【技术实现步骤摘要】
基于高性能的CIG混合模型的电力负荷区间预测方法
[0001]本专利技术属于短期电力负荷区间预测
,尤其涉及一种基于高性能的CIG混合模型的电力负荷区间预测方法。
技术介绍
[0002]由于实际情况存在多种多样的外部影响因素以及突发因素造成电力负荷点预测存在一定程度的偏差,而这将可能干扰电力决策的判断,从而导致风险性决策。近年来,越来越多的学者对正在萌芽的电力负荷区间预测领域进行探讨以及研究。良好的负荷区间预测结果能为电力决策人员提供更多的负荷信息,使其能够捕捉未来电力负荷浮动的大致范围,做出适当的电力决策。现有常用的区间预测策略有Bootstrap法,上下限区间预测方法(LUBE),分位数回归法(QR),基于人工智能的混合算法,概率预测法等。
[0003]近年来,多种预测方法在短期电力负荷区间预测中得到广泛应用与发展。1、Bootstrap是一种基于原样本进行有放回的重新抽样算法,经过Bootstrap获得若干组样本集,并对样本集分别进行预测,最后对预测结果进行统计学分析获得负荷区间预测结果;2、LUBE是一种新颖的、快速的、可靠的区间预测算法,并且该方法不需要任何预测区间(PI)的上下界信息来训练神经网络。该方法通过构造出一个双输出的神经网络(NN)来估计预测区间界。其中,神经网络的训练的目标函数为PI评价指标,并通过参数寻优算法优化神经网络参数达到目标函数最小化的目的;3、分位数回归是用于估计自变量与因变量分位数之间的线性关系,目前常被用于区间预测领域。但是,QR模型的线性拟合不够精确的问题;4、 ...
【技术保护点】
【技术特征摘要】
1.一种基于高性能的CIG混合模型的电力负荷区间预测方法,其特征在于:首先,利用基于CEEMDAN
‑
PE对电力负荷信号进行分解与重构;之后,基于区间预设准则对原信号进行区间预设;然后,利用IGWO
‑
GRU网络对主趋势信号与次要信号分别进行区间预测与点预测;最后,将主次信号的区间预测与点预测结果进行加和获得电力负荷区间预测结果;所述利用基于CEEMDAN
‑
PE对电力负荷信号进行分解与重构包括:对待分解的原始信号x进行CEEMDAN分解,对分解获得的IMF和RES分量进行排列熵分析,根据PE结构将具有相似复杂度的分量重构为一个分量;重构的分量表示为RC
n
(n=1,2,
…
,N);其中,RC
N
为主趋势信号,RC
n
(n=1,2,
…
,N
‑
1)为次要信号;所述基于区间预设准则对原信号进行区间预设所采用的准则如下式所示,分别对应节假日情况与非节假日情况:假日情况与非节假日情况:其中Interval
*up_RC
、Interval
*low_RC
分别为主趋势信号的预设区间上限与下限,nor(
·
)与renor(
·
)分别表示归一化函数与反归一化函数,T
act
为电力负荷真实值,γ、η∈[0,1]均为缩放系数,μ∈[0,1/2]为控制系数;所述利用IGWO
‑
GRU网络对主趋势信号与次要信号分别进行区间预测与点预测具体为:将主趋势信号的预设区间上限与下限的相关特征数据分别输入至两组不同的GRU网络模型,由此对主趋势信号区间的上限与下限分别进行预测,并由IGWO参数寻优算法,依据训练结果的MAPE值对GRU网络参数进行整定;再采用IGWO
‑
GRU模型对剩余的次要信号进行负荷点预测;所述IGWO参数寻优算法原理如下所示:采用对立学习算法增加初始化种群的多样性:假设随机初始化种群P
’
u
×
v
其中,u表示种群个体数,v表示待寻优参数的维度,根据下式计算出初始种群P
’
的对立种群P”;其中lb
v
表示第v个待寻优参数的下限,ub
v
表示第v个待寻优参数的上限;将初始种群与对立种群共2U个种群个体中,前U个适应度最优的种群个体作为最终的初始化种群,记为P
u
×
v
;确定最终的初始化种群后,对种群中的每个个体进行位置更新;对领导狼,采用随机游走方法进行更新;其位置更新方式如下式所示:p
e
(t+1)=p
e
(t)+a
rm
(t)
·
cd(t)(e=α,β,δ)其中p
e
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。