一种基于搜索引擎指数的电力负荷预测方法技术

本发明专利技术公开了一种基于搜索引擎指数的电力负荷预测方法。包括：确定在预定历史时间段内与预设地区电力负荷相关的搜索引擎指数；使用长短期记忆神经网络对搜索引擎指数的趋势项、季节项和节假日项进行预测，得到搜索引擎指数的外推预测值；基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型，将电力负荷数据、搜索引擎指数以及天气数据的历史数据作为训练集；用搜索引擎指数的外推预测值以及天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。本发明专利技术建立了搜索引擎指数

【技术实现步骤摘要】
一种基于搜索引擎指数的电力负荷预测方法


[0001]本专利技术涉及电力负荷
，特别是涉及一种基于搜索引擎指数的电力负荷预测方法。

技术介绍

[0002]某个词汇的搜索引擎指数与该词汇的搜索规模正相关，该指数反映了人群对某个事物的关注程度。特别地，对于某些以旅游业为主打产业的地区或城市，其相关搜索指数与该地人员流动量有强的相关性，而人流量的变化又影响了当地的电力负荷变化。因此，搜索引擎指数与电力负荷有相当强的关系。
[0003]电力负荷预测对于电网的调度和生产计划具有重要的意义，传统的电力负荷预测主要关注以电力负荷本身、最高气温、最低气温、平均气温、湿度等为自变量，近几年考虑社会因素对电力负荷预测的研究方兴未艾，搜索引擎指数正是可以量化的一个社会因素指标。

技术实现思路

[0004]本专利技术提供了一种基于搜索引擎指数的电力负荷预测方法，以实现准确的电力负荷预测。
[0005]本专利技术提供了以下技术方案：
[0006]一种基于搜索引擎指数的电力负荷预测方法，其包括以下步骤：
[0007]S1，确定至少一个与预设地区电力负荷相关的搜索引擎关键词；
[0008]S2，获取所述关键词在预定历史时间段内的搜索引擎指数；
[0009]S3，获取相同历史时间段内所述预设地区的电力负荷数据；
[0010]S4，使用Spearman秩相关检验分析所述预设地区的电力负荷与搜索引擎指数的关系，剔除相关系数低于预设阈值的搜索关键词；
[0011]S5，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解；
[0012]S6，构建搜索引擎指数时间序列的趋势项函数；
[0013]S7，构建搜索引擎指数时间序列的季节性函数；
[0014]S8，构建搜索引擎指数时间序列的节假日效应函数；
[0015]S9，对与所述预设地区相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎指数的线性组合；
[0016]S10，获取相同历史时间段内所述预设地区的天气数据，并使用基于粒子群优化算法的长短期记忆神经网络对未来时间段的天气数据进行预测，得到天气数据预测值；
[0017]S11，基于所述趋势项函数、所述季节性函数以及所述节假日效应函数，使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测，将所述趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值；
[0018]S12，基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型，将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集；用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。
[0019]进一步地，所述Spearman秩相关检验的表达式为：
[0020][0021]其中，ρ
s
表示Spearman等级系数，U表示进行检验的电力负荷和搜索引擎指数数据的组数，表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方，对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。
[0022]进一步地，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解，包括：
[0023]所述搜索引擎指数的时间序列数据的分解表达式为：
[0024]Y＝Q+Z+J+∈
ꢀꢀꢀꢀ
(2)
[0025]式(2)中，Y为总的搜索引擎指数；Q为趋势项，是一个表征搜索引擎指数发展趋势的非周期性单调函数；Z为周期项，表征搜索引擎指数时间序列的周期性特征；J为预设时间点影响项，可以根据具体情况设置，在其上搜索引擎指数会有阶跃式波动的离散时间点，表征节假日对搜索引擎指数时间序列的影响；∈为误差项；
[0026]对搜索引擎指数的时间序列数据进行分解，具体包括：
[0027]用马尔科夫链拟合随机序列{X
t
：t＝1，2，
…
}的状态概率表达为式(3)：p
ii
＝p{X
t
＝j}
ꢀꢀꢀ
(3)
[0028]式(3)中，p
ii
为转移矩阵，p表示满足后续表达式的概率，X
t
为离散空间中的时间序列，j为预测方法序号，t为预测时段；
[0029]状态概率分布的表达式为式(4)(5)：
[0030]P
t
＝[P
t1
，P
t2
，
…
，P
tv
]ꢀꢀꢀ
(4)
[0031][0032]式(4)中，P
t
为t时刻的转移概率矩阵，P
tv
为系统由状态t转化为状态v的概率；v是一个为表示系统状态序号而引入的符号；式(5)中，为P
tj
的估计值，s为可能发生转移的总次数，T为拟合时段，N为预测方法的种类；
[0033]随机序列的一步转移概率矩阵的估计表达式为：
[0034]B＝CG+E
ꢀꢀꢀꢀꢀ
(6)
[0035]式(6)中，B为随机序列的估计矩阵，C为输入变量矩阵，G为随机序列的一步转移概率矩阵，E为误差矩阵，B＝[P2，P3，
…
，P
T
]，C＝[P1，P2，
…
，P
T-1
]；
[0036]E的估计的表达式为：
[0037]E＝(B-CG)(B-αG)/(T-1)＝[BB-BC(CC)-1
CB]/(T-1)
ꢀꢀꢀꢀ
(7)
[0038]式(7)中，α为转移概率矩阵系数。
[0039]状态概率的预测公式为(8)(9)：
[0040]P
t
＝GP
t-1
ꢀꢀꢀꢀ
(8)
[0041][0042]式(9)中，为负荷预测值的估计值，P
j
为组合预测模型中各个对应模型的权重值，y
j
为i时刻负荷预测值。
[0043]进一步地，构建搜索引擎指数时间序列的趋势项函数，包括：
[0044]对逻辑回归函数进行修正，得到适用于搜索引擎指数的回归增长函数表达式为：
[0045][0046]其中，Q(t)为趋势项函数，A表示曲线的最大渐近值，c表示曲线的增长率,m表示曲线的中点，h表示时间；
[0047]进一步扩展成动态函数：
[0048][0049]其中，A(t)为曲线最大渐近值函数，δ、γ为增长率的变化量，a(t)为匹配维度的向量。
[0050]进一步地，构建搜索引擎指数时间序列的季节性函数，包括：
[0051][0052]特别地，当时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于搜索引擎指数的电力负荷预测方法，其特征在于，其包括以下步骤：S1，确定至少一个与预设地区电力负荷相关的搜索引擎关键词；S2，获取所述关键词在预定历史时间段内的搜索引擎指数；S3，获取相同历史时间段内所述预设地区的电力负荷数据；S4，使用Spearman秩相关检验分析所述预设地区的电力负荷与搜索引擎指数的关系，剔除相关系数低于预设阈值的搜索关键词；S5，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解；S6，构建搜索引擎指数时间序列的趋势项函数；S7，构建搜索引擎指数时间序列的季节性函数；S8，构建搜索引擎指数时间序列的节假日效应函数；S9，对与所述预设地区相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎指数的线性组合；S10，获取相同历史时间段内所述预设地区的天气数据，并使用基于粒子群优化算法的长短期记忆神经网络对未来时间段的天气数据进行预测，得到天气数据预测值；S11，基于所述趋势项函数、所述季节性函数以及所述节假日效应函数，使用长短期记忆神经网络分别对搜索引擎指数的趋势项、季节项和节假日项进行预测，将所述趋势项、季节项和节假日项相加得到搜索引擎指数的外推预测值；S12，基于果蝇优化算法的广义回归神经网络构建电力负荷数据预测模型，将所述历史时间段内所述预设地区的电力负荷数据、所述多维搜索引擎指数的线性组合、所述历史时间段内所述预设地区的天气数据作为所述电力负荷数据预测模型的训练集；用所述搜索引擎指数的外推预测值以及所述天气数据预测值作为输入量，对未来时间段的电力负荷数据进行预测。2.根据权利要求1所述的方法，其特征在于，所述Spearman秩相关检验的表达式为：其中，ρ
s
表示Spearman等级系数，U表示进行检验的电力负荷和搜索引擎指数数据的组数，表示第u组数据中电力负荷和搜索引擎指数数据的变量等级的差的平方，对于Spearman等级系数小于预设阈值的搜索关键词进行剔除。3.根据权利要求1所述的方法，其特征在于，构造基于马尔科夫链的广义加性模型，对搜索引擎指数的时间序列数据进行分解，包括：所述搜索引擎指数的时间序列数据的分解表达式为：Y＝Q+Z+J+∈
ꢀꢀꢀꢀꢀꢀ
(2)式(2)中，Y为总的搜索引擎指数；Q为趋势项，是一个表征搜索引擎指数发展趋势的非周期性单调函数；Z为周期项，表征搜索引擎指数时间序列的周期性特征；J为预设时间点影响项，可以根据具体情况设置，在其上搜索引擎指数会有阶跃式波动的离散时间点，表征节假日对搜索引擎指数时间序列的影响；∈为误差项；对搜索引擎指数的时间序列数据进行分解，具体包括：
用马尔科夫链拟合随机序列{x
t
：t＝1，2，
…
}的状态概率表达为式(3)：p
ii
＝p{X
t
＝j}
ꢀꢀꢀꢀ
(3)式(3)中，p
ii
为转移矩阵，p表示满足后续表达式的概率，X
t
为离散空间中的时间序列，j为预测方法序号，t为预测时段；状态概率分布的表达式为式(4)(5)：P
t
＝[P
t1
，P
t2
，
…
，P
tv
]
ꢀꢀꢀꢀꢀ
(4)式(4)中，p
t
为t时刻的转移概率矩阵，P
tv
为系统由状态t转化为状态v的概率；v是一个为表示系统状态序号而引入的符号；式(5)中，为P
tj
的估计值，s为可能发生转移的总次数，T为拟合时段，N为预测方法的种类；随机序列的一步转移概率矩阵的估计表达式为：B＝CG+E
ꢀꢀꢀꢀꢀꢀ
(6)式(6)中，B为随机序列的估计矩阵，C为输入变量矩阵，G为随机序列的一步转移概率矩阵，E为误差矩阵，B＝[P2，P3，
…
，P
T
]，C＝[P1，P2，
…
，P
T-1
]；E的估计的表达式为：E＝(B-CG)(B-αG)/(T-1)＝[BB-BC(CC)-1
CB]/(T-1)
ꢀꢀꢀꢀꢀ
(7)式(7)中，α为转移概率矩阵系数。状态概率的预测公式为(8)(9)：P
t
＝GP
t-1
ꢀꢀꢀꢀꢀ
(8)式(9)中，为负荷预测值的估计值，P
j
为组合预测模型中各个对应模型的权重值，y
j
为i时刻负荷预测值。4.根据权利要求1所述的方法，其特征在于，构建搜索引擎指数时间序列的趋势项函数，包括：对逻辑回归函数进行修正，得到适用于搜索引擎指数的回归增长函数表达式为：其中，Q(t)为趋势项函数，A表示曲线的最大渐近值，c表示曲线的增长率,m表示曲线的中点，h表示时间；进一步扩展成动态函数：其中，A(t)为曲线最大渐近值函数，δ、γ为增长率的变化量，a(t)为匹配维度的向量。5.根据权利要求1所述的方法，其特征在于，构建搜索引擎指数时间序列的季节性函
数，包括：特别地，当时间周期为年时，转为：其中，G表示相加项的个数，Z(t)表示季节性函数，M表示时间序列的周期，a
n
、b
n
分别为余弦函数和正弦函数的幅度。6.根据权利要求1所述的方法，其特征在于，构建搜索引擎指数时间序列的节假日效应函数包括：使用指示函数，设置一个参数用以限定所选节假日对搜索引擎指数的影响及适用范围，在这个影响及适用范畴中，进一步细分为前影响范围和后影响范围，节假日效应函数表达为：V(t)＝[1(t∈D1)，...，1(t∈D
L
)]
ꢀꢀꢀꢀꢀ
(14)F(t)＝V(t)k
ꢀꢀꢀꢀꢀ
(15)其中，D1，
…
,D
L
表示以第1到L个节假日为中心的邻域时间段，V(t)为回归矩阵；k为节假日影响范围参数，F(t)为节假日效应矩阵。7.根据权利要求1所述的方法，其特征在于，对与预测对象地点相关的多个搜索引擎关键词进行主成分分析，得出涵盖多维搜索引擎信息的线性组合，对所选的搜索关键词的搜索指数进行中心化，此过程的表达式为其中，x表示搜索关键词的平均搜索指数，x
(Λ)
表示搜索引擎指数时间序列中第Λ个数据，b为该搜索引擎指数出现的频数；计算表征指数特征的协方差矩阵，协方差矩阵的表达式为：H＝ψψ
T
ꢀꢀꢀꢀꢀꢀ
(17)式(17)中，H为协方差矩阵，ψ为n维随机变量；对式(17)的协方差矩阵进行特征值分解；指定一个降维后的主成分比重阈值介于0到1之间，定义特征值数量参数η，则η的表达式满足：其中...

【专利技术属性】
技术研发人员：窦春霞，吴昕宇，
申请(专利权)人：燕山大学，
类型：发明
国别省市：