一种基于优化RBF的7日电力负荷峰值预测方法技术

本发明专利技术提供了一种基于优化RBF的7日电力负荷峰值预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用遗传算法对RBF网络进行参数优化，确定适用在本发明专利技术的电力负荷峰值预测中RBF网络的中心向量、中心点宽度和权重这三个参数的最优值，并将训练集作为输入，基于优化的RBF网络来预测未来7日的电力负荷峰值，根据模型输出的7天的电力负荷峰值与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明专利技术的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。

【技术实现步骤摘要】
一种基于优化RBF的7日电力负荷峰值预测方法
本专利技术涉及电力系统规划和调度等领域，具体涉及一种基于优化RBF的7日电力负荷峰值预测方法。
技术介绍
伴随着电力设备的各方面影响，使得电力负荷预测有着极高的商业和研究价值。准确地预测短期的电力负荷，能够使电力公司及时调整负荷设备，减少资源浪费，提高性能和电力网络的稳定性。电力负荷预测其本质是寻找负荷数据集之间的隐含关系，利用已知的离散数据建立拟合模型，推测未来某一时刻或某一时间段内的数据值。短期电力负荷预测技术一般主要用来预测未来1天至1周的电力负荷，其预测的精度直接影响到电力市场下各运营商的经济成本,因而在现代电力需求侧管理当中占有重要地位。目前有关短期电力负荷预测的研究已经小有建树，但所用方法针对性较强，普适性较差。因此短期电力负荷研究仍然面临部分问题：(1)数据源异构且维度差异较大，在采集数据时，数据结构不同，数据精度也存在差异；此外，负载数据的维度可能会包含风力、湿度、温度等其他可能影响负荷的因素，导致各地区之间的数据维度差异较大；(2)时序性的负荷数据之间的关系复杂，预测难度较本文档来自技高网...

【技术保护点】
1.一种基于优化RBF的7日电力负荷峰值预测方法，其特征在于，包括如下步骤：/n步骤S1、获取历史电力负荷数据集；/n步骤S2、数据分析：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑；/n步骤S3、数据预处理：/n步骤S31、补齐缺失数据：负荷值应该为正整数，若为负数或“0”，则视为数据丢失，利用前一天当前时刻的负荷值与当天前一时刻的负荷值组合的方式处理缺失数据，具体公式如下：/nX(d,t)＝aX(d-1,...

【技术特征摘要】
1.一种基于优化RBF的7日电力负荷峰值预测方法，其特征在于，包括如下步骤：
步骤S1、获取历史电力负荷数据集；
步骤S2、数据分析：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑；
步骤S3、数据预处理：
步骤S31、补齐缺失数据：负荷值应该为正整数，若为负数或“0”，则视为数据丢失，利用前一天当前时刻的负荷值与当天前一时刻的负荷值组合的方式处理缺失数据，具体公式如下：
X(d,t)＝aX(d-1,t)+a′X(d,t-1)(1.1)
其中，X(d,t)表示d日期t时刻的电力负荷数据值，a、a′分别表示对应的数据的权重；
步骤S32、处理异常数据：利用电力负荷数据的周期性特性进行垂直和水平两个方面上的异常数据的排查与修正，其中，
垂直处理方法：利用负荷数据与前一天同一时刻的历史数据有较强的关联性，根据当前数据与前一天同一时刻的历史数据进行误差计算，若超过阈值，则根据当天负荷平均值与前一天当前历史数据值按比例计算后进行替换；具体计算过程如下：
首先判断当前数据是否是异常数据，计算：
|(X(d,t)-X(d-1,t))/X(d,t)|＝θ1(t)(1.2)
θ1(t)＞ρ1(1.3)
其中X(d,t)表示d日期t时刻的电力负荷数据值，θ1(t)为数据间的绝对变化率，ρ1为阈值，若θ1(t)超过阈值ρ1，表示当前为异常数据；否则表示为正常数据；对异常数进行垂直处理按照式1.4和式1.5进行：
X(d,t)＝b1X(d-1,t)+b2X(d+1,t)+b3K(d-1)+b4K(d+1)(1.4)



其中为b1、b2、b3、b4为权重，K(d)为日期d的平均负荷值，n为[0,24]的正整数；对电力负荷数据集中相邻两天同一时刻的数据按照式1.2计算θ1(t)，得到θ1(t)取值范围，θ1(t)大于1时则表示负荷数据较上一天同一时刻增长或减少逾1倍，根据θ1(t)的取值分布和电力负荷数据特征，确定ρ1的值；
水平处理方法：根据相邻两个时刻的负荷值进行误差判定，若相差超过一定阈值，则判定为误差数据，根据负荷曲线的连续性，将其替换为相邻数据的平均值，具体计算过程如下：
若d日期t时刻的电力负荷数据值与相邻负荷值计算绝对误差：



判断绝对误差是否在阈值范围内：



若式1.7中任意一个判断成立，则该点为异常点，需要按照式1.8进行水平平滑处理；若式1.7中皆不成立，则为正常数据；



其中，X(d,t)表示d日期t时刻的电力负荷数据值，θ2(t)、θ3(t)为当前时刻分别与前、后时刻的误差变化率，ρ2为阈值；根据式1.6对原始电力负荷数据进行前后时刻误差变化率计算，根据θ2(t)、θ3(t)的取值范围和分布情况，得到阈值ρ2；
步骤S33、数据标准化：对完成缺失、异常处理后的数据集进行z-score标准化处理；
步骤S4、划分数据集为训练集和验证集；
步骤S5、优化RBF神经网络电力负荷日峰值预测模型：基于GA算法对RBF神经网络进行参数优化，得到优化RBF神经网络模型电力负荷日峰值预测模型；待优化参数包括：中心向量、中心点宽度和权重；
参数优化流程如下：
S51：将RBF神经网络中的待优化参数进行初始化，采用实数方式对其编码，使其变为长度为10的染色体序列；
S52：确定遗传算法中个体的适应度函数，利用预测与验证数据之间的均方根误差作为个体的适应度值，适应度函数的计算方式如下：



其中，N为预测数据集大小，xi′为预测数据，yi为验证数据；
S53：初始化遗传算法中的概率pc、概率pm，种群数量，确定自适应度值函数；
S54：以概率pc对当前种群中的染色体进行交换产生子代染色体，未进行交换的染色体直接进行复制；
S55：以概率pm根据当代染色体突变为子代染色体，并将新的个体插入种群中；
S56：计算个体的适应度值，若达到跳出条件则进行下一步，否则跳转到S55；
S57：输出遗传算法中的最优解，将其解码，将所得值作为RBF网络的参数；
步骤S6、利用训练集作为输入，至优化RBF神经网络模型电力负荷日峰值预测模型，模型预测输出为7天的电力负荷峰值；再根据模型输出的7天电力负荷峰值与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，计算得到模型的预测准确度。


2.根据权利要求1所述的基于优化RBF的7日电力负荷峰值预测方法，其特征在于，步骤S33具体为：利用原始数据的均值和标准差进行数据标准化，需要首先计算样本的均值和标准差，具体计算方法如下：









其中，x表示原始数据值，xi′表示归一化后数据值，表示原始样本的均值，δ表示原始样本的标准差。


3.根据权利要求1所述的基于优化RBF的7日电力负荷峰值预测方法，其特征在于，遗传算法的具体迭代步骤如下:
(1)将特征进行编码，一组特征对应一个染色体，染色体即为对应的解；
(2)初始化染色体，设置染色体数量；
(3)计算个体的适应度值；
(4)交换：由交换概率pc选择两个染色体作为父代进行交换，交换的部分为两者相异的部分，产生子代染色体；
(5)选择：根据适应度值，从当前种群中选择优良个体进行下一代繁殖，使得最优的前几个解均被保留在种群中；
(6)变异：以较小的概率pm随机改变染...

【专利技术属性】
技术研发人员：张程，刘桂岑，曹宇佳，陈柯芯，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50