一种电力负荷短期区间预测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种电力负荷短期区间预测方法、装置、设备及介质，其中方法为：获取历史的电力负荷和温湿度数据，进行预处理构建训练样本；其中训练样本中的电力负荷区间上下限，通过对电力负荷叠加服从正态分布的随机白噪声得到；利用灰狼算法GWO实现对蚁狮算法ALO初始种群的寻优，得到ALO的最优初始种群；进而利用初始种群下的ALO优化ELM的输入权重和隐层偏置的寻优，构建基于GWO

【技术实现步骤摘要】
一种电力负荷短期区间预测方法、装置、设备及介质


[0001]本专利技术应用于电力预测领域，具体是指一种基于GWO
‑
ALO
‑
ELM的电力负荷短期区间预测方法、装置、设备及介质。

技术介绍

[0002]电力负荷预测对合理的电网规划、健康的电网运行环境有着重要的影响。通过对负荷预测进行全面而详细的研究，有利于制定高效而经济的发电计划，合理安排机组，从而为用户提供安全可靠的电力供应，确保电力系统的安全、稳定运行，降低发电成本，提高经济效益。短期负荷预测不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础。
[0003]现有传统负荷预测方法大都是对点预测进行研究，点预测仅能反应负荷的变化趋势，对于负荷可能的波动范围并不能准确反应。实际上，电力系统负荷预测包含各种不确定因素，使得对电力系统调度决策具有一定风险。并且如果仅从点预测结果去保证电力系统调度决策的正确性与安全性存在一定的难度。传统的短期负荷预测方法中，虽然有考虑天气因素、历史数据等，但是并未考虑负荷趋势的影响。同时对于部分使用神经网络来进行预测时，如何对算法进行提高研究较少，也均集中于点预测。

技术实现思路

[0004]本专利技术提供一种基于GWO
‑
ALO
‑
ELM的电力负荷短期区间预测方法、装置、设备及介质，可以实现对电力负荷进行区间预测，且准确度高，对电力系统调度决策、规划等具有一定的指导意义。
[0005]为实现上述技术目的，本专利技术采用如下技术方案：
[0006]一种基于GWO
‑
ALO
‑
ELM的电力负荷短期区间预测方法，包括：
[0007]步骤1，获取历史时段内预设间隔时刻的电力负荷和温湿度数据，构建若干组原始数据，每组原始数据表示为x
t
＝(P
l,t
‑
n
,P
l,t
‑1,T
t
,T
t max
,T
t min
,T
tmean
,Hu
t
,D
t
,P
l,t
)；其中，P
l,t
‑
n
,P
l,t
‑1,P
l,t
分别表示时刻t
‑
n,t
‑
1,t的电力负荷，T
t
表示时刻t的温度，T
t max
,T
t min
,T
tmean
分别表示时刻t所在日所有时刻中的最高温度、最低温度和平均温度，Hu
t
表示时刻t的湿度，D
t
表示时刻t属于星期几；n为一天所包括的时刻数量；
[0008]步骤2，对原始数据组中的各维数据进行归一化处理，得到归一化后的数据组表示为再对时刻t的归一化电力负荷加噪处理，得到时刻t的电力负荷区间的上限和下限
[0009]步骤3，将数据组中的输入到极限学习机，设输出数据得到为和作为预测电力负荷区间的上限和下限；然后根据预测电力负荷区间的上限和下限以及实际的电力负荷区间的上限和下限计算极限学习机预测的损失函数值；
[0010]步骤4，根据蚁狮寻优算法，使用极限学习机待训练学习的参数表示蚁狮种群中的个体位置，使用训练极限学习机的损失函数作为蚁狮优化算法的适应度函数，寻优求解极限学习机的最优参数，得到基于该最优参数的电力负荷短期区间预测模型；
[0011]其中，使用蚁狮寻优算法寻优求解极限学习机的最优参数时，利用灰狼算法寻优得到蚁狮种群的初始位置，具体为：根据灰狼算法，使用极限学习机待训练学习的参数表示灰狼种群中的个体位置，使用训练极限学习机的损失函数作为灰狼优化算法的适应度函数，寻优求解蚁狮种群的最优初始位置；
[0012]步骤5，对目标时刻t
a
的电力负荷短期预测，确定目标时刻t
a
所在星期类型获取目标时刻t
a
的温度湿度获取时刻分别为t
a
‑
1,t
a
‑
n的电力负荷获取目标时刻t
a
所在日所有时刻中的最高温度最低温度和平均温度按步骤2对各维数据进行归一化处理，然后再输入至步骤4训练得到的电力负荷短期区间预测模型进行预测，得到目标时刻t
a
的电力负荷预测区间。
[0013]进一步的，n＝24或者n＝96。
[0014]进一步的，极限学习机预测的损失函数表达式为：
[0015][0016]式中，T表示输入极限学习机进行训练的数据组个数。
[0017]进一步的，步骤2对时刻t的归一化电力负荷加噪处理，是在归一化电力负荷的基础上叠加服从正态分布的噪声ξ(t)，|ξ(t)|∈[0,0.1]，从而得到：
[0018][0019][0020]进一步的，根据蚁狮寻优算法寻优求解极限学习机的最优参数时，蚂蚁游走空间的确定方法为：在步骤2得到归一化后的所有数据组后，从所有的电力负荷P
l,t
,t＝1,2,
…
,T中提取出最大值和最小值，由该最大值与最小值构成的开区间作为蚂蚁的游走空间。
[0021]进一步的，根据灰狼算法寻优求解蚁狮种群的最优初始位置时，灰狼的搜索空间的确定方法为：在步骤2得到归一化后的所有数据组后，从所有的电力负荷P
l,t
,t＝1,2,
…
,T中提取出最大值和最小值，由该最大值与最小值构成的开区间作为灰狼的搜索空间。
[0022]一种基于GWO
‑
ALO
‑
ELM的电力负荷短期区间预测装置，包括：
[0023]原始数据获取模块，用于：获取历史时段内预设间隔时刻的电力负荷和温湿度数据，构建若干组原始数据，每组原始数据表示为x
t
＝(P
l,t
‑
n
,P
l,t
‑1,T
t
,T
t max
,T
t min
,T
tmean
,Hu
t
,D
t
,P
l,t
)；其中，P
l,t
‑
n
,P
l,t
‑1,P
l,t
分别表示时刻t
‑
n,t
‑
1,t的电力负荷，T
t
表示时刻t的温度，T
t max
,T
t min
,T
tmean
分别表示时刻t所在日所有时刻中的最高温度、最低温度和平均温度，Hu
t
表示时刻t的湿度，D
t
表示时刻t属于星期几本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GWO
‑
ALO
‑
ELM的电力负荷短期区间预测方法，其特征在于，包括：步骤1，获取历史时段内预设间隔时刻的电力负荷和温湿度数据，构建若干组原始数据，每组原始数据表示为x
t
＝(P
l,t
‑
n
,P
l,t
‑1,T
t
,T
tmax
,T
tmin
,T
tmean
,Hu
t
,D
t
,P
l,t
)；其中，P
l,t
‑
n
,P
l,t
‑1,P
l,t
分别表示时刻t
‑
n,t
‑
1,t的电力负荷，T
t
表示时刻t的温度，T
tmax
,T
tmin
,T
tmean
分别表示时刻t所在日所有时刻中的最高温度、最低温度和平均温度，Hu
t
表示时刻t的湿度，D
t
表示时刻t属于星期几；n为一天所包括的时刻数量；步骤2，对原始数据组中的各维数据进行归一化处理，得到归一化后的数据组表示为再对时刻t的归一化电力负荷加噪处理，得到时刻t的电力负荷区间的上限和下限步骤3，将数据组中的输入到极限学习机，设输出数据得到为和作为预测电力负荷区间的上限和下限；然后根据预测电力负荷区间的上限和下限以及实际的电力负荷区间的上限和下限计算极限学习机预测的损失函数值；步骤4，根据蚁狮寻优算法，使用极限学习机待训练学习的参数表示蚁狮种群中的个体位置，使用训练极限学习机的损失函数作为蚁狮优化算法的适应度函数，寻优求解极限学习机的最优参数，得到基于该最优参数的电力负荷短期区间预测模型；其中，使用蚁狮寻优算法寻优求解极限学习机的最优参数时，利用灰狼算法寻优得到蚁狮种群的初始位置，具体为：根据灰狼算法，使用极限学习机待训练学习的参数表示灰狼种群中的个体位置，使用训练极限学习机的损失函数作为灰狼优化算法的适应度函数，寻优求解蚁狮种群的最优初始位置；步骤5，对目标时刻t
a
的电力负荷短期预测，确定目标时刻t
a
所在星期类型获取目标时刻t
a
的温度湿度获取时刻分别为t
a
‑
1,t
a
‑
n的电力负荷获取目标时刻t
a
所在日所有时刻中的最高温度最低温度和平均温度按步骤2对各维数据进行归一化处理，然后再输入至步骤4训练得到的电力负荷短期区间预测模型进行预测，得到目标时刻t
a
的电力负荷预测区间。2.根据权利要求1所述的方法，其特征在于，n＝24或者n＝96。3.根据权利要求1所述的方法，其特征在于，极限学习机预测的损失函数表达式为：式中，T表示输入极限学习机进行训练的数据组个数。4.根据权利要求1所述的方法，其特征在于，步骤2对时刻t的归一化电力负荷加噪处理，是在归一化电力负荷的基础上叠加服从正态分布的噪声ξ(t)，|ξ(t)|∈[0,0.1]，从而得到：
5.根据权利要求1所述的方法，其特征在于，根据蚁狮寻优算法寻优求解极限学习机的最优参数时，蚂蚁游走空间的确定方法为：在步骤2得到归一化后的所有数据组后，从所有的电力负荷P
l,t
,t＝1,2,
…
,T中提取出最大值和最小值，由该最大值与最小值构成的开区间作为蚂蚁的游走空间。6.根据权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：许加柱，曾林俊，王家禹，梁志宏，李芸，钟朝峰，童逆寒，
申请(专利权)人：湖南大学，
类型：发明
国别省市：