專(zhuān)利名稱(chēng)：一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于短期電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于集成學(xué)習(xí)算法的短期電力負(fù)荷預(yù)測(cè)方法。
背景技術(shù)：
電力負(fù)荷是指電力需求量或用電量。負(fù)荷預(yù)測(cè)是在充分考慮系統(tǒng)運(yùn)行特性、增容決策、自然條件與社會(huì)影響的條件下，根據(jù)歷史負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、人口數(shù)據(jù)等信息，建立合適的數(shù)學(xué)模型，在滿足一定精度的條件下對(duì)未來(lái)某特定時(shí)刻的負(fù)荷數(shù)值進(jìn)行預(yù)測(cè)。電力負(fù)荷預(yù)測(cè)是供電部門(mén)的重要工作之一，根據(jù)負(fù)荷預(yù)測(cè)，可以經(jīng)濟(jì)合理地安排電網(wǎng)內(nèi)部發(fā)電機(jī)組的啟停，保證電網(wǎng)安全穩(wěn)定地運(yùn)行，減少不必要的旋轉(zhuǎn)儲(chǔ)備容量，合理安排機(jī)組檢修計(jì)劃，有效降低發(fā)電成本，提高經(jīng)濟(jì)效益和社會(huì)效益。電力負(fù)荷預(yù)測(cè)按照預(yù)測(cè)時(shí)間期限分為長(zhǎng)期、中期、短期、超短期負(fù)荷預(yù)測(cè)。長(zhǎng)期負(fù)荷預(yù)測(cè)一般指十年以上，并以年為單位的預(yù)測(cè)，中期負(fù)荷預(yù)測(cè)指五年左右，并以年為單位的預(yù)測(cè)。長(zhǎng)期和中期負(fù)荷預(yù)測(cè)可以協(xié)助電力規(guī)劃部門(mén)決定新的發(fā)電機(jī)組的安裝與電網(wǎng)的規(guī)劃、增容和改建。短期負(fù)荷預(yù)測(cè)是指一年以內(nèi)，以月為單位的負(fù)荷預(yù)測(cè)，也可以預(yù)測(cè)未來(lái)一周、一天的負(fù)荷。它的意義在于幫助確定燃料供應(yīng)計(jì)劃，安排本網(wǎng)內(nèi)機(jī)組的啟停，制定檢修計(jì)劃。超短期負(fù)荷預(yù)測(cè)是預(yù)測(cè)未來(lái)一小時(shí)， 或者半小時(shí)，甚至十分鐘的負(fù)荷。它的意義在于對(duì)電網(wǎng)進(jìn)行計(jì)算機(jī)控制，合理調(diào)度發(fā)電容量，滿足負(fù)荷需求，并使發(fā)電成本最小。本發(fā)明討論的是短期負(fù)荷預(yù)測(cè)。長(zhǎng)期以來(lái)各位專(zhuān)家學(xué)者在短期負(fù)荷預(yù)測(cè)領(lǐng)域做了大量的研究工作，提出了多種短期負(fù)荷預(yù)測(cè)方法。繼基于時(shí)間序列、回歸分析等傳統(tǒng)預(yù)測(cè)模型之后，基于神經(jīng)網(wǎng)絡(luò)、小波分析、專(zhuān)家系統(tǒng)、支持向量回歸(SVR:Support Vector Regression)、核向量回歸(CVR Core Vector Regression)等人工智能理論的現(xiàn)代負(fù)荷預(yù)測(cè)模型被廣泛采用。對(duì)這些方法的研究取得了一定的成就，在一些實(shí)際項(xiàng)目中也得到了很好的應(yīng)用。然而負(fù)荷預(yù)測(cè)是一個(gè)耗時(shí)的過(guò)程，影響負(fù)荷預(yù)測(cè)的因素也是復(fù)雜的，尋求預(yù)測(cè)速度更快、預(yù)測(cè)精度更高、預(yù)測(cè)模型的建立更容易的方法，始終是負(fù)荷預(yù)測(cè)領(lǐng)域眾專(zhuān)家學(xué)者不斷探索的目標(biāo)。近年來(lái)，隨著對(duì)集成學(xué)習(xí)方法研究的深入，其在預(yù)測(cè)領(lǐng)域的應(yīng)用也引起了廣泛的重視。考慮到單學(xué)習(xí)器各自的局限，集成學(xué)習(xí)方法通過(guò)對(duì)同一樣本集訓(xùn)練多個(gè)學(xué)習(xí)器，將各學(xué)習(xí)器的輸出結(jié)果進(jìn)行特定方式的組合，以用于對(duì)新的實(shí)例進(jìn)行分類(lèi)或者預(yù)測(cè)。實(shí)驗(yàn)表明， 通過(guò)集成學(xué)習(xí)方法可以顯著提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性。如

圖1所示在學(xué)習(xí)階段，由原始訓(xùn)練樣本集τ產(chǎn)生η個(gè)訓(xùn)練子集Ti (i = 1，2，. . .，η)，由每一個(gè)訓(xùn)練子集Ti產(chǎn)生對(duì)應(yīng)的學(xué)習(xí)器、(1 = 1,2, ...，η)。在實(shí)際應(yīng)用中，個(gè)體學(xué)習(xí)器以特定方式結(jié)合在一起組成h* =F(hi; h2, . . , hn)。測(cè)試樣本實(shí)例χ由h*進(jìn)行預(yù)測(cè)。其準(zhǔn)確度高于Iii中最好的。Adaboost算法是目前集成學(xué)習(xí)算法中最流行的一種，它允許不斷添加新的子學(xué)習(xí)器，直到滿足預(yù)測(cè)精度要求。只要子學(xué)習(xí)器足夠多，預(yù)測(cè)精度就能足夠高。在Adaboost算法中，原始訓(xùn)練樣本集中每個(gè)訓(xùn)練樣本被賦予一個(gè)權(quán)值，來(lái)反映這個(gè)樣本的重要性，代表該樣本能被選入某個(gè)訓(xùn)練子集的概率。如果某個(gè)樣本已被準(zhǔn)確預(yù)測(cè)，它的權(quán)值就會(huì)降低，被選入訓(xùn)練子集的概率就會(huì)減小。通過(guò)這種方式，可以使子學(xué)習(xí)器對(duì)還沒(méi)有正確預(yù)測(cè)的樣本進(jìn)行重點(diǎn)訓(xùn)練。Adaboost算法的最終預(yù)測(cè)函數(shù)h*的訓(xùn)練誤差滿足
權(quán)利要求
1.一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是該方法包括以下步驟 步驟1 對(duì)電力負(fù)荷進(jìn)行數(shù)據(jù)預(yù)處理；步驟2 構(gòu)建電力負(fù)荷預(yù)測(cè)的訓(xùn)練樣本集和測(cè)試樣本集； 步驟3 用密母優(yōu)化算法尋找核向量回歸學(xué)習(xí)器的最優(yōu)初始參數(shù)值； 步驟4 在步驟3的基礎(chǔ)上采用集成學(xué)習(xí)算法并對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，進(jìn)而求得子學(xué)習(xí)器模型；步驟5 由子學(xué)習(xí)器模型加權(quán)組合得到預(yù)測(cè)模型，通過(guò)預(yù)測(cè)模型對(duì)測(cè)試樣本集進(jìn)行預(yù)測(cè)求得均方根相對(duì)誤差，進(jìn)而得到滿足精度要求的實(shí)際預(yù)測(cè)模型； 步驟6 用實(shí)際預(yù)測(cè)模型對(duì)未來(lái)一周的負(fù)荷進(jìn)行預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述數(shù)據(jù)預(yù)處理包括填補(bǔ)缺失數(shù)據(jù)、修正噪聲數(shù)據(jù)、數(shù)據(jù)平滑處理和數(shù)據(jù)歸一化處理。
3.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述步驟3具體為步驟3. 1 選定密母優(yōu)化算法的編碼規(guī)則，按照編碼規(guī)則產(chǎn)生規(guī)模為η的初始種群G，設(shè)定最大進(jìn)化代數(shù)g，選取適應(yīng)度函數(shù)；步驟3. 2 計(jì)算初始種群G的個(gè)體Gi的適應(yīng)度值Fi,將種群中適應(yīng)度值最差的個(gè)體記為 G ·worst ‘步驟3. 3 對(duì)初始種群G的個(gè)體Gi使用局部啟發(fā)式搜索算法尋找個(gè)體Gi的適應(yīng)度最優(yōu)值，用適應(yīng)度最優(yōu)值對(duì)應(yīng)的個(gè)體替換個(gè)體Gi ；步驟3. 4 對(duì)個(gè)體Gi進(jìn)行交叉或變異操作，若交叉或變異操作的結(jié)果優(yōu)于最差的個(gè)體 Gworst,則用交叉或變異操作的結(jié)果替換最差的個(gè)體Gwmst ； 步驟3. 5 滿足以下條件之一，計(jì)算過(guò)程結(jié)束 a 循環(huán)達(dá)到最大進(jìn)化代數(shù)g ； b 前5代的平均適應(yīng)度相差不超過(guò)10_6 ；將初始種群G中的最優(yōu)個(gè)體作為核向量回歸學(xué)習(xí)器的最優(yōu)參數(shù)值。
4.根據(jù)權(quán)利要求3所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述密母優(yōu)化算法的編碼規(guī)則為十進(jìn)制編碼。
5.根據(jù)權(quán)利要求3所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述適應(yīng)度值為
6.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述步驟4具體為步驟4. 1 采用集成學(xué)習(xí)算法，設(shè)定最大訓(xùn)練次數(shù)為q、懲罰參數(shù)C、不敏感損失參數(shù)ε 和核函數(shù)；步驟4. 2 將訓(xùn)練樣本集S中的元素按照樣本權(quán)重從大到小排序，按照指定比例選取權(quán)重大的元素構(gòu)造訓(xùn)練樣本子集3(1)；步驟4. 3 用核向量回歸學(xué)習(xí)器對(duì)訓(xùn)練樣本子集3(1)進(jìn)行訓(xùn)練，得到子學(xué)習(xí)器模； 步驟4. 4 用子學(xué)習(xí)器模型h(i)對(duì)訓(xùn)練樣本集S中的所有樣本進(jìn)行預(yù)測(cè)，計(jì)算子學(xué)習(xí)器模型的預(yù)測(cè)誤差ε⑴；步驟4. 5 根據(jù)預(yù)測(cè)誤差ε⑴更新訓(xùn)練樣本集S中各樣本的權(quán)重； 步驟4. 6 重復(fù)步驟4. 2-步驟4. 5，若達(dá)到最大訓(xùn)練次數(shù)為q，過(guò)程結(jié)束。
7.根據(jù)權(quán)利要求6所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述核函數(shù)為高斯核函數(shù)。
8.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述預(yù)測(cè)模型為
9.根據(jù)權(quán)利要求1所述的一種基于集成學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)方法，其特征是所述均方根相對(duì)誤差為
全文摘要
本發(fā)明公開(kāi)了短期電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域中的一種基于集成學(xué)習(xí)算法的短期電力負(fù)荷預(yù)測(cè)方法。本發(fā)明首先對(duì)電力負(fù)荷進(jìn)行數(shù)據(jù)預(yù)處理，構(gòu)建負(fù)荷預(yù)測(cè)的訓(xùn)練樣本集和測(cè)試樣本集；然后用密母優(yōu)化算法尋找核向量回歸學(xué)習(xí)器的最優(yōu)初始參數(shù)值，并對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，進(jìn)而求得子學(xué)習(xí)器模型；之后由子學(xué)習(xí)器模型加權(quán)組合得到預(yù)測(cè)模型，通過(guò)預(yù)測(cè)模型對(duì)測(cè)試樣本集進(jìn)行預(yù)測(cè)，并根據(jù)均方根相對(duì)誤差作為判斷預(yù)測(cè)模型精度的條件，依據(jù)精度確定是否需要增加新的子學(xué)習(xí)器，最終得到滿足精度要求的實(shí)際預(yù)測(cè)模型；最后用實(shí)際預(yù)測(cè)模型對(duì)未來(lái)一周的負(fù)荷進(jìn)行預(yù)測(cè)。本發(fā)明方法具有模型簡(jiǎn)單、預(yù)測(cè)精度高、預(yù)測(cè)速度快等優(yōu)點(diǎn)。
文檔編號(hào)G06K9/66GK102270309SQ20111021285
公開(kāi)日2011年12月7日 申請(qǐng)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(chéng), 陳普 申請(qǐng)人:華北電力大學(xué)