[发明专利]一种短期电力负荷预测方法

摘要

本发明涉及一种短期电力负荷预测方法，其特点是，它包括选取相似日集、构建蝙蝠算法优化的RBF神经网络预测模型、利用蝙蝠算法优化的RBF神经网络模型对预测日电力负荷预测等步骤，本发明是在常规灰色关联分析的基础上，采用距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日，弥补了常规灰色关联分析法在选择相似日时，只考虑数据序列之间的几何相似程度而忽略数值接近程度的不足，提高了预测精度；利用蝙蝠算法优化径向基函数(RBF)神经网络的权值，能够克服RBF神经网络容易陷入局部最优的缺陷，使整个网络收敛速度增快、运算效率提高；具有科学合理，适用性强，效果佳等优点。

主权项

1.一种短期电力负荷预测方法，其特征是，它包括以下步骤：S1:选取相似日集S1.1:选取相似日粗集选取温度、天气情况、日期类型作为相似日粗集的影响因素，选择待预测日前60天数据、前L年同日期前后各30天数据作为数据样本的范围，L表示样本数据的年限，取决于系统所拥有的数据量，取值范围为2‑6；S1.2:量化影响因素因温度、天气情况以及日期类型的数量级和单位都不相同，不能做进一步计算，需要对预测日和相似日粗集各影响因素进行量化，S1.2.1:对于温度的量化：最高气温≥40℃时，量化取值为2.0；最高气温33～39℃时，量化取值为1.9；最高气温26～32℃时，量化取值为1.8；最高气温19～25℃时，量化取值为1.7；最高气温12～18℃时，量化取值为1.6；最高气温5～11℃时，量化取值为1.5；最高气温‑2～4℃时，量化取值为1.4；最高气温≤‑3℃时，量化取值为1.3；最低气温≤‑25℃时，量化取值为2.0；最低气温‑24～‑18℃时，量化取值为1.9；最低气温‑17～‑11℃时，量化取值为1.8；最低气温‑10～‑4℃时，量化取值为1.7；最低气温‑3～3℃时，量化取值为1.6；最低气温4～10℃时，量化取值为1.5；最低气温11～17℃时，量化取值为1.4；最低气温≥18℃时，量化取值为1.3；平均气温≤‑20℃时，量化取值为2.0；平均气温‑19～‑12℃时，量化取值为1.9；平均气温‑11～‑4℃时，量化取值为1.8；平均气温‑3～4℃时，量化取值为1.7；平均气温5～12℃时，量化取值为1.6；平均气温13～20℃时，量化取值为1.5；平均气温21～28℃时，量化取值为1.4；平均气温≥29℃时，量化取值为1.3；S1.2.2对于天气情况的量化：晴时，量化取值0.1；多云时，量化取值0.2；阴时，量化取值0.3；雾时，量化取值0.4；霾时，量化取值0.5；扬沙时，量化取值0.6；小雨时，量化取值0.7；阵雨时，量化取值0.8；雷阵雨时，量化取值0.9；小到中雨时，量化取值1.0；中雨时，量化取值1.1；中到大雨时，量化取值1.2；大雨时，量化取值1.3；大到暴雨时，量化取值1.4；暴雨时，量化取值1.5；雨夹雪时，量化取值1.6；小雪时，量化取值1.7；小到中雪时，量化取值1.8；中雪时，量化取值1.9；中到大雪时，量化取值2.0；大雪时，量化取值2.1；大到暴雪时，量化取值2.2；暴雪时，量化取值2.3；S1.2.3对于日期类型的量化：周一时，量化取值0.35；周二时，量化取值0.2；周三时，量化取值0.15；周四时，量化取值0.2；周五时，量化取值0.35；周六时，量化取值0.6；周日时，量化取值0.7；节假日时，量化取值1.0，S1.3:利用改进灰色关联方法选取相似日集S1.3.1:构造特征矩阵由步骤S1.2量化后的各影响因素值组成特征向量X，其中预测日特征向量用X0＝[x0(1),x0(2),…,x0(m)]表示，m是特征向量的维数，相似日粗集中的每日特征向量用X1，X2，…，Xn表示，n为相似日粗集中样本的个数,这n+1个序列构成一个m×(n+1)的特征矩阵如式(1)所示，式中：x0(k)为预测日的第k个特征，xi(k)为相似日粗集中第i个样本的第k个特征；S1.3.2:计算形状相似性灰色关联度计算预测日序列与相似日粗集中样本序列各分量的差值，组成差值矩阵，如公式(2)所示：式中：为预测日的第k个特征的值与相似日粗集中第i个样本的第k个特征的值的差,将引入公式(3)计算其形状相似性灰色关联度：式中：γ1(x0(k),xi(k))为预测日的第k个特征与相似日粗集中第i个样本的的第k个特征的形状相似性灰色关联度；S1.3.3:计算距离相近性灰色关联度计算预测日序列与相似日粗集中样本序列各分量的商，组成商矩阵，如公式(4)所示：式中：为预测日的第k个特征的值与相似日粗集中第i个样本的第k个特征的值的商，将引入公式(5)计算其距离相近性灰色关联度：式中：γ2(x0(k),xi(k))为预测日的第k个特征与相似日粗集中第i个样本的的第k个特征的距离相近性灰色关联度；S1.3.4:计算综合灰色关联度计算相似日粗集中每个历史日与预测日的综合灰色关联度，如公式(6)所示：式中：为预测日与相似日粗集中第i个样本的综合灰色关联度；S1.3.5:选取相似日选择步骤S1.3.4中综合灰色关联度大于0.85的所有相似日粗集样本组成相似日样本集，S2:构建蝙蝠算法优化的RBF神经网络预测模型S2.1:数据预处理S2.1.1:确认负荷预测模型的输入量和输出量所述输入向量包括相似日前一天t‑1、t、t+1时刻的负荷数据及相似日的负荷影响因素，所述输出向量为相似日t时刻的负荷数据，S2.1.2:对步骤S2.1.1所得输入向量和输出向量按公式(7)、公式(8)进行归一化处理，得到归一化输入向量和归一化输出向量，其中归一化公式为：式中：M为输入层节点数，N为输出层节点数，d_τ和y_τ分别为归一化处理前原始输入向量和原始输出向量中第τ分量，d_τ,max和d_τ,min分别为归一化处理前原始输入向量中第τ分量的最大值和最小值，y_τ,max和y_τ,min分别为归一化处理前原始输出向量中第τ分量的最大值和最小值，和分别为归一化处理后的原始输入向量和原始输出向量中第τ分量；S2.2:初始化RBF网络模型将步骤S2.1.2所得到的归一化后的输入向量和输出向量作为训练样本构建RBF神经网络预测模型，RBF神经网络为三层结构，包括输入层、隐含层和输出层，其中隐含层节点数根据Hecht‑Nielsen的经验公式(9)确定：式中：Nh为隐含层节点数，M为输入层节点数，N为输出层节点数，公式(9)所得值向上取整数，在RBF神经网络预测模型中，隐含层每个神经元的输出为：式中：为输入的训练样本,B为样本个数；‖·‖为欧式范数；ε_a表示隐含层第a个神经元核函数的中心向量,由K‑means算法确定；σ_a为隐含层第a个神经元的扩展常数；g(·)取高斯函数，即：S2.3:蝙蝠算法优化RBF模型的权值S2.3.1:初始化蝙蝠种群,初始化整个种群的蝙蝠个体数量S，每只蝙蝠个体的最大脉冲音强A⁰和最大脉冲发射率R⁰；随机生成第c只蝙蝠在第t′时刻的位置速度脉冲音强和脉冲发射率c＝1,2,···,S；初始化蝙蝠种群回声定位的最大频率f_max和最小频率f_min，脉冲音强衰减系数α，脉冲发射率增加系数μ，整个种群最大迭代次数Z，当前迭代次数z，搜索精度θ；S2.3.2:记录当前迭代次数，根据公式(12)计算第c只蝙蝠个体适应度值Fitness(c)：式中：B为训练样本集中样本个数，N为输出层节点数；为第c个样本的第q个输出节点的预测值，为第c个样本的第q个输出节点对应的实际值；同理利用公式(12)求出剩下S‑1只蝙蝠的适应度，再在所有的适应度值中找出适应度值最小的作为当前最优适应度F_best,所对应的位置为当前最优解，标记为P_best；S2.3.3:判断当前迭代次数z是否达到最大迭代次数Z或当前最优适应度小于搜索精度θ，如果满足上述终止条件，则进入步骤S2.3.8；否则进入步骤S2.3.4，S2.3.4:根据公式(13)、公式(14)、公式(15)更新每只蝙蝠的速度和位置,并把更新后的位置作为当前位置，根据公式(12)计算新解的适应度，更新每只蝙蝠的历史最优解和蝙蝠种群的全局最优解，fc＝fmin+(fmax‑fmin)×β    (13)式中：f_c是第c只蝙蝠的回声定位频率，且f_c∈[f_min,f_max]；β是均匀分布在[0,1]上的随机数；分别表示蝙蝠c在t′时刻和t′+1时刻的速度，分别表示蝙蝠c在t′时刻和t′+1时刻的位置；S2.3.5：在[0,1]范围内随机生成一个数rand1，如果则在当前所有个体中选择一个个体为全局最优个体位置P_best，利用公式(16)在P_best附近随机产生一个局部个体，计算这个局部个体的适应度值F_new，式中：θ是[0,1]上的随机数，P_new表示蝙蝠的新位置，P_old表示蝙蝠的旧位置，表示当前蝙蝠种群中所有蝙蝠的脉冲音强的平均值；S2.3.6:在[0,1]范围内随机生成一个数rand2,如果且F_new<F_best，则接受新解为当前最优全局个体，更新蝙蝠历史最优解和全局最优解，保存其适应度值，利用公式(17)、公式(18)减小脉冲音强和增大脉冲发射率，式中，α为脉冲音强衰减系数，μ为脉冲发射率增加系数；分别表示蝙蝠c在t′时刻和t′+1时刻的脉冲音强；为第c只蝙蝠的最大脉冲发射率，为蝙蝠c在t′+1时刻的脉冲发射率；S2.3.7:更新迭代次数z＝z+1，返回步骤S2.3.3；S2.3.8:将蝙蝠算法全局最优解作为RBF神经网络隐含层到输出层的权值矩阵W，构建蝙蝠算法优化的RBF神经网络预测模型，S3:利用蝙蝠算法优化的RBF神经网络模型对预测日电力负荷预测将预测日的电力负荷影响因素及预测日前一天t‑1、t、t+1时刻的负荷数据按公式(7)归一化后作为预测输入向量，将该预测输入向量输入到训练好的RBF神经网络中，经公式(19)得到预测日t时刻的电力负荷预测的输出值，式中：w_aτ为隐含层到输出层的连接权值,h_a为隐含层每个神经元的输出，a＝1,···,N_h,N_h为隐含层节点数，N为输出层节点数；为与输入样本对应的网络的第τ个输出节点的实际输出值，再将得到的输出值经公式(20)反归一化处理得到预测日t时刻的电力负荷预测值，式中：表示反归一化处理后的电力负荷预测值，y_τ，max和y_τ，min分别为归一化处理前原始输出向量中第τ分量的最大值和最小值。