基于自适应增强算法的短期电力负荷在线预测方法

摘要

本发明公开了电力负荷预测技术领域中的一种基于自适应增强算法的短期电力负荷在线预测方法。包括选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵S_L×M；提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵D_L×n；在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将其作为有效成分，并根据过去L天有效成分的实测值，形成有效气象数据矩阵T_L×m；利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n求解短期电力负荷预测模型；利用短期电力负荷预测模型进行电力负荷预测。本发明可以有效地消除数据噪音对模型预测精度的影响，得到较为精确且稳定的预测结果。

主权项

一种基于自适应增强算法的短期电力负荷在线预测方法，其特征是所述方法包括：步骤1：选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵S_L×M；其中，M和L为设定值；步骤2：提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵D_L×n；其中，n为设定值；步骤3：在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，形成有效气象数据矩阵T_L×m；其中，m为设定值；步骤4：利用有效气象数据矩阵T_L×m和电力负荷数据矩阵D_L×n求解短期电力负荷预测模型；步骤5：利用短期电力负荷预测模型进行电力负荷预测；所述步骤4包括：子步骤B1：以第k天有效成分的实测值T_k、与第k天日期类型相同的前一天的有效成分实测值T_k‑1、与第k天日期类型相同的前一天的电力负荷数据D_k‑1,j和第k天的日期类型w作为输入样本，以第k天的电力负荷数据D_k,j作为输出样本，建立样本集合{[T_k‑1,T_k,D_k‑1,j,w],D_k,j}，记为{x_p,t_p}；其中，k＝2,3,...,L，j＝1,2,...,n，p＝1,2,...,Ln；子步骤B2：随机选取单隐层人工神经网络，设定权重步长a和收敛阈值ε，令初始迭代次数iter＝1，权重分布子步骤B3：在样本集合{x_p,t_p}的权重分布下，训练所述单隐层人工神经网络，利用极端学习机ELM算法计算得到所述单隐层人工神经网络的参数和其中，参数为单隐层人工神经网络中第l个神经元和输出节点之间的权重；参数为单隐层人工神经网络中第l个神经元的阈值；子步骤B4：判断是否满足收敛条件当时，执行子步骤B6；否则，执行子步骤B5；其中，$H\left(x_p\right)=\underset{\sigma =1}{\overset{iter}{\Sigma }}{\alpha }_{\sigma }{h}_{\sigma }\left(x_p\right);$${\alpha }_{\sigma }=ln\left(\frac{1}{{\beta }_{\sigma }}\right)/\underset{\sigma =1}{\overset{iter}{\Sigma }}ln\left(\frac{1}{{\beta }_{\sigma }}\right);$${\beta }_{\sigma }=\frac{|h_{iter}\left(x_{\sigma }\right)-t_{\sigma }|-err}{err}\times a;$$h_{\sigma }\left(x_p\right)=\underset{l=1}{\overset{\bar{N}}{\Sigma }}{\gamma }_l^{\sigma }G({\left({\omega }_l^{\sigma }\right)}^T{x}_p+b_l^{\sigma });$G(·)为单隐层人工神经网络的激活函数且$err=\sqrt{\frac{\underset{p=1}{\overset{Ln}{\Sigma }}(d_p^{iter}\times {[h_{iter}\left(x_p\right)-t_p]}^2)}{\underset{p=1}{\overset{Ln}{\Sigma }}{d}_p^{iter}}};$为单隐层人工神经网络神经元的个数；为第l个输入节点和神经元之间的权重；子步骤B5：令iter＝iter+1，转至子步骤B3；其中，$e_p=\left\{\begin{array}{c}0,\left|h_{iter}\right(x_p)-t_p|>err\\ 1,\left|h_{iter}\right(x_p)-t_p|\le err\end{array}\right.;$${\beta }_p=\frac{|h_{iter}\left(x_p\right)-t_p|-err}{err}\times a;$子步骤B6：H(x_p)即为所求的短期电力负荷预测模型。