本发明专利技术的实施例提供了短期电力负荷预测方法、装置及设备。所述方法包括获取电力需求时间序列数据，分解为高通系数和低通系数；分别与小波函数进行卷积，得到不同频带的小波系数，并按序排列，得到输入特征向量；将输入特征向量通过差分进化算法对小波系数进行优化，得到基于差分进化优化算法的径向基函数神经网络模型；对基于差分进化优化算法的径向基函数神经网络模型进行参数调整；利用参数调整后的基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测。以此方式，可以解决了处理负荷数据中的高频波动性和非线性难题，提升了预测精度，适用于厂级以上的负荷需求预测，具备更佳的通用性和适用性。具备更佳的通用性和适用性。具备更佳的通用性和适用性。
【技术实现步骤摘要】
短期电力负荷预测方法、装置及设备
[0001]本专利技术一般涉及负荷预测领域，并且更具体地，涉及短期电力负荷预测方法、装置及设备。
技术介绍
[0002]随着电力市场改革，工业企业尤其是具备机械加工、冶金等智能制造企业来说，用能成本对于强化竞争优势具有现实意义。电力市场多元化使得工业企业可以灵活的在市场中获得具备竞争优势电力电能。而负荷短期预测则是实现用能成本降低的基础条件。
[0003]需求预测近年来一直是众多学者的研究热点。传统方法大都采用概率模型，如自回归方法(ARMA)、多元线性回归及灰度模型等。但传统模型方法大都存在这计算方面的限制。这些限制无法处理电力需求数据的非线性及数据缺失等特性。现代预测技术大都采用混合机器学习方法。
[0004]混合机器学习方法的优势在于实现预测功能的同时具有良好的预测精度。目前研究包含模糊
‑
神经网络法、支持向量机
‑
优化法、极限学习机
‑
优化法及BP神经网络等众多组合方法。在工业负荷短期预测方面计算时间较长，精度较低，鲁棒性较差等问题比较凸显。
技术实现思路
[0005]根据本专利技术的实施例，提供了一种短期电力负荷预测方案。本方案解决了处理负荷数据中的高频波动性和非线性难题，提升了预测精度，适用于厂级以上的负荷需求预测，具备更佳的通用性和适用性。
[0006]在本专利技术的第一方面，提供了一种短期电力负荷预测方法。该方法包括：
[0007]获取电力需求时间序列数据，将所述电力需求时间序列数据分解为高通系数和低通系数；
[0008]将所述高通系数和低通系数分别与小波函数进行卷积，得到不同频带的小波系数，并按序排列，得到输入特征向量；
[0009]将所述输入特征向量通过差分进化算法对小波系数进行优化，构建基于差分进化优化算法的径向基函数神经网络模型；
[0010]计算所述基于差分进化优化算法的径向基函数神经网络模型的高斯函数中心、高斯函数宽度以及隐藏单元和输出单元的权重，对所述基于差分进化优化算法的径向基函数神经网络模型进行参数调整；
[0011]利用参数调整后的基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测。
[0012]进一步地，所述将所述电力需求时间序列数据分解为高通系数和低通系数，包括：
[0013]将所述电力需求时间序列数据的原始时间序列进行N次滤波，每一次滤波后得到一个近似系数和细节系数，一共得到N个近似系数和N个细节系数；所述N个近似系数作为高通系数；所述N个细节系数作为低通系数。
[0014]进一步地，所述将所述输入特征向量通过差分进化算法对小波系数进行优化，得到基于差分进化优化算法的径向基函数神经网络模型，包括：
[0015]初始化种群；
[0016]在所述种群中随机选取若干不同个体，对所选取个体的向量差进行缩放，与待变异个体进行向量合成，得到变异向量；
[0017]将基准向量与所述变异向量进行交叉操作；
[0018]利用差分进化算法对所述种群中的最优个体进行选择，得到子代个体；
[0019]对所述子代个体进行适应性评估，根据适应性筛选得到精英个体；
[0020]将达到迭代条件时的精英个体作为基于差分进化优化算法的径向基函数神经网络模型。
[0021]进一步地，所述计算所述基于差分进化优化算法的径向基函数神经网络模型的高斯函数中心、高斯函数宽度以及隐藏单元和输出单元的权重，包括：
[0022]通过K
‑
means聚类算法，将所述不同频带的小波系数进行聚类，并将聚类中心作为高斯函数的中心；
[0023]使用均方误差作为损失函数，通过反向传播算法计算得到隐藏单元和输出单元的权重；
[0024]通过交叉验证选择最优的宽度作为高斯函数的宽度。
[0025]进一步地，所述利用参数调整后的基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测，包括：
[0026]将不同频带的小波系数输入参数调整后的基于差分进化优化算法的径向基函数神经网络模型，输出未来连续时间序列的负荷值。
[0027]在本专利技术的第二方面，提供了一种短期电力负荷预测装置。该装置包括：
[0028]分解模块，用于获取电力需求时间序列数据，将所述电力需求时间序列数据分解为高通系数和低通系数；
[0029]卷积模块，用于将所述高通系数和低通系数分别与小波函数进行卷积，得到不同频带的小波系数，并按序排列，得到输入特征向量；
[0030]优化模块，用于将所述输入特征向量通过差分进化算法对小波系数进行优化，得到基于差分进化优化算法的径向基函数神经网络模型；
[0031]计算模块，用于计算所述基于差分进化优化算法的径向基函数神经网络模型的高斯函数中心、高斯函数宽度以及隐藏单元和输出单元的权重；
[0032]预测模块，用于利用所述基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测。
[0033]进一步地，所述将所述电力需求时间序列数据分解为高通系数和低通系数，包括：
[0034]将所述电力需求时间序列数据的原始时间序列进行N次滤波，每一次滤波后得到一个近似系数和细节系数，一共得到N个近似系数和N个细节系数；所述N个近似系数作为高通系数；所述N个细节系数作为低通系数。
[0035]进一步地，所述将所述输入特征向量通过差分进化算法对小波系数进行优化，得到基于差分进化优化算法的径向基函数神经网络模型，包括：
[0036]初始化种群；
[0037]在所述种群中随机选取若干不同个体，对所选取个体的向量差进行缩放，与待变异个体进行向量合成，得到变异向量；
[0038]将基准向量与所述变异向量进行交叉操作；
[0039]利用差分进化算法对所述种群中的最优个体进行选择，得到子代个体；
[0040]对所述子代个体进行适应性评估，根据适应性筛选得到精英个体；
[0041]将达到迭代条件时的精英个体作为基于差分进化优化算法的径向基函数神经网络模型。
[0042]进一步地，所述计算所述基于差分进化优化算法的径向基函数神经网络模型的高斯函数中心、高斯函数宽度以及隐藏单元和输出单元的权重，包括：
[0043]通过K
‑
means聚类算法，将所述不同频带的小波系数进行聚类，并将聚类中心作为高斯函数的中心；
[0044]使用均方误差作为损失函数，通过反向传播算法计算得到隐藏单元和输出单元的权重；
[0045]通过交叉验证选择最优的宽度作为高斯函数的宽度。
[0046]进一步地，所述利用参数调整后的基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测，包括：
[0047]将不同频带的小波系数输入参数调整后的基于差分进化优化算法的径向基函数神经网络模型，输出未来连续时间序列的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种短期电力负荷预测方法，其特征在于，包括：获取电力需求时间序列数据，将所述电力需求时间序列数据分解为高通系数和低通系数；将所述高通系数和低通系数分别与小波函数进行卷积，得到不同频带的小波系数，并按序排列，得到输入特征向量；将所述输入特征向量通过差分进化算法对小波系数进行优化，构建基于差分进化优化算法的径向基函数神经网络模型；计算所述基于差分进化优化算法的径向基函数神经网络模型的高斯函数中心、高斯函数宽度以及隐藏单元和输出单元的权重，对所述基于差分进化优化算法的径向基函数神经网络模型进行参数调整；利用参数调整后的基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测。2.根据权利要求1所述的方法，其特征在于，所述将所述电力需求时间序列数据分解为高通系数和低通系数，包括：将所述电力需求时间序列数据的原始时间序列进行N次滤波，每一次滤波后得到一个近似系数和细节系数，一共得到N个近似系数和N个细节系数；所述N个近似系数作为高通系数；所述N个细节系数作为低通系数。3.根据权利要求1所述的方法，其特征在于，所述将所述输入特征向量通过差分进化算法对小波系数进行优化，得到基于差分进化优化算法的径向基函数神经网络模型，包括：初始化种群；在所述种群中随机选取若干不同个体，对所选取个体的向量差进行缩放，与待变异个体进行向量合成，得到变异向量；将基准向量与所述变异向量进行交叉操作；利用差分进化算法对所述种群中的最优个体进行选择，得到子代个体；对所述子代个体进行适应性评估，根据适应性筛选得到精英个体；将达到迭代条件时的精英个体作为基于差分进化优化算法的径向基函数神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述计算所述基于差分进化优化算法的径向基函数神经网络模型的高斯函数中心、高斯函数宽度以及隐藏单元和输出单元的权重，包括：通过K
‑
means聚类算法，将所述不同频带的小波系数进行聚类，并将聚类中心作为高斯函数的中心；使用均方误差作为损失函数，通过反向传播算法计算得到隐藏单元和输出单元的权重；通过交叉验证选择最优的宽度作为高斯函数的宽度。5.根据权利要求1所述的方法，其特征在于，所述利用参数调整后的基于差分进化优化算法的径向基函数神经网络模型对未来时间点的负荷进行预测，包括：将不同频带的...
【专利技术属性】
技术研发人员：关艳，高曦莹，陆心怡，孙佳音，杨文烨，曲英男，刘叶，王一苗，闫亦铭，周航，赵健博，蒋婷，蔡亦浓，郭丹，戴菁，
申请(专利权)人：国网辽宁省电力有限公司营销服务中心，
类型：发明
国别省市：
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。