一种基于粒子群算法的配电台区售电量精准预测方法技术

本发明专利技术公开了一种基于粒子群算法的配电台区售电量精准预测方法，包括以下步骤：S1、获取台区售电历史数据并进行处理；S2、将历史数据分成训练组数据和测试组数据，并对历史数据进行分类，同时将分类后的数据依照日期进行整理排序；S3、通过粒子群算法选取相应的独立分类项，并根据分类项和训练组数据建立预测模型；S4、通过测试组数据对预测模型进行测试，了解计算偏差并进行修正。本发明专利技术通过对台区以往售电量的获取和处理，从而便于精准计算出各独立项对售电量的影响，同时能很好的结合相应技术手段，获取预测期限内各独立项的情况，便于为预测提供精准的技术保障，便于提高预测的精准度。准度。准度。

【技术实现步骤摘要】
一种基于粒子群算法的配电台区售电量精准预测方法


[0001]本专利技术涉及台区售电量预测
，尤其涉及一种基于粒子群算法的配电台区售电量精准预测方法。

技术介绍

[0002]粒子群算法，也称粒子群优化算法，是近年来发展起来的一种新的进化算法，粒子群算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，该算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。由于没有遗传算法的交叉、变异，粒子群算法更容易实现。
[0003]对台区售电量进行分析预测，能够帮助供电企业调整供电计划，优化供电结构，符合构建节约型社会、促进节能减排的发展理念。因此，建立有效的台区售电量预测模型一直以来都是电力领域的研究热点。
[0004]台区售电量通常受到用户用电行为、负荷变化、季节变化、节假日等多种因素的叠加影响，从而导致其时间序列呈现出不平稳的变化趋势，常用的预测模型有：支持向量机、随机森林算法和神经网络等，但由于没有对电量数据进行合理的细化分解，导致未能考虑多种叠加因素对电量数据的影响，因此预测效果通常欠佳，所以需要进行改进。

技术实现思路

[0005]本专利技术的目的是为了解决常用的预测模型有：支持向量机、随机森林算法和神经网络等，但由于没有对电量数据进行合理的细化分解，导致未能考虑多种叠加因素对电量数据的影响，因此预测效果通常欠佳的不足，而提出的一种基于粒子群算法的配电台区售电量精准预测方法。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于粒子群算法的配电台区售电量精准预测方法，包括以下步骤：
[0008]S1、获取台区售电历史数据并进行处理；
[0009]S2、将历史数据分成训练组数据和测试组数据，并对历史数据进行分类，同时将分类后的数据依照日期进行整理排序；
[0010]S3、通过粒子群算法选取相应的独立分类项，并根据分类项和训练组数据建立预测模型；
[0011]S4、通过测试组数据对预测模型进行测试，了解计算偏差并进行修正，通过测试数据对修正后的预测模型再次进行测试，并进一步进行改进，获取最终模型；
[0012]S5、通过最终模型实现预测期限内的售电量精准预测。
[0013]优选地，其特征在于：所述S3中的粒子群算法包括以下步骤：
[0014]S1、初始化粒子的速度和位置；
[0015]S2、计算粒子的适应值；
[0016]S3、获得个体最优值和全局最优解；
[0017]S4、选择是否输出，选择否更新新的例子速度和位置，并从S2重新开始，选择是结束。
[0018]优选地，所述S3中的独立分类项包括：天气项特征、温度项特征、风力项特征、节假日项特征、台区内商业用电数据、台区内工业用电数据、台区内居民用电数据。
[0019]优选地，所述S1中售电历史数据处理方法为：补全采样时间点保证其连续性，得到台区电量时间序列。
[0020]本专利技术的有益效果是：
[0021]1、通过粒子群算法能很好的提升测算的精准度，从而便于提高台区售电量预测的准确性，具有很好的适用性，提升模型的质量，为台区售电量的精准预测和管理提供理论和实践支撑；
[0022]2、多通过采用粒子群算法，从而便于选择多种独立分类项，能很好的综合性进行考虑，进一步的提升预测的精准度；
[0023]综上所述，本专利技术通过对台区以往售电量的获取和处理，从而便于精准计算出各独立项对售电量的影响，同时能很好的结合相应技术手段，获取预测期限内各独立项的情况，便于为预测提供精准的技术保障，便于提高预测的精准度。
附图说明
[0024]图1为本专利技术提出的一种基于粒子群算法的配电台区售电量精准预测方法的步骤图；
[0025]图2为本专利技术提出的一种基于粒子群算法的配电台区售电量精准预测方法的粒子群算法步骤图；
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0027]参照图1
‑
2，一种基于粒子群算法的配电台区售电量精准预测方法，包括以下步骤：
[0028]S1、获取台区售电历史数据并进行处理，售电历史数据处理方法为：补全采样时间点保证其连续性，得到台区电量时间序列，尽可能的获取台区所能获得的所有信息状态，并且根据日期进行归类整理，且根据情况列出折线图，如果存在信息缺失，则依照相应算法进行推算补全；
[0029]S2、将历史数据分成训练组数据和测试组数据，将数据进行分类，从而便于根据实际情况进行分类，并对历史数据进行分类，同时将分类后的数据依照日期进行整理排序，便于使用；
[0030]S3、通过粒子群算法选取相应的独立分类项，并根据分类项和训练组数据建立预测模型，独立分类项包括：天气项特征、温度项特征、风力项特征、节假日项特征、台区内商业信息数据、台区内工业信息数据、台区内居民信息数据，通过相应算法计算出个独立分类项对电量的影响，并且通过训练组数据进行训练，计算出各独立分类项对于用电量的影响，通过多组数据进行训练，计算出最优权重；
[0031]S4、通过测试组数据对预测模型进行测试，了解计算偏差并进行修正，通过测试组数据对训练组数据计算得出的最优权重再次进行修正，通过测试数据对修正后的预测模型再次进行测试，并进一步进行改进，获取最终模型；
[0032]S5、通过最终模型实现预测期限内的售电量精准预测，计算得出台区售电量。
[0033]参照图2，S3中的粒子群算法包括以下步骤：
[0034]S1、初始化粒子的速度和位置，需要设置以下几项：
[0035]迭代次数
[0036]群体规模N，一般取20
‑
60，复杂问题取100
‑
200；
[0037]N过小，容易陷入局部最优；N过大，优化能力很好，但收敛速度慢；
[0038]最大速度Vm，最小速度
‑
Vm，一般为每一维度变量变化范围的10％
‑
30％；
[0039]作用在于维护算法的探索能力与开发能力的平衡；
[0040]较大，增强了全局搜索能力，但粒子容易飞过目标区域，导致局部搜索能力下降；
[0041]较小，开发能力增强，但会极大地增加全局搜索的时间，容易陷入局部最优；
[0042]变量取值范围Xm，
‑
Xm；
[0043]认知常数(学习因子、加速度常数)c1 c2。c1＝c2，取0
‑
4之间，通常取2；
[0044]c1＝0，丧失群体多样性，易陷入局优而无法跳出；
[0045]c2＝0，由于个体之间没有信息的交流，整个群体相当于多个粒子进行盲目的随机搜索，收敛速度慢，因而得到最优解的可能性小；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群算法的配电台区售电量精准预测方法，其特征在于，包括以下步骤：S1、获取台区售电历史数据并进行处理；S2、将历史数据分成训练组数据和测试组数据，并对历史数据进行分类，同时将分类后的数据依照日期进行整理排序；S3、通过粒子群算法选取相应的独立分类项，并根据分类项和训练组数据建立预测模型；S4、通过测试组数据对预测模型进行测试，了解计算偏差并进行修正，通过测试数据对修正后的预测模型再次进行测试，并进一步进行改进，获取最终模型；S5、通过最终模型实现预测期限内的售电量精准预测。2.根据权利要求1所述的一种基于粒子群算法的配电台区售电量精准预测方法，其特征在于：所述S3中的粒子...

【专利技术属性】
技术研发人员：沈杰，李大任，周泰斌，周扬，葛宇达，陈茂佳，甘泽鸿，黄光群，
申请(专利权)人：国网浙江省电力有限公司温州市洞头区供电公司，
类型：发明
国别省市：