基于相似日的短期负荷预测模型优选组合方法

合集下载

基于相似日的短期负荷预测模型优选组合方法

基于相似日的短期负荷预测模型优选组合方法在当今社会，电力系统的稳定运行对于经济发展和人们的日常生活至关重要。

准确的短期负荷预测是电力系统规划、调度和运营的重要基础，能够帮助电力企业更好地进行资源配置、优化电力生产和供应，提高电力系统的可靠性和经济性。

而基于相似日的短期负荷预测模型优选组合方法则是一种有效的提高预测准确性的手段。

相似日的概念基于这样一个前提：在相似的日期条件下，电力负荷的变化模式往往具有相似性。

这些相似的条件可以包括日期类型（工作日、周末、节假日等）、天气状况（温度、湿度、降雨量、风速等）、季节等。

通过找出与预测日相似的历史日期，并分析这些相似日的负荷数据，我们可以为预测日的负荷预测提供有价值的参考。

在短期负荷预测中，有多种模型可供选择，常见的有时间序列模型、回归模型、人工神经网络模型等。

每种模型都有其特点和适用范围。

时间序列模型，如自回归移动平均（ARMA）模型和自回归积分滑动平均（ARIMA）模型，适用于负荷数据具有明显的时间序列特征的情况。

它们通过对历史负荷数据的自身规律进行分析和建模，来预测未来的负荷。

回归模型则将负荷与相关的影响因素（如温度、湿度等）建立线性或非线性的关系，从而进行预测。

人工神经网络模型具有强大的学习能力和非线性拟合能力，能够处理复杂的负荷变化模式。

然而，没有一种单一的模型能够在所有情况下都表现出色。

这是因为电力负荷受到多种因素的综合影响，其变化模式非常复杂。

不同的模型在不同的场景下可能会有不同的预测效果。

因此，为了提高预测的准确性和可靠性，我们需要对多种模型进行优选组合。

模型的优选组合可以采用多种方法。

一种常见的方法是基于预测误差的评估。

我们可以使用历史数据对每个模型进行训练和测试，计算它们的预测误差，如平均绝对误差（MAE）、均方根误差（RMSE）等。

然后，根据误差的大小对模型进行排序，选择误差较小的模型作为优选模型。

另一种方法是基于权重的组合。

为每个模型分配一个权重，权重的确定可以根据模型的历史表现、预测误差或者专家经验等。

负荷预测的方法及特点

负荷预测的方法及特点负荷猜测是电力系统调度、实时掌握、运行方案和进展规划的前提，是一个电网调度部门和规划部门所必需具有的基本信息。

提高负荷猜测技术水平，有利于方案用电管理，有利于合理支配电网运行方式和机组检修方案，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。

因此，负荷猜测已成为实现电力系统管理现代化的重要内容，以下具体介绍负荷猜测的方法及特点：1.单耗法根据国家支配的产品产量、产值方案和用电单耗确定需电量。

单耗法分"产品单耗法"和"产值单耗法"两种。

采纳"单耗法"猜测负荷前的关键是确定适当的产品单耗或产值单耗。

从我国的实际状况来看，一般规律是产品单耗逐年上升，产值单耗逐年下降。

单耗法的优点是：方法简洁，对短期负荷猜测效果较好。

缺点是：需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。

2.趋势外推法当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y＝f(t)。

当有理由信任这种趋势能够延长到将来时，给予变量t所需要的值，可以得到相应时刻的时间序列将来值。

这就是趋势外推法。

应用趋势外推法有两个假设条件：①假设负荷没有跳动式变化；②假定负荷的进展因素也打算负荷将来的进展，其条件是不变或变化不大。

选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。

外推法有线性趋势猜测法、对数趋势猜测法、二次曲线趋势猜测法、指数曲线趋势猜测法、生长曲线趋势猜测法。

趋势外推法的优点是：只需要历史数据、所需的数据量较少。

缺点是：假如负荷消失变动，会引起较大的误差。

3.弹性系数法弹性系数是电量平均增长率与国内生产总值之间的比值，依据国内生产总值的增长速度结合弹性系数得到规划期末的总用电量。

基于相似日负荷修正算法的短期负荷预测

（．华南理工大学理学院，广东广州５０４；２１１６０．华电集团公司惠州供电分公司，广东惠州５６０；１００
３．华南理工大学计算机科学与工程学院，广东广州５０４）１６０
摘要：实现准确、快速预测电力系统短期负荷的目的，为综合考虑气象、日类型和时间对负荷的影响，出了基于相似日提负荷修正算法的预测模型。首先建立相似度量化模型，具体用灰色关联分析法计算气象相似度，兼顾 “ 大远小”和 “ 期近周
ＬＩＪｎＺＨＵｎ —ｅｇ，ＬＩｉＵｉｇ，ＦｅｇｆｎＮＨｕＨＡＯｈ —ｅｇ，ＷＵａｇｃａ，ＺｉｆｎＧｕｎ —ｈｏ
（．Ｃｏｌｇｆｃｅｃ，ＳｕｈＣｈｎｉｅｓｙｏｅｈｏｏｙ１ｌｅｏｉｎｅｏｔｉａＵｎｖｒｉｆｃｎｌｇ，Ｇｕｎｚｏ１６０ｅＳｔＴａｇｈｕ５４，Ｃｈｎ；２０ｉａ．ＨｕｚｏｏｒｕｐｙｉｈｕＰｗｅｐｌＳ
关键词：似日；短期负荷预测；负荷修正；气象；日类型；时问跨度相
中图法分类号：Ｐ８Ｔ１
文献标识１）６１７．４１０—０４（０００ —２９０
Ｓｏｔｅｍａｏｅａｔｇｂｓｄｏｌｏｉｍｆｓｍｉｒｄｙ ’ ｏｄｍｏｉｃｔｎｈｒ．ｒ１ｄｆｒｃｓｉａｅｎａｇｒｔｏｔｏｎｈｉｌａｓ１ａｄｆａｉａｉｏ

基于相似日的短期负荷预测模型优选组合方法

龙源期刊网
基于相似日的短期负荷预测模型优选组合方法
作者：唐卓贞
来源：《现代商贸工业》2010年第15期
摘要:传统的模型组合优化方法是将几种预测方法所得的预测结果,选择适当的权重进行加权平均,或在几种预测方法中比较,选择拟合优度最佳或标准离差最小的预测模型进行预测。

但在天气突变的情况下,对历史负荷预测效果好的方法,对待预测日预测效果不一定好。

根据这一情况,在传统短期负荷预测组合优化模型的基础上提出一种基于相似日的短期负荷预测模型优
化方法。

该方法可以很好的分辨天气突变情况下各模型的优劣,算例结果表明,在相似日的基础上进行各模型的优化组合可以较好的提高整体预测精度,非常适用于对气象因素较为敏感的地
方电网。

关键词:负荷预;相似日;优选组合
中图分类号:TM
文献标识码:A
文章编号:1672-3198(2010)15-0366-01。

基于相似日的支持向量机短期负荷预测

测试与故障诊断
计算机测量与控制．２０１８．２６（１）犆狅犿狆狌狋犲狉犕犲犪狊狌狉犲犿犲狀狋牔犆狅狀狋狉狅犾
· ４７ ·

文章编号：１６７１４５９８（２０１８）０１００４７０４ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０１８．０１．０１２中图分类号：ＴＭ７１５文献标识码：Ａ
０引言
今天，能源紧张和能源浪费的问题日益凸显，开发新能源和高效利用现有能源必将成为未来的主题。短期负荷预测是节省能源的有效途径。负荷预测的精度越高电力系统运行就越可靠、供电质量越好，能源利用率也就越高。面向非线性数据预测的方法与技术是当今负荷预测研究的热点，近几年来支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）模型得到了广泛的关注，从已有的研究文献来看，支持向量机能够比较好的解决小样本，非线性，和高纬度等问题，因此在短期负荷预测方面得到了广泛的应用。文献［１］将回归支持向量机方法用于电力系统短期荷预测，文献［２］通过构ＬＳ－ＳＶＭ模型，将二次优化问题转化成为求解线性等式集的形式，降低了计算的复杂性。针对ＬＳ－ＳＶＭ存在的问题，利用粒子群算法迭代搜索最优目标函数值的方法，找到最优参数取值。本文针对标准粒子群寻优过程中容易早熟收敛及陷入局部最优的问题提出基于细菌趋化的改进粒子群算法（ＰＳＯＢＣ），改进后的粒子群算法利用细菌觅食特征，实现粒子间吸引和互斥的平衡，引导粒子跳出局部最优，提高了计算精度及全局寻优能力，通过它能得到较优的ＬＳ－ＳＶＭ用电量预测模型，实验结果表明基于改进粒子群

基于智能优化方法的相似日短期负荷预测

基金项目：山东省重点研发计划项目资助(2019JZZY020804)
第 49 卷第 13 期 2021 年 7 月 1 日
DOI: 10.19783/ki.pspc.201150
电力系统保护与控制
Power System Protection and Control
基于智能优化方法的相似日短期负荷预测
Vol.49 No.13 Jul. 1, 2021
陈弘川 1，蔡旭 1，孙国歧 2，魏晓宾 2，曹云峰 1，孙学锋 2，苏辉 2，张玲艳 2
0 引言
短期负荷预测是以日为单位的预测，它是电力调度部门运行和规划的重要依据，准确的短期负荷预测可以帮助电力部门合理安排检修计划、运行方式、日开停机、发电计划等[1]。目前，短期负荷预测方法有很多，主要可以分为两类，一种是仅仅通过历史负荷的走向预测未来负荷的趋势，如时间序列法[2]、灰色理论法[3-4]、卡尔曼滤波法[5-6]、支持
This work is supported by the Key Research and Development Program of Shandongey words: short-term load forecasting; similar day; parameter adaptation; fruit fly algorithm
(1.上海交通大学，上海 200240；2.山东德佑电气股份有限公司，山东淄博 255049)
摘要：针对传统相似日法中各因素相似度及其权重需要人工赋值的不足，在充分考虑日期类型、日期距离、气象因素等几种主要常规影响因子的前提下，建立了一种基于智能优化方法的相似日模型对日用电量进行短期预测。相似度计算公式中全部原本需要人工赋值的参数均由历史数据基于果蝇优化算法训练得出。参数值可以根据特定用户的负荷变化特性动态调整，增强了相似日法的准确性和通用性。为了解决求解参数的多维优化问题，避免算法陷入局部极值，提出了一种引入多种群概念的果蝇优化算法，增强了算法的全局搜索能力。仿真实例表明，相比起传统的相似日模型，基于智能优化方法的相似日模型的预测准确率有了明显提高。关键词：短期负荷预测；相似日；参数自适应；果蝇优化算法

基于PAM和ELM的电力短期负荷预测相似日选取算法

相ＥＩ关模影响 — — ● 式 — ＿－因识素别
负荷曲线相 — ＿－加似权日求和
输出
圈１算法原理图
Ｆｉｇ．１ＡｌｇｏｒｉｔｈｍＳｃｈｅｍａｔｉｃ
１ＰＡＭ聚类算法
１．１ＰＡＭ聚类算法的原理聚类分析是将对象的数据集依据一定的特征分为若干类别，每个类别内的对象有很高的相似度，不同类之间的对象相似度较低［５］。ＰＡＭ聚类算法，
张炀，汪洋，祝宇翔，史军，张笑晗。，谭昊
（１．深圳供电局，广东深圳５１８０００；２．清华大学，北京１０００８４；３．北京清能互联科技有限公司，北京１０００８０）
摘要：为提高电力短期负荷预测的精度和算法计算速度，提出了一种基于ＰＡＭ聚类和ＥＬＭ极限学习机的电力短期负荷预测算法。通过对历史短期数据的聚类分析，对不同类别提取特征变量。再以极限学习机算法对待测日的
本文提出了基于ＰＡＭ和ＥＬＭ的电力短期负荷
预测相似日选取算法，原理图如图１所示。
负ＰＡＭ荷特历征史 — ＿．变－－－数量提据取
结构复杂，网络学习速度急剧下降；同时，主观选择
之间的关系进行回归分析。
近年来，基于人工智能的神经网络等模型考虑多种因素对负荷的影响，避免了仅考虑单一因素或部分因素对负荷预测的局限性。文献［５］综合多种

电力短期负荷预测相似日选取算法

电力短期负荷预测相似日选取算法*V %_kl a W s Z[z \#!IJK !!V.,!!L !M "!Vy~%!R.B !!!#g 1T v =3v 3$n ,;g 1<&/$$$!%"#[-=>78q "t k $[-%#J[=>T v =3’=l ?!v 3$[-"12!5m 12n ?(,f/0(3t ">v 3FG !;R B z c 3o Qa S b <="" 5m="" bdsfid="67" p="">2n ?kD 3i 2"!"5m 12n ?3EF !VHJ $}C7/0x $;Y w *34kD "w ’?67$B e >,;Y "12w *3=T g U !C7V @h k 12:13;Y !CD ?~5m 12n ?_z c ;R B 34-D "u r[-I W H C !i -D 39cf y !}‘\E XY >[w ’@XY B_z c )/33;R B !"V n 5m 12n ?3i 22Ff T ’5"345!5m 12n ?#;R B #67;Y #Z[j 9’6789!’()!/@AB m ’"$$*+$!+$"#n :B m ’"$$*+$"+"*"!!:;VW &5T =>sF$ab (!)’fg VW &5z ;)L "r 6?r ;/s $V W &5U t 12("+&)’R 7(/))f g V W &5E i &212r s $.C G VW &5gh Z ‘$u ($e {L {DE /034X !$}~’5q L $6q V W 8A ()u C $34X !;VW $}~C T (5+))$S [S $S 4\_‘C {L {d n (*+!$)’R 7(!!)F [G "}_b 7";}I W X !$uP $u M /0#u $}~X !\#_‘’fg VW &5"z j Ei "2a >~!*"T J G I "r %#T <=I "r VW U t C s &/Z L &5}&5r VW ’I "r J G $Xe S c }~&5\"(!")’XY $L B 12I "r J G Q P #F{f g V W &5$\"(!%+!&)$M t TU R 7/]^?/=+o L J G I "r (!/+!5)$L B T U$‘>U t x 0#z ]VW )0_‘$a ;#[S $B U ‘>~5S $#_‘(f D @A $34)0/C DN H @H t VW )0_‘’>R 4,E]Gs wX !;VW }~$"z_‘$F [G fg VW &5t J G I "r $#Q P ’"!#!Q?["D I $!s ’$}~V W )0$X !D I ’"z VE !2!"22>X !’1e G g "’*-E T 0E S O $\H {32}~%5|/$32T }~VW )0$2>X !$M 9X !;VW $}~I ;B +’"n ri {g [$H {32%)|$s t r t r Q ${g #H {32}~%5|$AB r >@D I S I J @L r $K 7B -jN T ’}&5r VW c ‘H c 5$st r ’.#ZA n (51:)!1n !$"$3$!%:n !$"$3$B !!"y t *A i I ""~!%51:i ’2st r $’2X !’}&5r;f X !$I ""’<=A P Q ;st r ’}&5r $Z I ""’Q "}s w P Q u y *!")st r ;X !$I ""IC $e -:;’!1;!51:!""y t *-:i }:2st r ’}&5r $Z I ""’/]y !""P Q ;r I ""/$L E 8;X !s AO@QR ’"E t <{2<:$H {32T 2>VW )0$2B X !$f 4$H {32A T s A ’"")st r ;X !$I ""I ^$e -:;@!1;!51:!%"+,5+}%"~!},g "$$*q /!!$r79:#%"!;9#,(<=!$$"$$*!!/]y !%"Q "’5Z *!"N ,-&./S J {2>X !’2>X !j V 4S "E i *n X !2>[]{r $M 9X !;V W $}~!"I ;tu ’\}12X !$AB n u C /$N m ’y *(-:(5E :-$!E ;1!&"!!y !&"$$z T $:}12X !T 2>X !$I M 9X !;Z I ""$}~!"’t ’e "$H {32T 2>X !$I H {32$)0m 0Z I ""$)0I ;A T %M 9X !)0p #g t ;)Z I ""LM ’XY $N }23n 2s t r ’}&5r E W U X !$x {B T $K L M M 9X !B I "a ,Q P ;J i I "r ’-y !&"@z Z I ""/$Q ’y |A *(-:(51:;@E ;F 5E :!/"!!L y !/"j I $\/z }12X !/$Z I "";M 9X !$E>?t $j$QX l 51:’\51:A +/$}12X !|i 2>X !$a 2>X !x J g t /$8@G "2r gD I "$’M 1e G g ’$!!O st r &}&5r ?="f !~C $!O !M ./;"2st r ?$.’}&5r T $I ""U t;8E]’>!!^D ]^7%T 1B 5)!!H 1#*,1.(/41*15E-#-r g r >@r g J 8#E ]E H {32#!|"H u32#!|"I ""r>@H {32H u 32T {g 7%5q /"/?{g 7)$q 5/"*#$"/!#$$q %!#$.{g [/$q *$%5q /"*$q &!#$$q )f !t $E {P Q "2st r ’}&5r ;X !$I "!"’?$S C Z I ""i "q ,/$S ^Z I ""i $q !,/%.$S C Z I ""i "q ,$S ^Z I ""i $q ""&’X Y $/]S C $?8.I "%/]S ^$.8?I "’X ‘6$}&5r H {32Y %5q /|$u E 1’H {32T 2>X !$.’T 8?’T 3I "$XY $S ^39o 0U E 1’"4E n "2>X !$Qg t x J $I j 8@a >D I "’""j E 8;X !$s AO@QR ’q1;X !s A K $D }~st r LM ’XY $E p ?.ef ~!t $N }*B L B .e f $p ??U $t u P Q U ’XY $>Q Pt /]S ^u y $S ;X !$s A K j i !$e ’2X !I ""$HT K i !’#!^2(U ]^s Z x "#~N##"![8Gr >@T v ?[r =v J ’"{g"],!-f C $M 9>Z ’"z $v J VW g t u M?[r $S VW 7%V b C Q g tO {’r >@I I $z ]u X !HT I ""!%I i ?[r K r >@D I $D ["2I ""$"$q )%WW ’###!_‘a 1b[W 5r v VW g t D I $W @r g ’2B vw "{:r $"V ‘&/:W %v /$"{S O $o \n r 3&15W @y /$r g C j ‘iT W 5r ’W 5r $I ""P Q j E &}E 1E {D @I ""*I i I "}W 5r %]T W 5r K W 5rr gD I %I i %W 5r %"2W 5r &"2%W 5r ’##$![_cU"z $8}&5r {5{I "’XY $E J d I "r/$Q g t $,5T b +-_‘’r g J 8$I ""-’y P Q *51:;$=!$=6353!5"y t *51:i }:r r g J 8X !$I ""%$i K *7?$$z T st r ’}&5r $J 8’u C !E $I ""6*8H $m (G K E $q ,$!$q ,*^_%3iu X !$H uI ""’X ‘6$J 8;VW )0$}~C Q g t $b \R f $e "$s t r ’}&5r I a !E =I a !{g $M ’}&5r $I ""Q g tO {%K st r ’}&5r I a %{g =&{g $M I ""I #Q g tO {’"{S O $t <="" [s="" _${2r="" b="" bdsfid="192" f="" l="" m="" p="" q="" t="" z="">#Q I "r $a "4u I ""-.n "2K *7?L M K *$I J 8b $r g #Q ,J $j Nn $DN H @&5’XY $L O@u X !$I ""’N ’##%!defgH {32;I ""$}~L B /0H {32$SF R f \%%n "}S 4’##%#"!H {32$SF R fH {32$SF S 4E 6q VW 8A A T$S O @E g t $<>y X T ^5$(e "56VE L n ’v M {2/$e 032F Q ~’t $1T 7L n 5I i {2r 3%E v M 89$E 1’$e 032t &:Y $K ^;{2r 317M ef ~!t $6q V W 7DT ’H {32$SF R f -’y7"*+$)+"$$*$%"!,"!!W \;!!7="W >=!W 7!>"W 7">""W 7%"!>">""!)"y t *=i SF 7?%"i K *7?$e ’hZ Z !E $s A7?K *$8H %W 71i }&5r Z}1r $H {32%W i }&5r $H {32%W pi /0H {32SF R f 5;z$}&5r $H {32’K ]X ‘$T $ED I E 1’$SF 7?=f G D I K ’e "$\W 7"&|/$O T Z "r 32’{$6q F a >W >$^Z $32;ur #Q g t }~%I"$\W 6%)|/$ 6q F a >N V W $^Z $32;urC #Q g t }~’j w $S F 7?f />q1’a >y IT *6q j _jD _$=\O@2"j {j u $E 1’$SF R f H g t %E 6q V W i $=N VW $E 1’$SF R f D g t ’##%##!%%n32;VW $}~VE g t $%%n S 4$f ;32U tq1$0q1z $K ’VW $W 7a >;%n W7’5S i *-32A u /$6q5S i Y 2VW $32{u $VW {{%a S*+32$tu $VWu Cm "F{$S6b \’.32A {/$6q VW 5S i t 2V W $32{{$V W {{%a S*+32$Y{$VWu .Cm $S6b \’/327Mt_/$32;VW )0a >#Q }~’n$~~$32;VW $}~"c !~C ’6!!fgI kl ((U Y h"#$%!!T 2)4)51(#/*-2#0B )(3))*()<0)41(94)1*+5/1+E ;H {32X !P Q I ""/$:y /0H{32SF R f U t 5?7"$B z /]>"c !$F z f $)5?z$H {32F z i "25?K $E F z t /032;V W }~$%%nR f $Hz <=F z K P Q I ""’##&!i x<";VW $}~K =32a @’2B S 4v w *32A {/!v %%|=#$"$<"{T $VW {{$<"{t="" $c="" $y="" %32u="" 306q="" bdsfid="215" l="" m="" r="" v="" w="" |="">’V W {{’<=r 3)>’,>=v ?-$Y $^5(e "’t $6q V W $Y %32E Z t$O _/$<";VW $}~A+’/0#$S 4$E wx <"X !$I ""/$E D I $32!s ’$@@D I <";VW $}~7?$%<=}~7?P Q I ""’##’!jk ut Q }~VW $S 4vw *-t Q U A T &L M /_A ./$)>’32tu $_c }~VW )0’.t Q >’<"u C ’E t <$f =t Q j 0<"t &u C $V |<"u="" (y="" 0="" 0vw="" 3$jn="" 3=v ?t &u C $)>’6q VWu C ’/Q A ’$%8q v.y +c =$S O $t Q >’I W .O .U u C $+c =[>u C $+lVW tu ’XY $t Q j N >’V W Y {=t u $<=32&T $C Q A ’+c =W /09L a @%a S $I ‘T +$t Q U $t Q r"\p $/_D I $;VW $}~!"C D I ’E Q Pt 1L B <="’C 5E 1/0*E O T 0E S O $340N ;t Q UQ 05?=$K &Or N #W T d Q &d Q &T Q &t Q &+Q &!Q W R K }~%340N a >DN F l t Q _$$C 5/_’>Q P /0t Q U$a >u y "’*!":y @@t Q T ,VW Y{1T tu ’""<=;VW }~$"2u ($-.t Q UT +LM $K u@@;}t QV y ;VW }~$!"’e "*-W T d Q &T d Q $t Q U A T $E {2=u 2<:$]m 0VW A T !"tu $}~7?T O ;K A T$V ?%.E {2<:$X G !Q /$M 9t Q ])>’VW tu $XY $<=t Q T +E {O @}~7?$S }~7?j i V %/E u 2<:$t Q jk pVW +Q "u C $K u CQ "A+$S D I S O D I %0E {2<:$f =t Q !!Q "$0<"u C $;VW Q +Q "$‘U u .R 4$K u .Q "Q N ’##(!dlfgH u32;VW $}~2B E 3<$H u32{u $6q VW $8A$Y ’X ‘63<6q VW $8A t &u M t <$X i t 2VW2BT ]=6q $K G ?jN n ~9:5t l ?W 3QR$u y ’XY $H u32;6q VW $}~j p .H {32;6q VW $}~@@$K I f $q17?B +"{$Y 7)X ’$!#!(k [R@V7$#"!k [R@V (~N+E m}":E]G ;2B X !$I ""P Q u y $+!)+"}c 8wx "!6@N $W !=>fg VW &5I "r J G Q PL B <=;S O &;<:$C 5E 1$q1p ?$0^./ef C 5S O &C 5/s $VW W n ’>R Q Pt p ?./q1$u y ’9X "’’!"’2X !$s A K D q 1’-.y !%"P Q ’2st r $I ""$a ’2X !s A $O@$;;2st r $Z I ""LM D l |}~$XY $’2X !$s A ]T !’""’2X !P Q I ""$y ?D q1’}":E]G )2I W X !I ""y ?$a >f g $t {y ?E.e f ~!t ;|p ?D )$D p ’x 0’y X "’*-I ""y ?a >$A :M S /0G t {X !}~VW )0$2B_‘’.’2X !$I ""y ?p ?A ’$::0U t p ?.e f x 0L B TU$‘>$a TU ‘>t ’DN(F H#$VW Z ‘_‘’XY $p ’.ef x 0$p ?{B $Q P(f {@A ’/L B x 0$p ?’m >’.ef x 0$P Q U~T ’%"’2X !O@&o v ?’iGH @(F D I S O &D I <:;2I W X !;VW $}~!"$n ~.ef x 0@@;2X !$}~v ?$"’*-:;@!1;!!51:"R *!*"y t *R *i }*}X !$}~v ?’j n ~q 1R *L q 1;2X !$}~!"$R *{T $u X !{A B ’I /$R *{T $u X !D I st r ’}&5r $I ""x J m a T $E u X !$D I "$st r ,J i I "r $j N n ’t $fg u X !E \Z E 1’2>V W )0$!"u C ’X Y $R *$T +f g ;X !;V W $}~!"’’}}~X !;Q"2;f $}~v ?$6!2p ?;f !2}~v ?$:!2}~v?I ‘u .=*+$D }~I ""$L M $.L "i !8!’j v @"2X !$}~v ?i !$"r >@$;(N !8!2}~v ?("50$t ‘P Q U A +S N(F H#VW )0_‘’$##!k [R@V r Pp ?.ef ~!T "250~!$;X !$}~v ?T 89)U $Y |T 0;s t r ’}&5r $I ""LM $’;s t r ’}&5r $V W c ‘$c 5!"$LM1jN"’’>Q Pt O@p ?.ef $Y |y ?i "’%28H ^\*-J G $}!I "rT k0H I "r $8H %.J G $"2I "r T st r k 0I ""Z "A $8H %/}%I "r \}&I "r >Z $8H ’%!#$7%f "i J t n <"$$)q 5!$0E ?=’>F !F G G J e Z n ($7klm fo]^T 1B 5)F !Q /1+1*+<)()/4/5/$#.15+1(1#*(2)_9*)%F G G J r g W F #!|"W <#!|"W [#!|"O #F F /#!B "Y #(>5!*r",q *%$q $"/q 5$q $/$",%$q "$5!,r %"q ""*q *"5q *$q $/,"*%/q %!5!!$r %"q *"5q %"/q &$q ,5)"//%q *55r %/q %")q &""q ,$q $/)"5,)q /,5!!"r %/q *"/q )"%q !)q )5,"/)&q ,)5!!%r %"q %"&q %"%q &"q 5*$"/$)q $%5!!&r"*q %"&q ""!q !$q $5/"&$*q /!5!!/r %!q !"/q ""!q !$q $5""/!"q /*5!!5r %"q )")q %""q )$q $/)"/")q 5!5!!)r %%q *"*q !"&q )$q $/)"/!5q $,5!!*r %5q *"*q $"5q $$q $5/")$)q *&5!!,r %5q &"/q ,"%q &!5q /*&"5%,q !)5!"$r %)q &"%q !"!q !!/q %*!"%,)q !%5!"!r %5q /"/q """q ,$q $)%"&*,q )%5!""r %/q %"5q ,"%q ,$q $)%")""q %,5!"%r %!q !"/q """q &/"q !*$"/$/q !)X *W F i H {32%W <"w="" ?%y="" [i="" bdsfid="297" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">q="" t="" u="" vw="" ‘j="" ’<="">Q P !M )&/2s t r t E R I "r $K X 5!^$I "r B B ZsE A ./_^Z $XY f "r i[H 5"s /_$P g ?=’<"w="" ?%y="" [i="" bdsfid="303" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">&55!"%r ‘j VW $Q P ~J G $I "r E {T 5!!/r &5!"!r &5!!5r ’5!!/r i H I "r $y X T $\Z "s /g 2"8A {$T 2>X !$5!!/r 32’}&5r H c 5%5!!5r ,J $y X T H {32x {DT $S r >@I I %5!"!r ,J $y X T ‘j 32I I S <"x {DT %WW ’0U E 1fg $t %2I "r ’}&5r $‘j VW x {j E !B #h ’<"w="" ?%y="" [i="" bdsfid="306" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">&!ij<"w="" ?%y="" [i="" bdsfid="309" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">J d o "$I "r $T F{fg VW &5\"$QR uv ’>R F [$fg VW &5t I "r $J G uP $4,E]G ;}X !$}~_‘$./J {2>X !$S C Q.ef N>$)a N }J Gk0I "$st r ’/]u uP J G I "r $;F{f g VW &5$c ‘C Q A T$*K ’<"w="" ?%y="" [i="" bdsfid="312" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">k l m n<"w="" ?%y="" [i="" bdsfid="315" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">(!<"w="" ?%y="" [i="" bdsfid="318" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">)q n A #=>78VW &O "T ’u P #B >i *B >i ?@T v [‘l $!,*)#<"w="" ?%y="" [i="" bdsfid="321" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">(")?.T A I +??I \A #0D 9W J +J M W F D 9Q W :=:9<=""><"w="" ?%y="" [i="" bdsfid="325" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<=""><]E Q R J P S ML M J N 9W 6C #G A A A ’W <="">"*!5&+!)%#+<"w="" ?%y="" [i="" bdsfid="332" e="" h="" i="" p=""<"w="" ?%y="" [i="" bdsfid="335" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<=""><"w="" ?%y="" [i="" bdsfid="338" e="" h="" i="" p="" q="" t="" u="" vw="" ‘j="" ’<="">"!(%)A 0@G ;H ^?($3H Z A-$.A I (?;0\$M J <:#0D 9W J +J M W F:9<e< bdsfid="341" p=""></e<>U 9W M RC J M F C $"$$/$"$!%"*!5""+!5%$#(&)‘?;0$-Y A ;I #0D 9W J +J M W F :9<="" bdsfid="346" j="" l="" m="" p="" r="" v=""><="" 0="C" 9e="" 9l="" 9l@9n=""(/)7A 8#v9l $k W $W #fg VW &5t 0/34X !$}~E]"M 7"9X #=+gh $"$$5$%$!)"*/+!$#2?;1-D 9L V c P L V $^Y H X ?L C D P $>?;1@M L V $M J <:#G F K(5)2?\?2G0Y#>M <="" w="" wc="">Q C P L VC J M F ’M RD L 9:9V =$"$$$$"&!!"*&%+&5#(*)I ?(A T G -?\$@\X T A ;^G ?$-?-G H ’’?($M J<:#’D M P L U :Q M L R M 9UF M J M 9W 9:9V P R <:K <="!%+!5$!,,5$.<W" *j="" 9j="" 9l="" 9q="" 9r="" 9u="" 9w="" :=":9<E" :9*!&/%+!&/5#(,)<-‘$M C $W *8$W #e K ;32’HT VW \]=U $W (n E]#=+gh $"$$&$"*!!)"*%)+&$#^Y ?H _P K P L V $0H ;1TC J M F ’M RD L 9:9V =$"$$&$"*!!)"*%)+&$#(!$)W 9$M D \$B [e $W #D -S O 5!*![=U’34!s W7"&O #34’9L v O $"$$5$""!""*5"+5&#^Y ?;1(M P $-Y A ;Z Q V Q <="" $m="" $y="" 9:9v="" 9?q="" 9f3q="" 9l="" 9n="" 9w="" :"*5"+5&#(!!)7A 8$!E $t"$W #"}_b 0$7"I W X !$f g V W &5#9X #=>78./0$!,,,$"%!!*"*%"+%/#2?;1-D 9L V c P L V $-Y A ;1_Q $_G ?a P L V $M J<:#?L M N Q L P U P M E <="" #?q="" $!,,,$"%!!*"*%"+%="" +j="" 0="C" 9(!")F ‘$k 0G $L M J N 9W 6C U 9W C D 9W J +J M W F :9<="" #g="" $"$$!$!5!!"*&&+="" *\]^%!,),*&![!\#]^!dc !V f !hiHI-_’,f 12n ?$g h $#$1a 4};"A +F<="">%V FF=?/M )5=5$/4#(2/3)4Q /1+"/4).1-(#*$Y .93*G 1*+!,Y ."13S (&1!,I JC PR &1",Y .O 1*F S *+%,Y .#"13S +&3*+!d !e ^D M L V [D 9QX L P S M W C P J =f ^D M L V [D 9Q&/$$$!f -D P L <g "e .M P b P L V A :M R J W P R@9N M W-9W K 9W <="" .m="" 9l="" b="" bdsfid="411" f="" l="" p="" v=""> $$$%!f -D P L <="" %e="" .m="" :m="" ;9w=""$""$5f -D P L <="" 9:9v="" 9c="" 9f="" 9f<:<="C"/4+-C C D 9W J +J M W F:9<="" 9:9v="" 9w="" :<="g" %)+"}c 8wx "!6@N $W !=>fg VW &5I "r J G Q P。

基于相似日相关性聚类的LSTM_短期光伏出力预测模型研究

0　引言当今世界，能源体系和发展模式正在进入非化石能源主导的崭新阶段，可再生能源将逐步成为支撑经济社会发展的主力能源，大力发展可再生能源已经成为全球能源转型和应对气候变化的重大战略方向和一致宏大行动。

在这种趋势下，光伏发电技术有了快速的发展[1]，但光伏发电具有间歇性、波动性和随机性的特点，会对电网稳定运行造成不利影响[2]。

因此，提高光伏出力预测的准确性对电网安全及新能源发展具有重要作用[3]。

光伏预测通常可分为物理方法、数理统计方法和人工智能算法三类[4]。

其中物理方法是结合天气预报信息和地理信息进行建模，对数据依赖比较严重[5]。

数理统计方法是以历史数据构建模型，建模简单，数据需求少，但对非线性拟合能力和高维数据处理能力差。

近年来随着人工智能的发展，越来越多基于人工智能算法的光伏出力预测模型出现[6]，该方法具有数据需求少、输入特征灵活、对高维非线性样本拟合能力好等优势，是光伏出力预测的有效方法，如深度学习模型（ANN）[7]、非线性自回归神经网络（NARNN）[8]、长短期记忆神经网络（LSTM）[9]等。

由于光伏出力数据受天气影响很大，许多学者提出“相似日”概念，将光伏出力按日过程进行筛选和分类，对不同分类样本分类建模，有效提高光伏出力预测模型的精度。

K-means聚类是一种经典的聚类算法，闰钇汛等[10]采用K-means聚类方法选取相似日，提高了预测精度。

但传统K-means聚类的相似日受出力大小的影响，对不同的出力大小也会分为不同天气类别，如在同样晴天的状况下，其辐射量不同也会导致出力大小的差异，而在不利天气情况下其出力均值也许与辐射量低的晴天出力大小相似，这样分类不一定符合同样的天气状况，因此需要提出一种更符合相似日的聚类方法。

为提高相似日的聚类效果，提高光伏出力预测效果，本文提出基于相似日相关性聚类的LSTM短期光伏出力预测模型。

首先，根据相关性筛选出与光伏出力相关程度较高的气象数据；然后，根据相关性选取变化趋势相似的相似日聚类中心；最后，对不同相似日建立不同的LSTM训练模型，并与K-means聚类模型进行对比，结果显示基于相似日相关性聚类方法有效提高了光伏出力预测精度。

基于相似日选取和数据重构的短期光伏功率组合预测

基于相似日选取和数据重构的短期光伏功率组合预测目录一、内容综述 (2)1.1 研究背景 (2)1.2 研究目的与意义 (3)1.3 国内外研究现状综述 (4)1.4 论文结构安排 (5)二、相关理论及方法 (6)2.1 短期光伏功率预测方法概述 (7)2.2 相似日选取方法 (8)2.3 数据重构技术 (9)2.4 组合预测模型介绍 (10)三、相似日选取方法研究 (11)3.1 相似日选取指标体系构建 (12)3.2 基于统计方法的相似日选取 (13)3.3 基于机器学习的相似日选取 (14)3.4 实验设计与结果分析 (15)四、数据重构技术研究 (16)4.1 数据预处理方法 (18)4.2 数据插值与平滑处理 (18)4.3 基于卡尔曼滤波的数据重构 (19)4.4 实验设计与结果分析 (20)五、组合预测模型构建与验证 (22)5.1 模型构建思路 (23)5.2 模型求解方法 (25)5.3 实验设计与结果分析 (25)5.4 算法性能评估 (26)六、结论与展望 (28)6.1 研究成果总结 (29)6.2 研究不足与局限性分析 (30)6.3 未来研究方向展望 (32)一、内容综述随着全球能源需求的不断增长和环境保护意识的提高，光伏发电作为一种清洁、可再生的能源方式，越来越受到各国政府和企业的重视。

光伏发电的预测和规划面临着诸多挑战，如气象条件的变化、设备性能的波动、电网负荷的变化等。

为了更好地利用光伏发电资源，提高其经济效益，本文提出了一种基于相似日选取和数据重构的短期光伏功率组合预测方法。

该方法首先通过对历史数据的分析，找出与目标日具有相似特征的日历日；然后，根据这些相似日的历史数据进行数据重构，以获得更为准确的光伏功率预测结果。

通过对比实验和实际应用，本文验证了所提出的方法的有效性和可行性。

1.1 研究背景随着可再生能源的快速发展，光伏发电在全球范围内得到了广泛的关注和应用。

基于智能相似日识别及偏差校正的短期负荷预测方法

3. Beijing Tsintergy Technology Co., Ltd., Beijing 100080, China)
Abstract: Based on the traditional load forecasting theory, this paper proposes a new short-term load forecasting method based on intelligent similar day recognition and deviation correction. Firstly, the characteristic matrix of prefecture-city and correlation factors is constructed to select the most similar day of load curve through calculating matrix correlation coefficient. On this basis, the real-time meteorological deviation correction strategy which adopts the XGBoost algorithm is established to carry out the secondary deviation correction of the load curve, so as to achieve the goal of short-term load prediction. An example study shows that this strategy can effectively improve accuracy of short-term load forecasting, and also has good adaptive characteristics. Therefore, this method can be applied to the short-term power load forecasting practice.

【CN110163429A】一种基于相似日优化筛选的短期负荷预测方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910388483.X(22)申请日 2019.05.10(71)申请人湖南大学地址 410082 湖南省长沙市岳麓区麓山南路2号(72)发明人刘绚　尚银辉　于宗超　文云峰　(74)专利代理机构长沙正奇专利事务所有限责任公司 43113代理人马强　王娟(51)Int.Cl.G06Q 10/04(2012.01)G06Q 50/06(2012.01)(54)发明名称一种基于相似日优化筛选的短期负荷预测方法(57)摘要本发明公开了一种基于相似日优化筛选的短期负荷预测方法，步骤为：历史负荷数据及温度数据获取及预处理得到数据集；基于最小绝对收缩选择算子算法对不同时刻的温度值对应负荷值进行拟合，确定温度在24小时每一时刻的完整解路径；基于温度对于负荷的拟合度要求，将24小时的全部时刻划分为关键时刻与非关键时刻；给定关键时刻与非关键时刻不同权重，计算历史温度数据与预测日温度数据间加权欧式距离，构建相似日集；基于相似日集中负荷数据及温度因素数据，构建差分自回归移动平均模型；结合预测日当天的温度数据，以及前两日的负荷数据，利用ARIMA模型预测当天负荷。

本发明提高了负荷预测精度。

权利要求书2页说明书8页附图2页CN 110163429 A 2019.08.23C N 110163429A1.一种基于相似日优化筛选的短期负荷预测方法，其特征在于，包括以下步骤：1)对历史数据进行标准化处理；2)利用标准化后的历史数据，获得温度的关键时刻特征集T sel 及非关键时刻特征集T non -sel ；3)根据预测日的气象数据，同时分配T sel 及T non -sel 不同权重，计算T sel 及T non -sel 的所有时刻的加权欧式距离，通过距离排序确定与预测日气象数据距离较小的M组历史日作为相似日样本；4)基于步骤3)选择的历史日建立ARIMA负荷预测模型，确定ARIMA负荷预测模型中的待估计参数值；5)基于已建立的ARIMA负荷预测模型，根据预测日温度数据及相关负荷数据，完成预测日负荷预测。

基于相似日的遗传程序设计短期负荷预测模型

基于相似日的遗传程序设计短期负荷预测模型
冯丽云
【期刊名称】《华北水利水电学院学报》
【年(卷),期】2012(033)004
【摘要】针对短期负荷预测中对自动化、智能化和预测精度的进一步需求,提出了基于相似日的遗传程序设计短期负荷预测模型.首先从日特征量、日前趋势相似度及其综合来选择预测日的趋势相似日样本数据,然后重点介绍了利用相似日样本数据进行短期负荷预测遗传程序设计演化建模的算法设计流程.贵州电网日96点负荷实例预测结果表明,模型所对应的预测曲线与原始曲线拟合较好,模型具有较高的预测精度,能够反映短期负荷变化的规律.
【总页数】3页(P68-70)
【作者】冯丽云
【作者单位】山西省晋城市水利局,山西晋城048000
【正文语种】中文
【相关文献】
1.基于日特征量相似日的PSO-SVM短期负荷预测 [J], 陈超;黄国勇;邵宗凯;王晓东;范玉刚
2.基于相似日的短期负荷预测模型优选组合方法 [J], 唐卓贞
3.基于AP相似日选取与FISOA-RBF的短期负荷预测 [J], 于军琪;王佳丽;赵安军;解云飞;冉彤;赵泽华
4.基于智能优化方法的相似日短期负荷预测 [J], 陈弘川;蔡旭;孙国歧;魏晓宾;曹云
峰;孙学锋;苏辉;张玲艳
5.基于粗糙集理论和遗传程序设计的短期负荷预测模型研究 [J], 王文川;程春田因版权原因，仅展示原文概要，查看原文内容请购买。

基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型

基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型张亚丽;胡伯轩;李莎莎;罗勇【摘要】Short-term power load was easily influenced by natural factors and social factors, which made load forecast more difficult.In order to improve the accuracy of short-term power load prediction, the forecasting mode of combing improved local mean decomposition (ILMD) and echo state network (ESN) based on similar days searching was proposed.Firstly, the days most similar to the forecasted date were selected by fuzzy cluster analysis.A data sequence was formed by uniting the similar days' hourly loads together according to their time orders.Then, the ILMD was used to decompose the data sequence into several independent components, and an ESN was established for each component, separately.Each network was trained with similar daily load ing each trained network to predict the value of the corresponding component, the final result of prediction was the accumulation of all components predict values.Experiments showed that this method could effectively improve the prediction accuracy.%短期电力负荷容易受到自然因素及社会因素的影响,这使得负荷预测比较困难.为了提高短期负荷的预测精度,提出了基于相似日搜索的改进局部均值分解(ILMD)和回声状态网络(ESN)相结合的短期电力负荷预测模型.首先用模糊聚类分析将与预测日最相似的多个日期筛选出来.然后把这些相似日的整点负荷数据按照时间先后排成一组数据序列,用改进的LMD进行分解,对分解出的各个分量分别建立一个ESN网络,对每一个网络分别训练并进行预测.最后把每个网络的预测结果累加起来就是最终的预测值.实验证明此方法能有效提高预测精度.【期刊名称】《郑州大学学报（理学版）》【年(卷),期】2017(049)002【总页数】7页(P120-126)【关键词】负荷预测;局部均值分解;回声状态网络;相似日;模糊聚类【作者】张亚丽;胡伯轩;李莎莎;罗勇【作者单位】河南省电力勘测设计院河南郑州 450000;郑州大学电气工程学院河南郑州 450001;河南省工程咨询公司河南郑州 450000;郑州大学电气工程学院河南郑州 450001;郑州大学电气工程学院河南郑州 450001【正文语种】中文【中图分类】TP18当前电能一般还不能大容量的存储，生产、输送和消费是在同一时间完成的.因此，电能的生产应每时每刻与电能的消费量保持平衡.精确预测电力负荷，既是为了保证人民生活和国民经济各部门对电力的需求，也是电力工业自身发展的需要[1-2].由于短期电力负荷容易受到自然因素和社会因素的影响，所以用传统的预测方法不能有效地提高负荷预测的精度.目前常用的负荷预测方法主要有时间序列法[3]、回归分析法[4-5]、人工神经网络法[6-7]、小波-神经网络组合法[8]和模糊方法[9]等.电力负荷是一个非平稳的时间序列，为了能更精确地预测，将负荷先进行分解，分解出在不同频域，代表负荷不同变化特性的分量，根据每个分量特性再分别预测将会更加合理.小波分解是一种应用较为广泛的分解方法，文献[10]用小波分解的方法对短期电力负荷进行了预测，取得了比较好的效果.小波分解虽然很有效，但是分解时需要预先确定小波基，通常比较难选择，要根据经验来选择[11]，因此这个方法不能自适应地分解.为此研究者又将局部均值分解引入到预测中，将局部均值分解与神经网络结合起来进行电力负荷的预测也取得了很好的效果.在文献[12]中用的BP网络是一种局部搜索的优化方法，算法容易陷入局部极值，并且其收敛速度也比较慢.另外其所用的LMD中的滑动平均在低频信号时误差较大[13].回声状态网络是一种新型的递归神经网络，有良好的非线性逼近能力[14].文献[15]用经验模式分解(EMD)与回声状态网络相结合的方法对短期电力负荷进行预测.但是EMD在分解时有时会出现模态混叠的现象[16].以上这些方法都只是在分解与网络上进行了改进，也没有考虑到各种自然、社会和气象因素对电力负荷预测的影响[17].为此，本文提出了基于相似日搜索的改进局部均值分解(ILMD)和回声状态网络(ESN)相结合的预测模型.改进的 LMD可避免低频信号分解的误差，ESN可避免传统神经网络收敛速度慢，易陷入局部极值等问题，因此，本预测方案可明显提高预测精度，减少预测时间.本文的预测模型分为3部分：模糊聚类、改进局部均值分解、回声状态网络.用模糊聚类来筛选出与预测日期最相似的多个日期，并将这些日期的整点负荷值按时间顺序组成负荷数据序列，成为理想样本.之后用改进局部均值分解把理想样本分解成n个PF(product function)分量，每一个PF分量被分为2部分：训练样本和测试样本.针对每一个PF分量分别建立一个ESN，并用训练样本对其进行训练，用训练好的ESN进行预测.最后将同一时刻的每一个PF分量的预测结果累加就得到了这一时刻的预测值.其结构图如图1所示.1.1 模糊聚类分析电力负荷容易受天气状况、日期类型等因素的影响[18]，并且其精确度越来越受到关注.因此如何选择有效的训练样本就成为一个很重要的提高预测精度的因素.本文采用模糊聚类的方法选出与待测日相似日期的负荷作为训练样本会更有针对性.聚类分析是一种多元分析方法，它是用数学方法定量地确定样本之间的亲疏关系，从而客观地把样本划分为不同的类型.模糊聚类能将电力负荷与各种影响因素综合起来考虑[19].在这里我们将日期类型、最高温度、最低温度作为对电力需求量影响最大的因素[20]，可以作为模糊聚类的特征指标.聚类步骤如下.1) 用数字描述样本的特征.假设被聚类的样本集为X={x1，x2，…,xn}.每一个样本都有p种特征,记为xi=(xi1，xi2，…，xip)；i=1，2，…,n.这就构成了原始特征数据矩阵,xip表示描述第i个样本的第p个特征.2) 用相关系数法求得原始特征数据矩阵的模糊相似矩阵R，由于R不具备可传递性，因而R不一定是模糊等价矩阵.3) 运用合成运算R=R·R求出R的模糊等价矩阵S=R.4) 选取适当水平α(0≤α≤1),得到α水平上的聚类.1.2 改进的局部均值分解(ILMD)局部均值分解(local mean decomposition，LMD)是由Jonathan S.Smith提出的一种新的自适应非平稳信号的处理方法[21]，此方法自适应地将一个复杂的非平稳的多分量信号分解为若干个瞬时频率具有物理意义的乘积函数(product function,PF)之和，其中每一个PF分量由一个包络信号和一个纯调频信号直接求出.最终任意一个原始函数x(t)都可以被PF和uk重构：x(t)PFi(t)+uk(t).而经典的LMD用的是滑动平均法计算其局部均值函数和包络估计函数[21].对于低频信号，滑动平均会产生比较明显的误差，本文用3次样条插值法取代滑动平均法求得其局部均值函数和包络估计函数[22].其分解过程如下：1) 找出原始信号x(t)所有的局部极值点ni，再求出所有相邻的极值点的平均值，计算公式为：用直线将所有相邻的平均值mi连起来，再用3次样条插值法得到其局部均值函数m11(t).2) 计算包络估计值：，用直线将所有相邻的包络估计值ai连起来，再用3次样条插值法得到其包络估计函数a11(t).3) 从原始信号中分离出m11(t)，得到h11(t)，计算公式为：h11(t)=x(t)-m11(t).4) 用上式得到的h11(t)除以a11(t)得到s11(t)，计算公式为：s11(t)=h11(t)/a11(t).5) 对s11(t)重复1)～4)，得到的s11(t)的包络估计函数a12(t)若不等于1，就说明s11(t)不属于纯调频信号，则再次重复1)～4)，直到s1n(t)是纯调频信号，也就是其包络估计函数a1(n+1)(t)=1，其终止条件是 a1n(t)=1.实际上，在不影响分解效果的基础上，为了减少迭代次数，通常使a1n(t)≈1即可.6) 在迭代过程中会产生很多包络估计函数，将其全部用乘法得到包络信号：a1(t)a1q(t).7) 第一个PF分量PF1就是纯调频信号s1n(t)和包络信号a1(t)的乘积，即PF1=a1(t)s1n(t).8) 把PF1从原始信号x(t)中分离出来得到信号u1(t)，再对u1(t)重复以上过程，循环m次直到um(t)是一个单调函数，如：最后原始信号x(t)可以表示：x(t)(t)+um(t).1.3 回声状态网络(ESN)ESN是一种新型的递归神经网络，是Jaeger等在2004年提出的[23].ESN引入了称作储备池的内部网络，ESN由3部分组成，分别是输入层、储备池、输出层.其核心结构是储备池，它是随机生成的大规模稀疏连接的递归结构.ESN结构图如图2所示.假定在图2所示结构的输入层有K个节点，中间的储备池有N个节点，输出层有L个节点.则在t时刻各层的状态为：输入层的状态序列为u(t)={u1(t),u2(t),…,uK(t)}，储备池的状态序列为x(t)={x1(t),x2(t),…,xN(t)}，输出层的状态序列为y(t)={y1(t),y2(t),…,yL(t)}.ESN的状态更新方程和输出方程分别表示为其中:Win、W、Wback分别是输入层到储备池、储备池内部之间的连接权值矩阵和输出层到储备池的反馈权值矩阵.W是一个稀疏连接矩阵，其稀疏度一般保持在1%～5%，并且其谱半径一般小于1.f(·)是储备池内部神经元之间的激活函数，一般取非线性函数以便使ESN具有非线性逼近能力，f out(·)是输出激活函数，一般是线性函数.Wout是储备池到输出层的连接权值矩阵.在ESN的训练过程中Win、W、Wback是建立网络时随机产生的.Wout是我们训练后得出来的.在这里我们用河南省某市2014年7月1日到8月25日所有的工作日的电力负荷为原始样本，用本文提出的基于相似日的ILMD和ESN相结合的模型来预测8月26日的电力负荷.具体过程如下所示.第1步：相似日的选取.记录该市从2014年7月1日到8月26日所有工作日的气温情况(包括最高气温、最低气温两项)和星期类型.使之成为模糊聚类的特征指标，组成原始特征数据矩阵，利用模糊聚类方法的第2～3步，得出等价模糊矩阵.选择α值为0.962，就获得在α水平上的聚类，分类的仿真结果表明，和待预测日(8月26日)相似的有8天，分别是7月9日、7月16日、7月24日、7月30日、8月1日、8月19日、8月20日、8月22日.第2步：ILMD分解.将第1步中得出的所有相似日的整点电力负荷数据(共216个时刻的数据)按时间先后顺序组成一个数据序列，并对该数据序列按照改进局部均值分解的方法进行分解，分解后由仿真结果最后得到4个分量和1个余量(用PF5表示)，如图3所示.8月22日与8月26日的分解主要是供后面的预测使用.第3步：ESN网络训练.对于ESN网络，必须对其进行训练才能得到适合预测需要的网络.在这里对第2步中分解得到的4个分量和1个余量分别建立1个ESN网络，并分别对之进行训练.对于ESN1, 我们设定ESN1的输入层有12个节点，中间储备池是1 000个，输出层有1个节点.在训练时首先要初始化ESN1的参数Win、W和Wback，由设定可知，Win是一个1 000×12的矩阵，W是一个1 000×1 000的矩阵，Wback是一个1 000×1的矩阵，这3个矩阵是由Matlab 随机产生的，状态向量x(0)初始化为0.其训练过程如图4.选取第2步得到的相似日的整点负荷值的第1个分解量PF1的前180个数据作为训练样本.ESN网络的输入层是12个节点，因此可选择PF1n，PF1n+1，…，PF1n+11共12个时刻的数据作为网络输入，相应的PF1n+12作为ESN1网络的输出比较值，然后更新ESN1储备池状态向量，n取值为1,2，…，168，每组n 对应了一组训练样本的输入与输出，通过改变n值，可实现输入与输出数据样本的滑动.ESN在初始训练时会受暂态效应的影响,其训练初始时会处于不稳定状态[11].最后确定一个抛弃时间点k0=20，舍弃之前的所有状态，取X=[x(k0)，x(k0+1),…，x(168)]T，Y=[y(k0)，y(k0+1),…，y(168)]T,Wout的训练可以用基本的线性回归算法求出：(Wout)T=X-1Y.对ESN1的训练就完成了.其他的ESN网络的训练与ESN1相同.第4步：ESN网络预测.本文的预测过程如图5所示.第2步的ILMD分解的每个分量的后36个数据作为本文的测试集，如预测第i个分量第n个时刻的分解值时，对于ESNi，网络输入层输入的就是PFin-1，PFin-2，…，PFin-12这12个时刻的数据.比如要得到8月26日1点时负荷的PF1的值，就要用与8月26日最近的相似日(8月22日)的24点，23点,…,13点负荷的PF1值作为ESN1的输入，用训练得出的Wout来计算出预测的PF1值.第5步：求取预测值.最后把所有的PF分量和余量的预测值累加起来，求取最终的预测值，计算公式为：，是t时刻的负荷预测值，是t时刻PFi的预测值，是t时刻余量的预测值.为了验证本文提出的预测模型的有效性，本文又用基于相似日搜索的ESN，基于相似日搜索的ILMD和BP相结合，以及ILMD和ESN相结合这3种预测方法来预测8月26日这天的负荷作为比较.对于基于相似日搜索的ESN预测模型，我们用的相似日期和ESN模型与本文相同，只是数据不经过ILMD分解直接进行预测；对于基于相似日搜索的ILMD和BP相结合的预测模型，样本和本文一样，只是最后用的BP网络，在这里选择BP的网络结构是12—20—1；对于ILMD和ESN相结合的预测模型，我们的样本用8月26日前8天的整点负荷数据,ESN网络与本文一样.仿真结果如图6所示.图6直观地反映了各种预测方法的预测效果.为了更准确地描述各种预测方法的预测性能，在这里选取2个指标作为衡量标准.一个是均方误差，其表达式(ri-fi)2，另一个指标是平均绝对百分比误差，其表达式：[*100%]，其中:ri是电力负荷的实际值；fi是电力负荷的预测值；N是需要预测的电力负荷的个数.表1和表2是预测的具体数据以及各项指标数据.由表1～2可以看出，对于基于相似日搜索的ILMD-BP预测模型，由于此模型最后一部分用的是BP网络，它在训练过程中比较容易陷入局部极值点，而ESN的全局搜索比较好.对于ILMD-ESN预测模型，由于此模型只是用的预测日前几天的负荷数据训练网络，训练样本没有什么针对性，而本文的样本是与预测日特征相似日期的数据，因此会更有效.对于基于相似日搜索的ESN预测模型，这个模型直接将数据进行预测，不能使之呈现一定的规律，而本文则是将一定频域内的数据分解在一个分量上，使每一个分量都具有某种特征与规律，因此进行预测时会更精确.由以上分析可以看出，本文提出的预测模型其MAPE误差可低至0.6%左右，精度较其他方法有明显提升，因此，本文的预测模型效果比较理想.本文用基于相似日搜索的改进LMD与ESN相结合的预测模型对电力负荷进行预测.先用模糊聚类的方法选出所有的相似日，把相似日的负荷数据作为样本.再用LMD将这些样本分解成若干个PF和一个余量，之后对每一个PF和余量分别建立一个ESN网络，分别训练每一个ESN网络，并用训练好的ESN网络进行预测，最后把各个PF和余量的预测值累加就得到最后的预测值.仿真结果表明本文的预测模型预测效果比较理想，能有效提高预测精度.但本方案中基于LMD的时频分析方法易受采样效应的影响，同时其迭代终止条件如何确定，这些问题都是需要继续深入研究的.【相关文献】[1] 张保会,尹项根.电力系统继电保护[M].北京：中国电力出版社,2009.[2] 罗勇,李芳.基于负荷预测的电力市场寡头竞争分析[J].郑州大学学报(理学版),2013,45(3):110-114.[3] SHI J, QU X L, ZENG S T. Short-term wind power generation forecasting: direct versus indirect ARIMA-based approaches[J]. Energies, 2011, 4(8): 1246-1257.[4] 张伏生,王鸿.基于最小二乘回归分析的短期负荷预测[J].电网技术,2003,27(3):27-40.[5] 吕效国,王金华,马阿芹,等. 自回归模型的自回归分析及其应用[J]. 扬州大学学报(自然科学版),2010,13(3):31-33.[6] 王进,史其信. 神经网络模型在短期交通流预测领域应用综述[J]. 河南科技大学学报(自然科学版),2005,26(2):22-26.[7] 牛东晓,王建军,李莉，等.基于粗糙集和决策树的自适应神经网络短期负荷预测方法[J].电力自动化设备,2009,29(10):30-34[8] 祖哲,毕贵红,刘力，等.基于小波神经网络的电力系统短期负荷预测模型研究[J].计算机技术与发展,2012,22(10):237-241.[9] 张平,潘学萍，薛文超.基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测[J].电力自动化设备,2012,32(11):121-126.[10]刘梦良,刘晓华,高荣，等.基于相似日小波支持向量机的短期电力负荷预测[J].电工技术学报,2006,21(11):59-64.[11]牛东晓,李媛媛,乞建勋，等.基于经验模式分解与因素影响的负荷分析方法[J].中国电机工程学报,2008,28(16):96-102.[12]兰花,常家宁,周凌，等. 基于局部均值分解与神经网络的短期电力负荷预测[J].电测与仪表,2012,49(5)：48-51.[13]宋海军,黄传金,刘宏超，等.基于改进LMD的电能质量扰动检测新方法[J].中国电机工程学报,2014,34(10)：1700-1708.[14]薛凯,周压建,平源，等.基于小波变换和ESN的P2P流量预测模型[J].计算机工程与设计,2012,34(4)：1147-1152.[15]LUO Y, JIA X, CHEN S W. Short-term power load forecasting based on EMD and ESN[J].Advanced materials research, 2013,651:910-916.[16]刘岱，庞松岭，骆伟,等.基于EEMD与动态神经网络的短期符合预测[J].东北电力大学学报,2009,29(6):20-26.[17]栗然,刘宇,黎静华,等.基于改进决策树算法的日特征负荷预测研究[J].中国电机工程学报,2005,25(23):36-41.[18]康重庆, 周安石, 王鹏,等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术,2006,30(7):5-10.[19]于龙.基于模糊聚类选取相似日的短期电力负荷预测[D].上海：上海交通大学,2013.[20]罗勇, 郑金, 宁美凤，等.基于相似日搜索的PSO-WNN组合模型在短期电力负荷预测中的应用[J].信息与控制, 2013, 42(3):371-376.[21]SMITH J S. The local mean decomposition and its application to EEG perception data [J].Journal of the royal society interface, 2005,2(5):443-454.[22]杨德昌,唐巍,屈瑞谦，等.基于改进局部均值分解的低频震荡参数提取[J].中国电机工程学报,2013,33(4):135-141.[23]JAEGER H，HASS H. Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless communication[J]. Science, 2004, 304(5667): 78-80.。

短期负荷预测中选择相似日的探讨

ISSN 1000-0054CN 11-2223/N 清华大学学报(自然科学版)J Ts i n gh ua Univ (Sci &Tech),2004年第44卷第1期2004,V ol.44,N o.127/36106-109短期负荷预测中选择相似日的探讨莫维仁,　张伯明,　孙宏斌,　胡子珩(清华大学电机工程与应用电子技术系,北京100084)收稿日期:2003-01-10基金项目:国家自然科学基金资助项目(50107005)作者简介:莫维仁(1977-),男(汉),广西,硕士研究生。

通讯联系人:张伯明,教授,E-mail:zhangbm@摘　要:合理的选择预测相似日是提高负荷预测综合预测模型预测效果的有效途径。

传统依据人工经验选择相似日并不具备最好的预测效果。

为了进一步提高负荷预测准确度,该文深入研究了负荷的两个特征量,认为对预测日的负荷水平和负荷曲线形状进行预测时,应该选取不同的相似日,即该文提出的趋势相似日和形状相似日;给出了这两种相似日的选择方案,从日特征量、日前趋势相似度以及这两者的综合3个角度阐述了选择预测日的趋势相似日的原理和方法;该文通过应用实例证实了其中一个方案有效地提高了负荷预测准确度。

关键词:电力系统规划;负荷预测;电力市场;综合模型;相似日中图分类号:T M 715文献标识码:A文章编号:1000-0054(2004)01-0106-04Method to sel ect simil ar days forshort -term load forecastingMO Weire n ,ZH ANG B om in g ,SU N H on gbin ,HU Zih eng(Department of Electrical Engineering ,T singhua University ,Beijing 100084,China )Abstract :Improved short-term load forecasting can be obtained by carefully selecting si m il ar days in an integrated m odel for short-term load forecasti n g.T raditionally,similar days are selected based on experience,w hich can affect forecasting accuracy.T hree methods w ere developed to classify tr end-similar days from sh ape-similar days for short-term load forecasting in this paper.T he three methods w ere compared to develop an effective forecasting method.Numerical tests verifi ed the efficiency of the method.Key words :pow er system scheme;l oad forecasting;electricitymarketing;i n tegrated m odel;similar days短期负荷预测系统大多应用综合模型机制完成预测以提高预测准确度和适应性[1]。

基于相似日和CNN-LSTM的短期负荷预测

基于相似日和CNN-LSTM的短期负荷预测
童占北;钟建伟;李祯维;吴建军;李家俊
【期刊名称】《电工电气》
【年(卷),期】2022()8
【摘要】为充分发掘历史信息,解决气象数据不足影响预测精度的问题,采用灰色关联分析(GRA)选取天气相似日和CNN-LSTM混合神经网络的方法来预测电力负荷。

利用GRA计算每日各气象因素与日总负荷的灰色关联度,再计算各日与典型日的相同气象因素之间的欧氏距离,将各气象因素的欧氏距离分别乘以对应因素的关联度,
并将同一天的结果累加,得到一个综合得分。

选取待预测日之前分数最低的5天作
为相似日,将相似日各时刻的负荷数据输入CNN-LSTM网络中,预测出待预测日的
负荷,通过与其他模型对比,验证了该方法的有效性。

【总页数】6页(P17-22)
【作者】童占北;钟建伟;李祯维;吴建军;李家俊
【作者单位】湖北民族大学智能科学与工程学院;国网湖北省电力有限公司恩施供
电公司
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于相似日负荷修正的台风期间短期负荷预测
2.基于日特征量相似日的PSO-SVM短期负荷预测
3.基于负荷特性分析的短期负荷预测相似日选择方法
4.基于相似日负荷修正的节假日短期负荷预测
5.基于相似日负荷修正算法的短期负荷预测
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PAM和ELM的电力短期负荷预测相似日选取算法

基于PAM和ELM的电力短期负荷预测相似日选取算法
张炀;汪洋;祝宇翔;史军;张笑晗;谭昊
【期刊名称】《贵州电力技术》
【年(卷),期】2017(020)012
【摘要】为提高电力短期负荷预测的精度和算法计算速度,提出了一种基于PAM 聚类和ELM极限学习机的电力短期负荷预测算法.通过对历史短期数据的聚类分析,对不同类别提取特征变量.再以极限学习机算法对待测日的特征进行模式识别找出相似日,以相似日的特征变量为依据分别求取每个相似日的权重,累加求和作为负荷的预测值.将预测值与实际值进行比对,结果表明该算法精度和效率均优于传统的前馈神经网络算法.
【总页数】4页(P84-87)
【作者】张炀;汪洋;祝宇翔;史军;张笑晗;谭昊
【作者单位】深圳供电局,广东深圳518000;清华大学,北京100084;深圳供电局,广东深圳518000;深圳供电局,广东深圳518000;北京清能互联科技有限公司,北京100080;北京清能互联科技有限公司,北京100080
【正文语种】中文
【中图分类】TP31
【相关文献】
1.基于PAM和ELM的电力短期负荷预测相似日选取算法 [J], 张炀;汪洋;祝宇翔;史军;张笑晗;谭昊;;;;;;
2.基于特征提取相似日的ELM短期负荷预测研究 [J], 马立新;尹晶晶;郑晓栋
3.基于动态权值相似日选取算法的短期负荷预测 [J], 李啸骢;李春涛;从兰美;任子熠;罗宏亮;王彧文;袁辉;丘浩
4.基于相似日的PSO-ELM算法的短期负荷预测研究 [J], 李娜
5.基于相似日的PSO-ELM算法的短期负荷预测研究 [J], 李娜
因版权原因，仅展示原文概要，查看原文内容请购买。