一种电力负荷预测方法及装置制造方法及图纸

本发明专利技术涉及电力负荷预测技术领域，具体提供了一种电力负荷预测方法及装置，旨在解决常用的组合预测方法中权重的设定方法比较简单单一的技术问题。包括：将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；基于预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；本发明专利技术通过将PSO

【技术实现步骤摘要】
一种电力负荷预测方法及装置


[0001]本专利技术涉及电力负荷预测领域，具体涉及一种电力负荷预测方法及装置。

技术介绍

[0002]在以往负荷预测模型中，可以利用空间分布分析法，即对不同类型区域的用电模式和其相应的负荷密度进行分析，由此可得目标区域未来发展的负荷预测状况。对于以往的负荷预测模型只是对于某一特定影响因素，对于新的背景之下的各类影响因素，传统的负荷预测模型无法完成。已有研究大多是针对某一特定的区域能源系统进行建模，对区域能源互联网系统中各类典型物理设备及其数学模型并未进行系统性的梳理和总结。此外电力企业正在经历能源互联网和“电能替代”的考验，因此寻求基于新背景下的新型负荷预测模型尤为重要。
[0003]传统的电力负荷预测是电力系统能量管理系统的重要组成部分。有关负荷预测的研究，目前外已经取得一定的成果，到目前为止，研究人员开发了不同的需求预测技术。已有的负荷预测方法主要包括传统的预测方法和新近发展起来的智能预测方法，其中传统的预测方法以经典数学为理论依据，现代智能预测方法以智能技术为依托。传统的预测方法主要有：基于时间序列的预测方法、指数平滑法、回归分析法等；现代智能预测方法主要有：支持向量机、专家系统法、模糊预测法、人工神经网络预测法、小波分析法、组合预测方法等。
[0004]支持向量机(SVM)是一种基于统计学习理论提出的能实现在有限样本条件下满足VC维理论和结构风险最小原理的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点。但其自选参数和核函数的选择,通常情况下主要靠经验确定,有较大的人为因素。同时,其缺乏对模糊现象的处理能力,模型误差会造成回归值和实际值的差距。人工神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统，典型的人工神经网络存在着难以设置学习参数、收敛缓慢及收敛到局部极小,网络结构难以确定等缺陷。常用的组合预测方法中权重的设定方法比较简单单一，并没有考虑到被组合方法之间的不同特点。

技术实现思路

[0005]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决常用的组合预测方法中权重的设定方法比较简单单一的技术问题的电力负荷预测方法及装置。
[0006]第一方面，提供一种电力负荷预测方法，所述电力负荷预测方法包括：
[0007]将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
[0008]基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
[0009]其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
[0010]优选的，所述预先建立的支持向量机/预先建立的BP神经网络模型的建立过程包括：
[0011]利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；
[0012]利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。
[0013]优选的，所述最终电力负荷预测结果的计算式如下：
[0014][0015]上式中，为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，y
PSO
‑
SVM
为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，y
PSO
‑
BP
为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
[0016]进一步的，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：
[0017]步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率P
c
、变异概率P
m
和置终止进化准则，随机产生M个个体作为初始种群X(0)；
[0018]步骤b.计算或估价X(t)中各个体的适应度；
[0019]步骤c.从X(t)中运用选择算法选择出B/2对母体；
[0020]步骤d.对所选择的B/2对母体，依概率P
c
执行交叉形成B个中间个体；
[0021]步骤e.对B个中间个体分别独立依概率P
m
执行变异，形成B个候选个体；
[0022]步骤f.从所述B个候选个体中依适应度选择出M
t
个个体组成新一代种群X(t+1)。
[0023]步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c。
[0024]其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
[0025]进一步的，所述个体的适应度的计算式如下：
[0026][0027]上式中，f
j
为第j个个体的适应值，为第j个个体作为所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重后确定的最终电力负荷预测结果，h为电力负荷历史实际值。
[0028]进一步的，所述选择算法为轮盘赌算法，第j个个体的选择概率P
j
的计算式如下：
[0029][0030]第二方面，提供一种电力负荷预测装置，所述电力负荷预测装置包括：
[0031]初始预测模块，用于将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
[0032]最终预测模块，用于基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
[0033]其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
[0034]优选的，所述最终电力负荷预测结果的计算式如下：
[0035][0036]上式中，为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，y
PSO
‑
SVM
为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，y
PSO
‑
BP
为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
[0037]进一步的，所述预先建立的BP神经网络模型对应的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，所述方法包括：将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。2.如权利要求1所述的方法，其特征在于，所述预先建立的支持向量机/预先建立的BP神经网络模型的建立过程包括：利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。3.如权利要求1所述的方法，其特征在于，所述最终电力负荷预测结果的计算式如下：上式中，为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，y
PSO
‑
SVM
为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，y
PSO
‑
BP
为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。4.如权利要求3所述的方法，其特征在于，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率P
c
、变异概率P
m
和置终止进化准则，随机产生M个个体作为初始种群X(0)；步骤b.计算或估价X(t)中各个体的适应度；步骤c.从X(t)中运用选择算法选择出B/2对母体；步骤d.对所选择的B/2对母体，依概率P
c
执行交叉形成B个中间个体；步骤e.对B个中间个体分别独立依概率P
m
执行变异，形成B个候选个体；步骤f.从所述B个候选个体中依适应度选择出M
t
个个体组成新一代种群X(t+1)；步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c；其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。5.如权利要求4所述的方法，其特征在于，所述个体的适应度的计算式如下：
上式中，f
j
为第j个个体的适应值，为第j个个体作为所述预先...

【专利技术属性】
技术研发人员：翁格平，任娇蓉，裴传逊，许家玉，叶晨，何彬彬，刘媛，刘宇静，
申请(专利权)人：北京隐山科技有限公司，
类型：发明
国别省市：