一种基于负荷预测的智能电力缉查方法技术

本发明专利技术提出一种基于改进飞蛾扑火算法

An intelligent power detection method based on load forecasting

【技术实现步骤摘要】
一种基于负荷预测的智能电力缉查方法


[0001]本专利技术的技术方案属于电力稽查
，具体地说是一种基于改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)的负荷预测模型进行电力稽查的方法。

技术介绍

[0002]当今社会人们的用电需求不断增加，电力部门的用电稽查难度也在不断加大，不少用户为节省开支采用修改线路、高科技窃电装置和改变电能表性能等方式，给电力企业造成了大量经济损失。此外，在一些用电不集中的地区安装相应的稽查设备缺乏经济性，人力稽查又效率低、浪费资源，这些问题都加大了电力稽查工作的难度。因此研究成本较低的新型电力稽查方式成为当前迫切需要解决的问题。
[0003]由于欧美国家经济发展较快，电力稽查方面的改革也有较早的历史。美国作为经济发达国家，绝大部分电力部门都建立了自动化程度较高的电力稽查系统；欧洲的英法德等国家也较早的进行了电力企业的改革，其电力稽查体系更加完整，稽查效率也更高。国内由于发展较晚，相应的电力稽查系统和制度还不太完善。为了提高服务质量，国家电网在2019年建立了大数据中心，有助于建立新型的电力稽查方式和推动电网业务的发展。
[0004]目前国内外常采用的电力稽查方式是根据用户的用电情况，包括有功功率、无功功率、电压、电流、用电量以及湿度、温度、时间等环境参数，对用户用电进行分析。近年来随着科技的飞速进步，以计算机技术和通信技术为代表的信息技术正在促使电网向数字信息化的方向发展，其中大数据技术得到了广泛应用，利用大数据对用户进行智能分析监测可以降低电网相关工作人员的工作难度，提高准确性。由于电力稽查实际上是对用户负荷量进行分析，得出用电负荷曲线，并与其它方法结合进行监测分析的，而目前对于负荷量的分析大多数都结合了智能算法。在早期的研究中，学者们使用模糊聚类分析中的K
‑
means聚类算法、贝叶斯信息准则(BIC)、加权皮尔逊距离和支持向量机模型来对负荷曲线进行整合和分析、提高聚类分析和长短期记忆网络中模式识别的精度以及利用支持向量机的分类功能对负荷出现较大偏差的用户进行深度检测。但是模型预测精度以及检测精度都尚有提高的空间。
[0005]因此，目前亟需一种可以提高用电稽查精度的方法，实现根据实时环境的电力负荷曲线预测结果并与实际的负荷曲线进行对比，精确筛选出数据异常点与疑似异常点，便于电力部门进一步检测情况。

技术实现思路

[0006]本专利技术所要解决的技术问题是：提供一种基于负荷预测的智能电力稽查方法，针对目前负荷检测和用电稽查精度不够高的问题，提出了一种改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)的负荷预测模型进行电力缉查，该模型是为了精确地对用电负荷数据进行预测，通过与用户实际用电功率进行对比，进而快速、高效地筛选出用户用电异常数据点。本专利技术将飞蛾扑火算法(MFO)与极限学习机(ELM)相结合，利用飞蛾扑火算法(MFO)对极
限学习机(ELM)的权重和阈值进行初始化，提出改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)的负荷预测模型，使用混沌映射来初始化飞蛾扑火算法(MFO)种群，并修改线性递减权重的迭代更新公式，使算法更快的收敛到最优值，减少了算法的计算量，避免陷入局部最优；本专利技术所提出的改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)的负荷预测模型可有效缩小用电稽查范围，通过稽查值与实际值相对误差的对比可直接、有效地在海量用电数据中找出异常数据，有助于电力缉查工作的快速、高效推进，弥补了现有方法中稽查精度以及稽查效率低的不足。
[0007]本专利技术解决该技术问题所采用的技术方案是：一种基于负荷预测的智能电力缉查方法，具体地说是一种基于改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)的负荷预测模型进行电力稽查的方法，其具体步骤如下：
[0008]步骤一，训练IMFO
‑
ELM模型
[0009](1.1)利用已知数据确定测试样本和训练样本
[0010]将待稽查地区已知非异常用户负荷数据进行分割，将数据分为训练样本和预测样本，所述非异常用户指该用户没有异常用电行为，训练样本用来训练IMFO
‑
ELM模型，预测样本用来检验训练后IMFO
‑
ELM模型的预测效果。
[0011](1.2)设置改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)模型的相关参数
[0012]设置改进飞蛾扑火算法(IMFO)初始参数：最大迭代次数max_It、当前迭代次数It、飞蛾种群规模N等。而极限学习机(ELM)的初始参数即权重和阈值在本专利技术中是由改进飞蛾扑火算法(IMFO)优化迭代而来，故无需初始化此参数。
[0013](1.3)引入混沌映射来初始化飞蛾扑火算法(MFO)的种群
[0014]引入混沌映射来初始化飞蛾扑火算法(MFO)的种群，提升算法的性能，使算法能够更快的收敛到最优值，减少算法的计算量，避免陷入局部最优的问题，混沌映射具体表达式如下：
[0015]pos
i
＝pos
max
+M
i
(pos
max
‑
pos
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016]其中pos
max
表示搜索空间的最大值，pos
min
代表搜索空间的最小值，M
i
是第i个个体对应的混沌因子。
[0017](1.4)计算种群适应度值并更新飞蛾和火焰的位置
[0018]由于极限学习机(ELM)模型的权重和阈值需要初始化操作，在训练时保持一个定值，但随机初始化会对计算的速度和精度产生影响，因此在本专利技术中使用改进飞蛾扑火算法(IMFO)对初始参数进行优化。
[0019]在改进飞蛾扑火算法(IMFO)中，飞蛾的位置定义为待解决的问题，火焰被定义为飞蛾搜索到的局部最优位置，通过更新迭代过程中飞蛾的位置来搜寻最优解。飞蛾的位置表达式如下：
[0020][0021]式中，pmo
N，D
表示第N个飞蛾在第D维空间上的位置，N代表飞蛾种群的规模，D是飞蛾表示的问题的维数。将飞蛾的位置代入适应度函数中，所得飞蛾的适应度矩阵如下式：
[0022][0023]式中，是第N个飞蛾所对应的适应度。同理每一个飞蛾在飞行时都对应一个火焰，火焰的位置矩阵和适应度矩阵如下式：
[0024][0025][0026]其中，POS
fla
是火焰对应的位置矩阵，fla
i，j
对应第i个火焰在第j维空间上的位置；Fit
fla
是火焰位置对应的适应度矩阵，矩阵里每一个向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷预测的智能电力稽查方法，其特征在于是利用改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)模型进行用电负荷预测，通过预测值与实际值对比进行电力缉查，其步骤如下：步骤一，训练IMFO
‑
ELM模型(1.1)利用已知数据确定测试样本和训练样本将已知非异常用电负荷数据进行分割，将数据分为训练样本和预测样本，所述非异常用户指该用户没有异常用电行为，训练样本用来训练IMFO
‑
ELM模型，预测样本用来检验训练后IMFO
‑
ELM模型的预测效果；(1.2)设置改进飞蛾扑火算法
‑
优化极限学习机(IMFO
‑
ELM)模型的相关参数设置改进飞蛾扑火算法(IMFO)初始参数：最大迭代次数max_It、当前迭代次数It、飞蛾种群规模N等，而极限学习机(ELM)的初始参数即权重和阈值在本发明中是由改进飞蛾扑火算法(IMFO)优化迭代而来，故无需初始化此参数；(1.3)引入混沌映射来初始化飞蛾扑火算法的种群引入混沌映射来初始化飞蛾扑火算法的种群，提升算法的性能，使算法能够更快的收敛到最优值，减少算法的计算量，避免陷入局部最优的问题，混沌映射具体表达式如下：pos
i
＝pos
max
+M
i
(pos
max
‑
pos
min
)
ꢀꢀ
(1)其中pos
max
表示搜索空间的最大值，pos
min
代表搜索空间的最小值，M
i
是第i个个体对应的混沌因子；(1.4)计算种群适应度值并更新飞蛾和火焰的位置由于极限学习机(ELM)模型的权重和阈值需要初始化操作，在训练时保持一个定值，但随机初始化会对计算的速度和精度产生影响，因此在本发明中使用改进飞蛾扑火算法(IMFO)对初始参数进行优化；在IMFO中，飞蛾的位置定义为待解决的问题，火焰被定义为飞蛾搜索到的局部最优位置，通过更新迭代过程中飞蛾的位置来搜寻最优解，飞蛾的位置表达式如下：式中，pmo
N，D
表示第N个飞蛾在第D维空间上的位置，N代表飞蛾种群的规模，D是飞蛾表示的问题的维数，将飞蛾的位置代入适应度函数中，所得飞蛾的适应度矩阵如下式：式中，是第N个飞蛾所对应的适应度，同理每一个飞蛾在飞行时都对应一个火焰，火焰的位置矩阵和适应度矩阵如下式：
其中，POS
fla
是火焰对应的位置矩阵，fla
i，j
对应第i个火焰在第j维空间上的位置；Fit
fla
是火焰位置对应的适应度矩阵，矩阵里每一个向量是一个火焰位置对应的适应度，每一次迭代飞蛾和火焰的位置都在不一样的更新，即更新策略是不同的，飞蛾以螺旋向火焰运动，并且在飞行过程中不能超过搜索空间，该位置更新公式如下式：pmo
i
＝Dis
i
*e
bt
*cos(2πt)+fla
j
ꢀꢀ
(6)其中，b是定义的螺旋因子；fla
j
是第j个火焰对应的位置；Dis
i
是第i个飞蛾和火焰之间的距离；用t来定义飞蛾和火焰距离的大小，当t值取1时，飞蛾距离火焰最远，当t的值取
‑
1时，飞蛾距离火焰最近，t的数学表达式如下式：t＝(a
‑
1)*rand+1
ꢀꢀ
(7)式中，用rand来表示0
‑
1之间的随机数，a随着算法迭代次数线性递减，a的数学模型如下式：其中It是当前的迭代次数，max_It表示最大的迭代次数；由于参数a影响的t会对飞蛾和火焰的位置更新造成影响，在实际过程中，a在迭代的后期应该小一点并且变化的慢一点，以增加局部搜索能力，因此在本发明中，参数a的数学模型公式修改如下式：根据适应度值更新当前飞蛾和火焰的位置，将更新后的飞蛾位置与火焰位置按适应度值进行重新排序，选取适应度值更优的空间位置更新为下一代火焰的位置；同时，考虑到飞蛾始终根据火焰来进行位置更新会降低搜寻全局最优解的能力，为了保证IMFO具有更高的收敛速度以及更优的全局搜索能力，飞蛾扑火算法对于火焰数量采取了自适应更新机制，火焰数量会随着迭代的增加自适应地进行减少，数学表达式如下：其中，s
n
为自适应火焰减少数目，N为最大火焰数目，It为当前迭代次数，max_It为最大迭代次数；(1.5)判断是否终止改进飞蛾扑火算法(IMFO)并将该算法找到的权重和阈值输送到极限学习机(ELM)模块判断是否当前迭代次数It与所设置的最大迭代次数max_It相等，若不相等，则进行下一轮迭代，否则将经过改进的飞蛾扑火算法(IMFO)得到的最优的极限学习机(ELM)模型权重和阈值输送到极限学习机(ELM)模块等待训练；(1.6)利用训练样本训练极限学习机(ELM)模型的参数βELM网络结构由输入层、隐含层和输出层组成，其中输入层包含n个神经元，隐含层包含1个神经元，输出层包含m个神经元；设置有P个训练样本(x
i
，h
i
)，其中x
i
表示第i个数...

【专利技术属性】
技术研发人员：李玲玲，李昊鹏，田雪松，邹禹平，王欣，陈莹，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：