一种基于元学习的电力系统时变非线性负荷组合预测方法技术方案

本发明专利技术公开了一种基于元学习的电力系统负荷组合预测方法。本发明专利技术的有益效果如下：(1)元学习是在学习结果的基础上进行多次学习得到最终结果。它利用前一层模型的输出结果和预测序列的特征属性作为下一层学习的输入信息，使得前一次的学习能够充分应用于后面的归纳过程，从而发现并纠正所使用的学习算法中的系统偏差，提高学习精度。(2)元学习通过设定均方误差最小，通过判定条件调整门控网络参数，从而获得最优权值，为优化确定负荷组合预测模型的权重提供参考依据。

【技术实现步骤摘要】
—种基于元学习的电力系统时变非线性负荷组合预测方法
本专利技术涉及一种用于电力系统负荷预测方法，属于电力系统及其自动化负荷预测
。
技术介绍
电力是国民经济的重要基础，是国家经济发展战略中的重点和先行产业，负荷预测作为电力生产部门的关键工作之一，为电力系统的正常运行提供了条件。它对于经济合理地安排机组启停，减少旋转备用容量，优化安排机组检修计划，降低发电成本，提高经济效益，有着至关重要的作用。而提高预测精度是充分发挥电力系统负荷预测作用的前提条件，具有重要的实际意义。目前，常用的负荷预测方法有:基于相似日的趋势外推预测法、时间序列预测法、考虑气象因素的相关预测法、线性回归分析预测法、灰色系统预测法、小波分解与重构法、支持向量机回归预测法、混沌预测法、神经网络预测法等。上述预测方法都采用的是单一预测模型，导致某些时间段预测偏差较大。由于电力负荷有着非线性、时变性和不确定性的特点，这些单一的预测方法采用的数学模型适用性有限，不能及时、准确地对预测模型的参数进行估计和调整，更不便于描述负荷的突然变化，因此具有一定局限性，很难获取较高的预测精度。本专利技术将预测负荷序列特征属性作为权值计算依据，根据均方误差最小调整网络参数求得最优权值，建立具有更高精度的负荷预测组合模型。
技术实现思路
本专利技术所要解决的技术问题是为提高电力系统负荷预测精度，提供了一种基于元学习的电力系统负荷组合预测方法。本专利技术解决技术问题所采用的技术方案如下:一种基于元学习的电力系统负荷组合预测方法，包括以下步骤:(I):采用N种可用负荷预测方法预测给定时间段内某一时刻的负荷，得到各种预测方法的负荷预测结果为Pm (? = 1,2,Λ ,N)，构成元学习的基预测器；(2):在元预测器训练阶段特征属性可以直接获得，在元预测器预测阶段，采用日典型曲线在对应时刻的特征属性代替预测曲线在预测时刻的特征属性，构建元学习预测时刻特征属性。(3):以基预测器作为元预测输入，将数据特征属性作为门控网络输入得到各基预测器的权重，构建元学习时变非线性组合预测模型。(4):根据样本的整体均方误差能量函数Ef最小可保证预测结果与期望输出拟合最优，从而确定最优的网络参数。所述的可用预测模型包括但不限于以下四种:I)简单指数曲线模型Jtl=Cjxn2) 一次型多项式曲线型=Y1ZaJb1X3) 二次型多项式曲线型:y2=a2+b2x+c2x24)三次型多项式曲线型:y3=a3+b3x+c3x2+d3x3式中&1，4，(^，(13，11(1=1，2，3)为待估参数，通过最小二乘法估计确定。采用的日典型曲线的对应时刻特征属性包括以下四个特征属性:(I)预测时刻及其前后共T点的一阶差分均方差a(p)⑴；(2)预测时刻及其前后共T点的二阶差分均方差a(p) (2)；(3)预测时刻及其前后共T点的三阶差分均方差a(p) (3);(4)预测时刻及其前后共T点的环比系数均方差a(p) (4)。步骤(3)的具体步骤是:a、原始输入数据Xp输入到η个基级预测器，得到基级预测结果(Xp)，f2 (Xp)，...，f?(Xp)。将原始输入数据特征向量ap作为门控网络输入，得到各基级预测器的权重C1 (Xp)、。2 (Xp)，...，Cn (Xp)。b、在门控网络中使用softmax激活函数，第i个基级预测器的权重Ci(Xp)为: (本文档来自技高网...

【技术保护点】
一种基于元学习的电力系统时变非线性负荷组合预测方法，其特征是：包括以下步骤：(1)：选取了一次型多项式曲线型、二次型多项式曲线型、三次型多项式曲线型或简单指数曲线模型作为基预测器；(2)：在元预测器预测阶段，采用日典型曲线在对应时刻的特征属性代替预测曲线在预测时刻的特征属性；(3)：将特征向量输入门控网络得到权重，建立元学习时变非线性组合预测模型；(4)：根据样本的整体均方误差能量函数EF最小使得预测结果与期望输出拟合最优，确定合适的网络参数。

【技术特征摘要】
1.一种基于元学习的电力系统时变非线性负荷组合预测方法，其特征是:包括以下步骤: (1):选取了一次型多项式曲线型、二次型多项式曲线型、三次型多项式曲线型或简单指数曲线模型作为基预测器； (2):在元预测器预测阶段，采用日典型曲线在对应时刻的特征属性代替预测曲线在预测时刻的特征属性； (3):将特征向量输入门控网络得到权重，建立元学习时变非线性组合预测模型； (4):根据样本的整体均方误差能量函数Ef最小使得预测结果与期望输出拟合最优，确定合适的网络参数。2.根据权利要求1所述的一种基于元学习的电力系统时变非线性负荷组合预测方法，其特征是:步骤(2)的具体步骤是: 当选取了预测日的多条相似日曲线后，可形成日典型曲线Xs，由于日典型曲线Xs在总体形态上是与预测日曲线Xp相似的，因此可以采用Xs的特征属性来近似表征预测日负荷曲线Xp的特征属性； 对于已知的序列Xs是否具有多项式曲线趋势以及具备几阶多项式曲线趋势，可由序列Xs的差分特征来表征，一次型多项式曲线型的一阶差分相同，二次曲线模型的二阶差分为常数，三次曲线模型的三阶差分为常数；对于给...

【专利技术属性】
技术研发人员：罗滇生，钱松林，何洪英，
申请(专利权)人：湖南大学，
类型：发明
国别省市：