数据对应的分类结果作为孪生网络分类器的输出；
依次遍历其余每组负荷数据及其对应的分类结果，实现孪生网络分类器的学习；
D.给定一组未知类别的预测日负荷数据，将该组预测日负荷数据输入到经过步骤C学习得到的孪生网络分类器中，得到该组预测日负荷数据的分类结果；
从步骤B分组后的所有组负荷数据中，找到与该组预测日负荷数据具有相同分类结果的多组负荷数据，并将这些组负荷数据作为预测日负荷数据的相似日负荷数据；
将以上各组相似日负荷数据以及分别对应于每组相似日负荷数据的不同时刻用能对象的历史负荷数据进行组合，得到长短时记忆网络预测模型的多组训练样本；
将预测日负荷数据以及对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据进行组合，得到长短时记忆网络预测模型的一组测试样本；
由以上多组训练样本以及一组测试样本共同组成负荷数据集；
E.建立长短时记忆网络预测模型，引入灰狼算法优化长短时记忆网络预测模型参数；
利用步骤D中训练样本和测试样本共同组成的负荷数据集，对长短时记忆网络预测模型进行预测结果的误差检验，得到长短时记忆网络预测模型的最优参数；具体过程如下：
(1)初始化所有狼群的位置，并设置最大迭代次数；
(2)建立一个长短时记忆网络预测模型，此时模型待优化参数即灰狼要猎取的猎物位置；
(3)将每组训练样本中的相似日负荷数据作为预测模型的输出，对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入；
依次遍历以上各组训练样本，得到训练后的长短时记忆网络预测模型；
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据，输入到训练后的长短时记忆网络预测模型，得到该预测日下的负荷预测值；
(4)设该预测日下的负荷预测值...

【专利技术属性】
技术研发人员：白星振，葛磊蛟，赵康，宋昭杉，秦羽飞，
申请(专利权)人：山东科技大学，天津大学，
类型：发明
国别省市：山东;37