本發(fā)明涉及電力負(fù)荷預(yù)測技術(shù)領(lǐng)域，特別是涉及一種基于大數(shù)據(jù)簡約的短期電力負(fù)荷預(yù)測方法。

背景技術(shù)：

電力負(fù)荷預(yù)測是供電部門的重要工作之一，是保證電力系統(tǒng)可靠供電和安全運(yùn)行的前提。準(zhǔn)確的負(fù)荷預(yù)測可以經(jīng)濟(jì)合理地安排電網(wǎng)內(nèi)部發(fā)電機(jī)組的啟停，做到提高經(jīng)濟(jì)效益和社會(huì)效益。面對如今智能電網(wǎng)的快速發(fā)展，電力負(fù)荷影響因素增加，數(shù)據(jù)呈指數(shù)級(jí)增長，逐步構(gòu)成了大數(shù)據(jù)多維化的特點(diǎn)，傳統(tǒng)的數(shù)據(jù)分析模式已無法滿足需求。如何做到高效準(zhǔn)確的預(yù)測此特點(diǎn)的電力負(fù)荷成為現(xiàn)在解決的關(guān)鍵問題。目前的短期電力負(fù)荷預(yù)測模型中，應(yīng)用較廣泛的BP神經(jīng)網(wǎng)絡(luò)是利用靜態(tài)前饋網(wǎng)絡(luò)對動(dòng)態(tài)網(wǎng)絡(luò)進(jìn)行辨識(shí)，將動(dòng)態(tài)時(shí)間建模問題變?yōu)殪o態(tài)空間建模問題從而使得預(yù)測精度較低，而且訓(xùn)練時(shí)需要大量的樣本數(shù)據(jù)，使得預(yù)測速度也較慢，這都將導(dǎo)致電力的運(yùn)行成本大幅增加，即面對電力負(fù)荷的大數(shù)據(jù)特點(diǎn)，當(dāng)前的短期負(fù)荷預(yù)測方法已不能完全滿足智能電網(wǎng)的需求。因此，我們提出了一種基于大數(shù)據(jù)簡約的短期電力負(fù)荷預(yù)測方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于提供一種智能電網(wǎng)下明顯提高短期電力負(fù)荷的預(yù)測精度和速度的基于大數(shù)據(jù)簡約的短期電力負(fù)荷預(yù)測方法。

為實(shí)現(xiàn)上述目的，采用了以下技術(shù)方案，本發(fā)明方法包括以下步驟：

步驟1，選擇預(yù)測日之前的n個(gè)同類型日期的采樣點(diǎn)負(fù)荷序列，每個(gè)日期的采樣點(diǎn)為48點(diǎn)，即每30min采樣一次；

步驟2，獲取選擇n個(gè)同類型日期及預(yù)測日的影響負(fù)荷相關(guān)天氣因素?cái)?shù)據(jù)；

步驟3，利用最小絕對值收縮(Lasso)原理將獲取的原始電力負(fù)荷及相關(guān)天氣因素大數(shù)據(jù)進(jìn)行高維數(shù)據(jù)簡約，剔除壞數(shù)據(jù)，獲得有用的負(fù)荷序列；

步驟4，通過主成分分析(PCA)對天氣環(huán)境因素變量進(jìn)行降維及特征提取，獲取環(huán)境特征因子；

步驟5，建立Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測模型，將提取的特征向量以及歷史負(fù)荷數(shù)據(jù)共同作為Elman神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練預(yù)測，通過Elman方法預(yù)測第n+1天的各時(shí)刻的負(fù)荷值。

所述步驟2中的相關(guān)天氣因素負(fù)荷數(shù)據(jù)包括：晴天(X1)、陰天(X2)、雨天(X3)、最高氣溫(X4)、最低氣溫(X5)、氣壓(X6)、濕度(X7)、輻射(X8)、風(fēng)速(X9)、云量(X10)等10個(gè)，這10個(gè)相關(guān)的天氣因素?cái)?shù)據(jù)將作為仿真數(shù)據(jù)輸入；

所述步驟3)中的最小絕對值收縮(Lasso)原理如下：

利用Lasso算法對負(fù)荷大數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，剔除冗余數(shù)據(jù)，從而為負(fù)荷預(yù)測算法提供簡約而有效的特征數(shù)據(jù)；Lasso方法是一種壓縮估計(jì)，通過構(gòu)造一個(gè)罰函數(shù)得到一個(gè)較為精煉的模型，使得它壓縮一些系數(shù)，同時(shí)設(shè)定一些系數(shù)為零，因此保留了子集收縮的特點(diǎn)；

設(shè)有線性回歸模型：

y＝α+β₁x₁+β₂x₂+…+β_px_p+ε (1)

式中，α為常數(shù)項(xiàng)；β₁,β₂,…β_p為回歸系數(shù)；ε是隨機(jī)擾動(dòng)項(xiàng)；(x_i1,x_i2,...,x_ip；y_i)，i＝1,2,...,n是變量的n組觀測值，需滿足其中j＝1,2,...,p；

常數(shù)項(xiàng)和回歸系數(shù)的Lasso估計(jì)定義為：

數(shù)據(jù)降維的具體過程如下：

(a)約束條件：s為懲罰函數(shù)；

(b)令表示β_j的最小二乘估計(jì)，則有

(c)當(dāng)s值不斷增大，進(jìn)入回歸模型的數(shù)據(jù)就會(huì)增多，當(dāng)達(dá)到某個(gè)值時(shí)，所有數(shù)據(jù)都會(huì)進(jìn)入回歸模型；當(dāng)s值減小到一定程度，某些回歸系數(shù)的估計(jì)值為0，模型提出系數(shù)為0的變量，從而達(dá)到降維的目的。

步驟4中，主成分分析主要目的是對電力負(fù)荷預(yù)測中氣象數(shù)據(jù)降維處理，提取多天氣因素特征指標(biāo)，與歷史負(fù)荷數(shù)據(jù)共同作為建模對象，使建立的特征量既全面表征各因素對電力負(fù)荷的影響，又能簡化預(yù)測模型；

假定有n個(gè)樣本，每個(gè)樣本共有p個(gè)變量，構(gòu)成一個(gè)n×p階的數(shù)據(jù)矩陣

具體過程如下：

(a)數(shù)據(jù)標(biāo)準(zhǔn)化——將原始數(shù)據(jù)指標(biāo)標(biāo)準(zhǔn)化為[0,1]之間的有效數(shù)據(jù)；

(b)計(jì)算相關(guān)系數(shù)矩陣

式中，rij(i，j＝1，2，…，p)為原變量xi與xj之間的相關(guān)系數(shù)，其計(jì)算公式為：

因?yàn)镽是實(shí)對稱矩陣(即rij＝rji)，所以只需計(jì)算上三角元素或下三角元素；

(c)計(jì)算特征值與特征向量

首先解特征方程|λI-R|＝0，通常用雅可比法求出特征值λ_i(i＝1,2,…,p)，并使其按大小順序排列，即λ₁≥λ₂≥…,≥λ_p≥0；然后分別求出對應(yīng)于特征值λ_i的特征向量a_i(i＝1,2,…,p)；

(d)計(jì)算主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

對m個(gè)主成分進(jìn)行綜合評(píng)價(jià)及加權(quán)求和

f＝w₁z₁+w₂z₂+…+w_mz_m (7)

式中，wi為主成分的貢獻(xiàn)率，計(jì)算公式為：

貢獻(xiàn)率所代表的是第i個(gè)主成分所占原始指標(biāo)信息量的百分比，所以第一主成分應(yīng)該所占比重最大，然后逐次遞減。前m個(gè)主成分累計(jì)方差貢獻(xiàn)率為：

為了達(dá)到降維的目的，當(dāng)前m個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到85％以上，就可以用前m個(gè)主成分來替代原來的p個(gè)評(píng)價(jià)指標(biāo)；

(e)新樣本矩陣的構(gòu)造:定義：記x1，x2，…，xP為原變量指標(biāo)，z1，z2，…，zm(m≤p)為新變量指標(biāo)，根據(jù)式(12)和式(13)計(jì)算每一個(gè)主成分的各樣本值；

步驟5中，具體預(yù)測方法如下：

Elman神經(jīng)網(wǎng)絡(luò)是在BP的前饋網(wǎng)絡(luò)隱含層中增加一個(gè)承接層，作為一步延時(shí)算子，以達(dá)到記憶的目的，通過存儲(chǔ)內(nèi)部狀態(tài)，使其具備動(dòng)態(tài)特性的功能，從而使得系統(tǒng)具有適應(yīng)突變事件的特性；

Elman網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式為:

式中，k為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的次數(shù)；y為n維輸出向量；x為隱層神經(jīng)元輸出向量；u為輸入向量；xc為反饋狀態(tài)向量；w3為中間層到輸出層連接權(quán)值；w2為輸入層到中間層連接權(quán)值；w1為承接層到中間層的連接權(quán)值。g為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合；f為隱層神經(jīng)元的傳遞函數(shù)，常采用s函數(shù)；

Elman網(wǎng)絡(luò)也采用BP算法進(jìn)行權(quán)值修正，學(xué)習(xí)指標(biāo)函數(shù)采用誤差平方和函數(shù)：

式中，為目標(biāo)輸入向量。

與現(xiàn)有技術(shù)相比，本發(fā)明方法具有如下優(yōu)點(diǎn)：

1、利用Lasso原理可以將智能電網(wǎng)大數(shù)據(jù)中冗余數(shù)據(jù)和壞數(shù)據(jù)進(jìn)行剔除，使其數(shù)據(jù)更有效簡約；

2、引入Lasso-PCA對電力負(fù)荷預(yù)測中的氣象數(shù)據(jù)進(jìn)行降維處理，提取多天氣因素特征量，與歷史負(fù)荷數(shù)據(jù)共同作為建模對象，使建立的特征量既全面表征各因素對電力負(fù)荷的影響，又能簡化預(yù)測輸入數(shù)據(jù)，同時(shí)采用動(dòng)態(tài)Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型，明顯提高電力負(fù)荷預(yù)測的精確度和速度。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

圖2是本發(fā)明方法的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖3是本發(fā)明方法對10個(gè)環(huán)境變量因子進(jìn)行主成分分析的結(jié)果圖。

圖4是不同方法下的預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線的對比圖。

圖5是不同方法下的預(yù)測誤差對比圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步說明：

如圖1所示，本發(fā)明提供一種基于大數(shù)據(jù)簡約的短期電力負(fù)荷預(yù)測方法，包括以下步驟：

1)選擇預(yù)測日前n個(gè)同類型日期的48點(diǎn)(每30min采樣一次)的負(fù)荷序列；

2)獲取選擇n個(gè)同類型日期及預(yù)測日的影響負(fù)荷因素?cái)?shù)據(jù)；

3)利用最小絕對值收縮(Lasso)原理將獲取的原始電力負(fù)荷及相關(guān)天氣因素大數(shù)據(jù)進(jìn)行高維數(shù)據(jù)簡約，剔除壞數(shù)據(jù)，獲得有用數(shù)據(jù)集；

4)通過主成分分析(PCA)對環(huán)境因素變量進(jìn)行降維及特征提取，獲取環(huán)境特征因子；

5)建立Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測模型，將提取的特征向量以及歷史負(fù)荷數(shù)據(jù)共同作為Elman神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練預(yù)測。

如圖2所示，Elman神經(jīng)網(wǎng)絡(luò)一般分為4層：輸入層，中間層(隱含層)，承接層和輸出層。輸入層、隱含層和輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起信號(hào)傳輸作用，輸出層單元起線性加權(quán)作用。隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，承接層用于記憶隱層的過去態(tài)，并在下一時(shí)刻聯(lián)同網(wǎng)絡(luò)輸入一起作為隱含層單元的輸入，使得網(wǎng)絡(luò)具有動(dòng)態(tài)記憶功能，從而達(dá)到了動(dòng)態(tài)建模的目的。

應(yīng)用實(shí)例：

以某省的電力負(fù)荷數(shù)據(jù)為依據(jù)建立PCA-Elman預(yù)測模型對這一地區(qū)的日負(fù)荷進(jìn)行預(yù)測，選擇這一地區(qū)2004年3月1日～3月8日的電力負(fù)荷數(shù)據(jù)(y)及晴天(X1)、陰天(X2)、雨天(X3)、最高氣溫(X4)、最低氣溫(X5)、氣壓(X6)、濕度(X7)、輻射(X8)、風(fēng)速(X9)、云量(X10)等10個(gè)相關(guān)的環(huán)境因素?cái)?shù)據(jù)作為仿真數(shù)據(jù)。預(yù)測時(shí)，將前7天的數(shù)據(jù)作為訓(xùn)練樣本，每前3天的負(fù)荷序列作為輸入向量，第4天的負(fù)荷序列作為目標(biāo)向量，依此規(guī)律共得到4組訓(xùn)練樣本對本模型進(jìn)行樣本訓(xùn)練，最后將第8天的數(shù)據(jù)作為網(wǎng)絡(luò)的測試樣本，驗(yàn)證網(wǎng)絡(luò)模型的準(zhǔn)確性。

預(yù)測過程按照圖1所述流程圖進(jìn)行。對輸入負(fù)荷序列利用Lasso原理進(jìn)行不良數(shù)據(jù)處理，使輸入數(shù)據(jù)達(dá)到準(zhǔn)確簡約，然后利用PCA對電力負(fù)荷預(yù)測中的氣象數(shù)據(jù)進(jìn)行降維處理，提取多天氣因素特征量，與簡約后的歷史負(fù)荷數(shù)據(jù)共同作為建模對象，輸入到Elman神經(jīng)網(wǎng)絡(luò)模型中從而進(jìn)行負(fù)荷預(yù)測。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

如圖3是對10個(gè)環(huán)境變量因子進(jìn)行主成分分析的結(jié)果圖，按主成分特征值由大到小排列，得到前3個(gè)主成分累計(jì)方差貢獻(xiàn)率可達(dá)到85％以上，說明了前3個(gè)主成分幾乎包含了全部影響因素所具有的信息，根據(jù)貢獻(xiàn)率大于85％(特征值大于1)的原則選取新因子，選擇前3個(gè)特征值并計(jì)算相應(yīng)的特征向量，作為動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的輸入。

如圖4、圖5所示分別為不同方法下的預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線的對比圖和各方法下的預(yù)測誤差對比圖，通過此方法較其他預(yù)測方法對短期電力負(fù)荷進(jìn)行預(yù)測時(shí)更具準(zhǔn)確性。

如上所述，該方法首先利用Lasso原理將大數(shù)據(jù)中冗余數(shù)據(jù)和壞數(shù)據(jù)進(jìn)行剔除，然后通過主成分分析PCA對環(huán)境因素變量進(jìn)行降維及特征提取。提取的特征向量以及簡約處理后的歷史負(fù)荷數(shù)據(jù)共同作為Elman神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練預(yù)測，最終得到與之前預(yù)測方法相比較為準(zhǔn)確的預(yù)測結(jié)果。該方法的提出為智能電網(wǎng)下的電力系統(tǒng)短期負(fù)荷預(yù)測提供了一種新思路。

以上所述的實(shí)施例僅僅是對本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行描述，并非對本發(fā)明的范圍進(jìn)行限定，在不脫離本發(fā)明設(shè)計(jì)精神的前提下，本領(lǐng)域普通技術(shù)人員對本發(fā)明的技術(shù)方案做出的各種變形和改進(jìn)，均應(yīng)落入本發(fā)明權(quán)利要求書確定的保護(hù)范圍內(nèi)。