基于样本动态组织与温度补偿的神经网络短期电力负荷预测

摘要

本发明是基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，其中，样本动态组织以负荷变化特征创建样本映射表和气象数据模糊化进行样本初选，进而以改进自组织特征映射网络实现样本精选；根据温度对电力负荷的影响特征，创建了以假想负荷与温度系数、临界温度描述的温度补偿模型，并与人工神经网络构成一体化负荷预测模型，其温度补偿系数、临界温度值与人工神经网络参数一道通过训练自动获取。由于样本动态组织有效避免了不良样本的误差干扰，温度补偿模型较精确的描述了温度对电力负荷的影响，因而本发明显著提高了短期负荷预测精度，特别大幅度提高了对气温敏感日期负荷的预测精度。

主权项

1.基于样本动态组织与温度补偿的神经网络短期电力负荷预测方法，其特征在于，包括以下步骤：1)读取历史样本数据：读取电力部门提供的待预测日前2年的负荷数据、星期类型及温度数据为历史样本数据；2)构建时间分类树与样本组织映射表进行样本初步筛选a、根据地区特点设定时间分类树的季节参数，构建时间分类树；b、利用负荷变化相似性规律构建样本组织映射表；c、将预测日时间信息(年月日)输入时间分类树，得出该预测日日期类别；d、利用预测日的日期类别查询样本组织映射表，找出对应的样本筛选规则；e、根据样本筛选规则为预测日初步筛选训练样本；f、筛选完毕后，将所选样本对应的时间信息存入初始样本数据库；3)构建气象及负荷水平模糊化模型a、将历史样本的历史气象数据中的最高温度数据由低到高进行排序；b、调用有序聚类算法对排序后的最高温度数据进行聚类分析，得到分割点Temp_max(1)和Temp_max(2)；c、依据分割点对最高温度数据进行模糊化处理：设某日的最高温度为Temp_max，模糊化处理后为Temp′_max，则有按照同样的方法，分别对最低温度(Temp_max)、平均温度(Temp_max)以及日平均负荷(Load_ave)数据进行有序聚类分析，找出分割点，从而构建相应的模糊化模型，模糊化处理标准如下：最低温度划分标准：平均温度划分标准：日平均负荷划分标准：4)根据温度与负荷模糊化特征进一步初选样本采用多元线性回归法对待预测日负荷水平(Load_ave)回归估算：步骤1：利用初步筛选样本形成称为回归设计矩阵X与n维观测列向量Y；步骤2：根据计算回归系数向量步骤3：使用回归方程对预测日负荷水平y作线性回归预测，预测值y作为待预测日负荷水平估计值Load_ave；基于模糊模型的样本初选估算出预测日负荷水平后，将形成一个与预测日负荷变化曲线相关性的日气象负荷特征向量：F＝[Temp_max，Temp_min，Temp_ave，Load_ave]^T        (5)其中，Temp_max，Temp_min，Temp_ave分别为最高温度、最低温度与平均温度，Load_ave为估算出的平均负荷；利用已构建的气象负荷模糊模型，对该特征向量中的每个元素进行模糊化处理，最终可得到一个模糊化特征向量：F′[Temp′_max，Temp′_min，Temp′_ave，Load′_ave]^T    (6)其中每个元素将表示为0～3中的某个离散值；使用同样的方法对初步筛选的n个样本分别形成日气象负荷特征向量，并进行模糊化处理后得到n个日气象负荷模糊化特征向量：F_i′＝[Temp′_imax，Temp′_imin，Temp′_iave，Load′_iave]^T，i＝1，2…，n    (7)再利用F′与F′_i进行比较，当F′_i≡F′(列向量每个元素对应相等)时，该样本即初选样本称为相似样本，并将其存入初选样本数据库，否则，将其剔除，经过n次比较，最终我们会得到一个初选的样本数据库，样本数计为N′，其中每个样本都满足F′_i≡F′，i＝1，2…，N′    (8)5)改进SOFM网络提取负荷变化趋势特征曲线在形成初选样本数据库(样本数计为N′)后，对该数据库中样本所对应的N′个负荷水平变化趋势向量采用基于FCM与灰色关联的改进自组织特征映射网络(SOFM)进行智能化地自组织聚类分析，提取隐含在初选样本数据库中的多条负荷水平变化趋势特征曲线，再利用待预测日对应的负荷水平变化趋势向量与多条负荷水平变化趋势特征曲线进行相似性比较，得到最为相似的变化趋势特征曲线，而该特征曲线所对应的样本子集便构成了预测日最终建模预测所需要的精选样本数据库；对于原FCM算法，在计算样本X_j对聚类中心W_k(t)的隶属度u_kj(t)时所用的距离公式为$d_{\mathrm{kj}}^2\left(t\right)={\left|\right|X_j-W_k\left(t\right)\left|\right|}^2---\left(9\right)$由于该距离公式只适合于球形或椭球形分布的多维数据，而本文所要处理的负荷水平趋势向量的分布为平行分布，仍然采用这一距离公式显然是不合理的，所以本文算法使用灰色系统理论^[30]中的关联度方法来描述样本X_j与聚类中心W_k(t)在高维空间中的距离，如果我们指定参考列向量为聚类中心W_k(t)＝{w_k1(t)，w_k2(t)…，w_kp(t)}^T，样本X_j＝{xj₁，xj₂…，x_jp}^T，j＝1，2…N′，则称为聚类中心W_k(t)与样本x_j在第s点的关联系数，用于向量间距离计算；a、给定聚类数c，误差上限ε，初始模糊度m₀，迭代上限T，墨西哥草帽函数参数：k，k₁，k₂，σ₁，σ₂，k₃；b、随机给定初始聚类中心(权值矢量)W_k，k＝1，2…，m，令t＝1；c、根据距离公式(11)：$d_{\mathrm{kj}}\left(t\right)=\frac{1}{N^{\prime }}\underset{s=1}{\overset{p}{\Sigma }}{\xi }_{\mathrm{kj}}\left(s\right)---\left(11\right)$和隶属度计算及更新公式(12)～(14)：对于如果则有：$u_{\mathrm{kj}}={\left[\underset{i=1}{\overset{c}{\Sigma }}{\left(\frac{d_{\mathrm{kj}}}{d_{\mathrm{ij}}}\right)}^{\frac{1}{m\left(t\right)-1}}\right]}^{-1}---\left(12\right)$如果使得d_kr＝0，则有：u_kr＝1，且对j≠r，u_kj＝0    (13)j^*为最佳匹配节点    (14)形成隶属度矩阵U；d、根据隶属度矩阵U按式(15)：η_kj(t)＝(u^*_kj(t))^m(t)，$m\left(t\right)=m_0-\frac{(m_0-1)t}{T}---\left(15\right)$计算学习率η_kj(t)；e、根据公式：W_k(t+1)＝W_k(t)+η_kj(t)[X_j-W_k(t)]，k＝1，2…，m    (16)对权值向量进行更新；f、当m(t)＞1.0，||W_k(t+1)-W_k(t)||＞ε，并且t＜T时，令t＝t+1，返回c，否则聚类结束；根据负荷变化特征并进行多次测试，网络参数设定为：聚类数c＝3，误差上限ε＝1.0×10^-4，初始模糊度m₀＝2，迭代上限T＝10000，墨西哥草帽函数参数：k＝5，k₁＝10，k₂＝5，k₃＝0.05，σ₁＝0.5，σ₂＝5，则有该网络的输入节点n＝p＝30，输出节点m＝c＝3；6)利用负荷变化特征曲线对初选样本集进行特征划分并精选样本改进SOFM网络训练收敛后，提取出三条特征各异的负荷水平变化趋势特征曲线X_T1，X_T2，X_T3，然后再将这N′个趋势向量依次重新输入训练好的SOFM网络，原初选样本数据库E将被划分为三个样本子集E₁，E₂，E₃，并且满足1≤i，j≤3E₁∪E₂∪E₃＝E        (17)其中对于某一趋势向量X_j，其网络输出向量为{y₁，y₂，y₃}^T，由SOFM网络特性可知$y_k=\underset{i}{\max }\{y_i,i=\mathrm{1,2,3}\}\Rightarrow X_j\in E_k---\left(18\right)$在特征曲线提取与样本分类完毕后，分别计算预测日对应的负荷水平变化趋势向量X_d与三条负荷水平变化趋势特征曲线X_T1，X_T2，X_T3之间的关联度，找出关联度最大也就是最为相似的变化趋势特征曲线X_Ti，从而断定该特征曲线所对应的样本子集E_i就是预测日负荷建模预测所需的精选样本数据库；7)令t＝1，形成t时刻训练样本集：考虑对负荷影响较大的温度信息，其样本的输入变量主要由四部分组成：负荷变量、温度变量、日期变量和节假日变量；负荷变量：采用预测点两天前及七天前的相同时刻及其前后两个时刻的平均负荷，共16个变量组成负荷输入变量用于预测各采样点负荷，即要预测第d+1天第t小时的负荷L_d+1，4×t-i，i＝0，1，2，3，其输入变量中的负荷变量包括L_d-1，4×t-i，L_d-6，4×t-i(i＝0，1，2，3)，温度变量：采用预测样本日前两天的温度信息即日最高、最低和平均温度作为样本的温度输入变量；日期变量：采用一个七维脉冲二进制量来表示待预测日星期类型，即采样点为星期几则在七位二进制中第几位则为1，其余各位取0；节假日变量：节假日信息用一个二进制量来表示，若待预测日为节假日，该量为1，若不为节假日，令该量为0；输出变量：t时刻一小时的四个点负荷值；8)ANN网络权值、各隐层神经元域值以及温度补偿模型参数初始化随机给定ANN网络权值及神经元域值(0～1均匀分布随机数)温度补偿模型中的参数包括：临界温度T_crmax、T_crmin，温度补偿系数α、λ；对于临界温度，设历史样本最高温度T_max，最低温度T_min，则其初始值的选取如下式所示：$T_{\mathrm{cr}\min }=\left\{\begin{array}{cc}1.1\times T_{\min },& T_{\min }\ge 0\\ 0.9\times T_{\min },& T_{\min }<0\end{array}\right.---\left(19\right)$$T_{\mathrm{cr}\max }=\left\{\begin{array}{cc}0.9\times T_{\max },& T_{\max }\ge 0\\ 1.1\times T_{\max },& T_{\max }<0\end{array}\right.---\left(20\right)$温度补偿系数α、λ，取[0，1]区间均匀分布的随机数生成；9)基于BFGS优化算法对t时刻ANN网络进行训练：步骤1：令迭代次数k＝1；步骤2：训练样本集中的负荷、温度输入量归一化处理；在高温天气下，当某一日期d气象预报的日最高温度T_dmax超过某一临界温度T_crmax时，认为时刻t的负荷P_dt等于预测负荷P_dt0(以下称假想负荷)增大了一个百分值α_dt，即P_dt＝P_dt0(1+α_dt(T_dmax-T_crmax))        (21)同理，低温天气下，当某一日期d气象预报的日最低温度T_dmin低于某一临界温度T_crmin时，认为时刻t的负荷P_dt等于预测负荷P_dt0增加了一个百分值λ_dt，即P_dt＝P_dt0(1-λ_dt(T_dmin-T_crmin))        (22)其中，α_dt与λ_dt分别为d日t时刻的最高温度系数与最低温度系数；对于d日，如果由气象预报给定的日最高温度T_dmax超过某给定的临界值T_crmax或日最低温度T_dmin超过给定临界值T_crmin时，则按式(21)与(22)，其假想负荷为式中，$\left\{\begin{array}{c}\Delta T_{d\max }=T_{d\max }-T_{\mathrm{cr}\max }\\ \Delta T_{d\min }=T_{d\min }-T_{\mathrm{cr}\min }\end{array}\right.---\left(24\right)$α_dt与λ_dt分别为d日t时刻的最高温度系数与最低温度系数；对于d′日，当日最高温度T_d′max超过某给定的临界值T_crmax或日最低温度T_dmin超过给定临界值T_crmin时，同理可以按式(21)与(22)得出实际负荷与假想负荷的关系式中，$\left\{\begin{array}{c}{\mathrm{\Delta T}}_{d^{\prime }\max }=T_{d^{\prime }\max }-T_{\mathrm{cr}\max }\\ {\mathrm{\Delta T}}_{d^{\prime }\min }=T_{d^{\prime }\min }-T_{\mathrm{cr}\min }\end{array}\right.---\left(26\right)$同样，α_d′t与λ_d′t分别为d′日t时刻的最高温度系数与最低温度系数；负荷数据的归一化处理$x_t=\frac{P_{\mathrm{dt}0}-0.9P_{t\min }}{1.1P_{t\max }-0.9P_{t\min }},$t＝1，2，…，24    (27)$y_t=\frac{P_{d^{\prime }t0}-0.9P_{t\min }}{1.1P_{t\max }-0.9P_{t\min }},$t＝1，2，…，24    (28)其中，P_tmax和P_tmin分别为全部样本中在t时刻负荷的最大值和最小值；温度数据的归一化处理：${\tilde{T}}_d=\frac{T_d}{{\mathrm{Coe}}_T}---\left(29\right)$式中：Coe_T为温度归一化常数取30℃；T_d为d日实际温度值，为归一化后的温度值；步骤3：依据BFGS算法进行第k次迭代，调整ANN权值、神经元域值及温度补偿系数、临界温度参数；步骤4：根据BFGS判敛规则判断ANN是否收敛，否，则令k＝k+1，返回步骤2，是，则退出BFGS网络训练，迭代结束；10)预测t时刻的假想负荷值11)根据预测日温度补偿系数求出t时刻真实负荷值然后赋予t＝t+1，进入步骤7)至11)直至t大于等于24即得到输出待预测日24小时负荷预测值。