基于BR-SOM聚类算法的配电网短期负荷预测模型建立方法技术

本发明专利技术涉及配电网短期负荷预测技术领域，具体为一种基于BR

【技术实现步骤摘要】
基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法


[0001]本专利技术涉及配电网短期负荷预测
，具体为一种基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法，提高配电网短期负荷预测能力。

技术介绍

[0002]随着经济水平的快速发展，各工业领域对用电量的需求也持续上升。为充分满足电力系统内各用户端对电力使用需求量的增长，需对电力负荷进行准确预测，从而提前做好电力供应准备。其中，短期负荷预测在当前电力网络调度过程中发挥了重要作用，实际预测误差将会直接影响全网系统的发电与供电预期安排。考虑到当前大部分电力用户都对供电能力提出了越来越高的标准，需达到稳定、经济、高质量的多方面要求，在电网实时运行过程中会产生大量数据，并且存在多维度信息交错的特征，为了对这些数据进行高效分析，需选择具备优异聚类性能的模型。以传统数据挖掘模型进行分析时无法达到可视化的效果，严重制约了挖掘深度信息的过程。
[0003]人工神经网络技术在不同预测尺度的负荷预测中均有良好的发展及应用。也有采取不同的优化技术对传统的BP神经网络进行改进，包括模拟退火算法、猫群优化算法、遗传算法以及蝙蝠优化算法等，并对改进后的网络预测精度提升情况进行了应用评估。此外，启发式及其改进算法在优化BP神经网络初始值及各项权值中也得到了广泛的应用。典型的BP神经网络虽然结构简单，非线性回归拟合能力良好，但其信息主要通过单一的前向传递与反向修正进行交互，容易忽略历史信息中的精细特征；并且BP网络适应性不强，容易出现过拟合的情形，预测结果往往不能令人满意。毛力综合运用结构风险最小理论以及最小二乘向量机对神经网络进行了优化。此外还有研究人员利用权重神经网络构建了特征映射网络(SOM)，通过对特征提取过程进行优化的方式来消除主观盲目性产生的影响，从而适应更大范围维数陷阱的条件，显著提升了聚类分析性能，同时也获得了更精确的模型预测结果。根据以上研究结果，本专利技术采用贝叶斯正则化方法构建SOM聚类算法。

技术实现思路

[0004]本专利技术目的是提供一种基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法，提高配电网短期负荷预测能力,通过非线性拟合的方式计算出多维数据的统计特征，同时还可以确保初始高维数据达到良好的拓扑性，由此实现可视化的效果。首先按照输入与输出两种结构层对SOM模型进行分类，再以权重向量完成各层神经元的连接，最终通过改进的贝叶斯学习算法建模。即将单一传统模型与单一智能模型进行组合，利用各种模型提供更多的信息，取得较好的短期负荷预测效果。
[0005]本专利技术是采用如下技术方案实现的：
[0006]一种基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法，包括如下步骤：
[0007]步骤1、选择某地区的电网作为测试对象，从中选出负荷样本数据预处理：
[0008]1)、由于短期负荷历史样本不可避免会发生丢失或者存在异常点，因此采用该丢
失点或异常点的前一个点和后一个点平均值进行补遗操作，具体如下：
[0009]z
i
＝r1z
i
‑1+r2z
i+1
[0010]式中，z
i
‑1和z
i+1
分别为前一个点和后一个点的负荷值；r1和r2分别为权重系数；z
i
表示待补遗的单个负荷值。
[0011]2)、短期负荷预测由于多种因素影响，具有时变性，为此在贝叶斯学习算法建模之前，对原始短期负荷数据进行归一化预处理，将数据限制在0
‑
1，具体如下
[0012][0013]式中，x'
i
为标准化后的短期负荷值；x
max
、x
min
分别为短期负荷的最大、最小值。
[0014]步骤2、采用SOM算法对短期负荷数据进行聚类分析，构建短期符合样本集的类别信息；具体流程如下：
[0015]1)、初始化网络，设置初始学习率、神经元邻域范围以及最大迭代次数T；之后设置判断学习结束的条件，考虑到收敛准则受到多种因素的共同影响，需为其确定一个最大长度；
[0016]2)、竞争学习，对t时刻的各节点之间的欧式距离进行计算；按照随机选择参数的方式构建训练样本集X
i
，以距离最近输出节点作为最佳节点w
j
，构建计算式，如式(1)：
[0017][0018]其中，x
i
表示补遗后完整空间的某个元素，w
ij
表示神经元j权重向量的每个元素，神经元j是指每轮竞争获胜的输出节点，n表示向量总数。
[0019]3)、优化修正值，综合运用X
i
和神经元j确定最佳超参数，再通过校正处理形成新目标函数；如下：
[0020]根据神经元权值计算得到惩罚因子，再对其进行贝叶斯正则化转换处理来实现权值调节的过程，从而得到以下优化结果，如式(2)；
[0021][0022]其中，M表示待修正的权值向量，η表示学习率，β(t)表示t时已输出节点的集合，m
k
表示对M进行调节的修正函数，再利用以下表达式进行求解，如式(3)；
[0023][0024]其中，E
k
表示神经元j在t时的经过修正后的权值；E
w
表示权值的误差平方和。
[0025]各项超参数都是以随机方式得到，按照以下式子计算出最大后验概率对应的目标函数m
k
，如式(4)；
[0026][0027]其中，λ表示修正系数，优化流程完毕。
[0028]4)、更新权重，此时的权值调整是正则化权值调整方法，如下：
[0029]采用优化后的权值调整公式计算出神经元j和优胜节点BMU中的每个节点权重，计算式如式(5)；
[0030]w
j
(t+1)＝w
j
(t)+ηΔw
ij
(t),(i∈β(t))
ꢀꢀꢀ
(5)
[0031]其中，w
j
表示t时j节点对应的权向量；η学习率处于(0,1]，随着学习的进展而减小，即调整的程度越来越小，神经元权重趋于聚类中心；通过式(6)进行计算。
[0032]Δw
ij
(t)＝x
i
‑
w
j
(t)
ꢀꢀꢀ
(6)
[0033]5)、迭代时先判断是否符合设置参数条件，计算式如式(7)；
[0034]o
k
＝f(min||W
‑
w
j
||)
ꢀꢀꢀ
(7)
[0035]其中，o
k
用于暂存当前最小值，W表示已调整的权向量。
[0036]在结果未达到最大训练长度的情况下，应调整邻域半本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法，其特征在于：包括如下步骤：步骤1、选择某地区的电网作为测试对象，从中选出负荷样本数据预处理：1)、由于短期负荷历史样本不可避免会发生丢失或者存在异常点，因此采用改丢失点或异常点的前一个点和后一个点平均值进行补遗操作，具体如下：z
i
＝r1z
i
‑1+r2z
i+1
式中，z
i
‑1和z
i+1
分别为前一个点和后一个点的负荷值；r1和r2分别为权重系数；z
i
表示待补遗的单个负荷值；2)、短期负荷预测由于多种因素影响，具有时变性，为此在贝叶斯学习算法建模之前，对原始短期负荷数据进行归一化预处理，将数据限制在0
‑
1，具体如下式中，x'
i
为标准化后的短期负荷值；x
max
、x
min
分别为短期负荷的最大、最小值；步骤2、采用SOM算法对短期负荷数据进行聚类分析，构建短期符合样本集的类别信息；具体流程如下：1)、初始化网络，设置初始学习率、神经元邻域范围以及最大迭代次数T；之后设置判断学习结束的条件，考虑到收敛准则受到多种因素的共同影响，为其确定一个最大长度；2)、竞争学习，对t时刻的各节点之间的欧式距离进行计算；按照随机选择参数的方式构建训练样本集X
i
，以距离最近输出节点作为最佳节点w
j
，构建计算式，如式(1)：其中，x
i
表示补遗后完整空间的某个元素，w
ij
表示神经元j权重向量的每个元素；神经元j是指每轮竞争获胜的输出节点；3)、优化修正值，综合运用X
i
和神经元j确定最佳超参数，再通过校正处理形成新目标函数；如下：根据神经元权值计算得到惩罚因子，再对其进行贝叶斯正则化转换处理来实现权值调节的过程，从而得到以下优化结果，如式(2)；其中，M表示待修正的权值向量，η表示学习率，β(t)表示t时已输出节点的集合，m
k
表示对M进行调节的修正函数，再利用以下表达式进行求解，如式(3)；m
k
(t)＝δE
k
(t)+εE

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，王鑫磊，
申请(专利权)人：山西省能源互联网研究院，
类型：发明
国别省市：