專利名稱：一種短期電力負(fù)荷預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力負(fù)荷預(yù)測技術(shù)領(lǐng)域，尤其涉及一種短期電力負(fù)荷預(yù)測方法。
背景技術(shù)：
短期電力負(fù)荷預(yù)測是電力負(fù)荷預(yù)測的重要組成部分，是制訂經(jīng)濟(jì)、合理的供電計(jì)劃的基礎(chǔ)。提高負(fù)荷預(yù)測技術(shù)水平，有利于合理安排電網(wǎng)運(yùn)行方式和機(jī)組檢修計(jì)劃，有利于節(jié)煤、節(jié)油和降低發(fā)電成本，從而提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會效益。短期負(fù)荷預(yù)測的最大特點(diǎn)是其具有明顯的周期性。具體包括不同日之間M小時整體負(fù)荷變化規(guī)律的相似性；不同周、同一星期類型日的相似性；工作日、休息日各自的相似性；不同年度的重大節(jié)假日負(fù)荷曲線的相似性。短期負(fù)荷受到各種環(huán)境因素的影響，如季節(jié)更替、天氣因素變化、設(shè)備事故和檢修、社會重大文體活動以及政府行為等，使負(fù)荷時間序列具有非平穩(wěn)隨機(jī)性。以往所用的負(fù)荷預(yù)測方法主要有回歸分析法、時間序列法、專家系統(tǒng)法、神經(jīng)網(wǎng)絡(luò)法、模糊理論等。非線性回歸和時間序列法計(jì)算量小、速度較快，在電網(wǎng)情況正常、生產(chǎn)和氣象變化不大的時候預(yù)測效果良好，但不能考慮一些影響負(fù)荷的要素，如休息日、氣象等，難以反映負(fù)荷與這些變量之間的動態(tài)、非線性的關(guān)系，所以對復(fù)雜多變的電力系統(tǒng)預(yù)測效果較差。專家系統(tǒng)可以避開復(fù)雜的數(shù)值計(jì)算，但通用性較差，缺乏學(xué)習(xí)能力。而神經(jīng)網(wǎng)絡(luò)算法只是依據(jù)經(jīng)驗(yàn)風(fēng)險最小化原理建立起來的模型，收斂速度慢，可能收斂到局部極小點(diǎn)，知識表達(dá)困難，難以充分利用調(diào)度人員的經(jīng)驗(yàn)知識，且需要較長的訓(xùn)練時間。從理論方面來看，支持向量機(jī)(Support Vector Machine, SVM)是一種強(qiáng)學(xué)習(xí)機(jī)， 具有較好的泛化能力，相比神經(jīng)網(wǎng)絡(luò)、決策樹等學(xué)習(xí)機(jī)更為穩(wěn)定。但在應(yīng)用上，支持向量機(jī)存在一些明顯的缺點(diǎn)，主要由于支持向量機(jī)在訓(xùn)練過程中需要求解一個二次規(guī)劃問題，這使得對于大規(guī)模樣本集合來說具有很高的時間復(fù)雜度和空間復(fù)雜度，為了降低求解二次規(guī)劃的時間和空間復(fù)雜度，需要將優(yōu)化問題分解為若干子問題。求解這些子問題的算法獲得的通常不是最優(yōu)解，因此降低了支持向量機(jī)的泛化能力。基于以上原因，近年來，對單個支持向量機(jī)模型進(jìn)行集成學(xué)習(xí)已經(jīng)成為一個熱門的研究課題，其目的在于獲得比單個支持向量機(jī)更高的泛化性能和學(xué)習(xí)精度。自舉采樣選擇性集成學(xué)習(xí)的思路是通過對原始樣本集進(jìn)行有放回的自舉采樣(Bootstrap Sampling), 生成多個基學(xué)習(xí)機(jī)，通過對多個基學(xué)習(xí)機(jī)的學(xué)習(xí)結(jié)果進(jìn)行組合來決定最終的分類或回歸結(jié)果，以取得比單個基學(xué)習(xí)機(jī)更好的性能。如果把單個基學(xué)習(xí)機(jī)比作一個決策者，集成學(xué)習(xí)的方法就相當(dāng)于多個決策者共同進(jìn)行一項(xiàng)決策。

發(fā)明內(nèi)容
針對上述背景技術(shù)中提到的單一預(yù)測方法在預(yù)測精度和訓(xùn)練速度方面的不足，本發(fā)明提出了一種短期電力負(fù)荷預(yù)測方法。本發(fā)明的技術(shù)方案是，一種短期電力負(fù)荷預(yù)測方法，其特征是該方法包括以下步驟步驟1 通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負(fù)荷數(shù)據(jù)構(gòu)建樣本集步驟2 基于曲波變換對樣本集去噪，得到去噪后的樣本集；步驟3 將去噪后的樣本集劃分為測試集和訓(xùn)練集；利用訓(xùn)練集和學(xué)習(xí)機(jī)生成訓(xùn)練模型，進(jìn)而求得最終的預(yù)測模型；步驟4 利用最終的預(yù)測模型和測試集對負(fù)荷進(jìn)行預(yù)測。所述步驟2具體為步驟2. 1 對樣本集進(jìn)行曲波變換，得到曲波變換系數(shù)Wg(l，s, i，j)，其中，1為曲波分解層次；s為方向參數(shù)；i為天數(shù)；j為采樣時間點(diǎn)；步驟2.2 對曲波變換系數(shù)Wg(l，s, i，j)進(jìn)行閾值處理，得到修正曲波系數(shù) Wf (I, S Jj)-,步驟2. 3 對修正曲波系數(shù)進(jìn)行曲波逆變換，得到去噪后的樣本集。所述步驟3具體為步驟3. 1 將去噪后的樣本集劃分為測試集和訓(xùn)練集；步驟3. 2 通過指定算法從訓(xùn)練集中抽取指定個元素組成訓(xùn)練子集；步驟3. 3 通過學(xué)習(xí)得到訓(xùn)練子集各個元素的個體模型；步驟3. 4 將個體模型在測試集上作回歸預(yù)測，進(jìn)而確定用于集成的個體模型；步驟3. 5 將集成的個體模型通過指定方法結(jié)合，確定最終的預(yù)測模型。所述指定算法為裝袋算法。所述指定方法為加權(quán)平均或簡單平均。本發(fā)明不僅解決了樣本數(shù)據(jù)量少、偏差大、不確定性的問題，而且比單一學(xué)習(xí)機(jī)具有更強(qiáng)的泛化能力，可以有效地將多個模型融合起來，使預(yù)測過程更加快速、準(zhǔn)確。


圖1為短期電力負(fù)荷預(yù)測流程圖；圖2為基于曲波變換的方法對得到的原始樣本集去噪的流程圖；圖3為本發(fā)明流程圖。
具體實(shí)施例方式下面結(jié)合附圖，對優(yōu)選實(shí)施例作詳細(xì)說明。應(yīng)該強(qiáng)調(diào)的是，下述說明僅僅是示例性的，而不是為了限制本發(fā)明的范圍及其應(yīng)用。圖1是本發(fā)明的流程圖。圖1中，本發(fā)明提供的方法包括如下的步驟步驟1 通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負(fù)荷數(shù)據(jù)構(gòu)建樣本集；步驟1. 1 取出數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(Supervisory Control And DataAcquisition, SCADA)中與預(yù)測日類型相同的前20天的負(fù)荷數(shù)據(jù)；步驟1. 2 統(tǒng)計(jì)相關(guān)數(shù)據(jù)，選擇輸入量；通過實(shí)驗(yàn)發(fā)現(xiàn)，為了減少訓(xùn)練時間，需要降低不必要的樣本維數(shù)，這些輸入量包括日最高溫度、最低溫度和平均溫度以及日類型數(shù)據(jù)等。
由于工作日與一般休息日的負(fù)荷模型不同，所以分開建立樣本。隨著雙休日的實(shí)行，重大節(jié)假日的負(fù)荷模型越來越接近一般休息日模型，所以可把重大節(jié)假日樣本和一般休息日樣本放到一起進(jìn)行訓(xùn)練。步驟1. 3 對所有數(shù)據(jù)進(jìn)行樣本分析，形成樣本集；本實(shí)施例中，設(shè)數(shù)據(jù)采集策略為每天對點(diǎn)。歷史負(fù)荷數(shù)據(jù)是影響負(fù)荷變化規(guī)律最直接的因素，每天M點(diǎn)共20天的數(shù)據(jù)可構(gòu)成480條樣本記錄。每條記錄除需要保存負(fù)荷數(shù)據(jù)外，還需要保存預(yù)測點(diǎn)的即日最高溫度、最低溫度、以及日類型。步驟2 數(shù)據(jù)分析處理，基于曲波變換對樣本集去噪，形成得到去噪后的樣本集， 圖2是利用曲波變換的樣本集去噪方法流程圖；步驟2. 1 設(shè)樣本集數(shù)據(jù)表示為{fu，i = 1,2-M;j = 1,2, "·Ν}，在本發(fā)明中， 設(shè)皿=20天，每天有N = M個采樣點(diǎn)，則含噪聲的負(fù)荷數(shù)據(jù)表示為{gij = ξ u，i = 1， 2-M;j = 1,2, "·Ν}，其中，噪聲{ξ。_}服從正態(tài)分布Ν(0，σ2)。確定曲波分解層數(shù)L和每個層次η上的方向參數(shù)St，對樣本進(jìn)行曲波變換，得到曲波變換系數(shù)Wg(l，s, i，j) (1 = 1,2, " , s = l,2,…&)，其中，1為曲波分解層次，s為方向參數(shù)，i為天數(shù)，j為采樣時間點(diǎn)；步驟2.2 對分解得到的曲波變換系數(shù)Wg(l，s，i，j)進(jìn)行閾值處理，得到曲波系數(shù) Wf (I, S Jj)-,估計(jì)各個子帶的噪聲方差，計(jì)算式為
權(quán)利要求
1.一種短期電力負(fù)荷預(yù)測方法，其特征是該方法包括以下步驟 步驟1 通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負(fù)荷數(shù)據(jù)構(gòu)建樣本集 步驟2 基于曲波變換對樣本集去噪，得到去噪后的樣本集；步驟3 將去噪后的樣本集劃分為測試集和訓(xùn)練集；利用訓(xùn)練集和學(xué)習(xí)機(jī)生成訓(xùn)練模型，進(jìn)而求得最終的預(yù)測模型；步驟4 利用最終的預(yù)測模型和測試集對負(fù)荷進(jìn)行預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種短期電力負(fù)荷預(yù)測方法，其特征是所述步驟2具體為 步驟2. 1 對樣本集進(jìn)行曲波變換，得到曲波變換系數(shù)Wg(l，s, i，j)，其中，1為曲波分解層次；s為方向參數(shù)；i為天數(shù)；j為采樣時間點(diǎn)；步驟2.2:對曲波變換系數(shù)Wg(l，s, i，j)進(jìn)行閾值處理，得到修正曲波系數(shù)Wf (I, s Xj)-,步驟2. 3 對修正曲波系數(shù)進(jìn)行曲波逆變換，得到去噪后的樣本集。
3.根據(jù)權(quán)利要求1所述的一種短期電力負(fù)荷預(yù)測方法，其特征是所述步驟3具體為 步驟3. 1 將去噪后的樣本集劃分為測試集和訓(xùn)練集；步驟3. 2 通過指定算法從訓(xùn)練集中抽取指定個元素組成訓(xùn)練子集； 步驟3. 3 通過學(xué)習(xí)得到訓(xùn)練子集各個元素的個體模型； 步驟3. 4 將個體模型在測試集上作回歸預(yù)測，進(jìn)而確定用于集成的個體模型； 步驟3. 5 將集成的個體模型通過指定方法結(jié)合，確定最終的預(yù)測模型。
4.根據(jù)權(quán)利要求3所述的一種短期電力負(fù)荷預(yù)測方法，其特征是所述指定算法為裝袋算法。
5.根據(jù)權(quán)利要求3所述的一種短期電力負(fù)荷預(yù)測方法，其特征是所述指定方法為加權(quán)平均或簡單平均。
全文摘要
本發(fā)明公開了電力負(fù)荷預(yù)測技術(shù)領(lǐng)域中的一種短期電力負(fù)荷預(yù)測方法。本發(fā)明通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負(fù)荷數(shù)據(jù)構(gòu)建樣本集，并通過曲波變換對樣本集去噪，得到去噪后的樣本集；將去噪后的樣本集劃分為測試集和訓(xùn)練集；利用訓(xùn)練集和學(xué)習(xí)機(jī)生成多個訓(xùn)練模型，進(jìn)而利用裝袋算法求得最終的預(yù)測模型；最后利用最終的預(yù)測模型和測試集對負(fù)荷進(jìn)行預(yù)測。本發(fā)明不僅解決了樣本數(shù)據(jù)量少、偏差大、不確定性的問題，而且比單一學(xué)習(xí)機(jī)具有更強(qiáng)的泛化能力，可以有效地將多個模型融合起來，使預(yù)測過程更加快速、準(zhǔn)確。
文檔編號G06F19/00GK102270279SQ201110212760
公開日2011年12月7日 申請日期2011年7月27日 優(yōu)先權(quán)日2011年7月27日
發(fā)明者李元誠, 王旭峰 申請人:華北電力大學(xué)