短期电力负荷预测方法、装置及电子设备制造方法及图纸

本发明专利技术适用于电力技术领域，尤其涉及一种短期电力负荷预测方法、装置及电子设备，该方法包括：获取目标电网的历史电力负荷数据，得到训练集；根据训练集，利用改进斑点鬣狗算法寻找ELM模型的最优超参数；根据训练集和最优超参数，训练ELM模型的输出权重，根据最优超参数和输出权重确定训练后的ELM模型；基于训练后的ELM模型对目标电网进行短期负荷预测。本发明专利技术能够提高使用ELM模型对电力负荷进行短期预测的精度。预测的精度。预测的精度。

Short term power load forecasting method, device and electronic equipment

【技术实现步骤摘要】
短期电力负荷预测方法、装置及电子设备


[0001]本专利技术属于电力
，尤其涉及一种短期电力负荷预测方法、装置及电子设备。

技术介绍

[0002]短期电力负荷预测是对某一特定地区几天内的电力负荷进行预测，准确的短期电力负荷预测可以有效保障电力部门的工作，促进经济发展。
[0003]极限学习机(Extreme Learning Machine，ELM)是在单隐含层前馈神经网络的基础上提出的一种算法，因其学习速度快而在众多领域获得广泛应用，包括在短期电力负荷预测领域。然而，在ELM模型的训练过程中，其超参数(连接权重和阈值)是随机而定的，这在一定程度上造成了该模型的输出不稳定，影响了ELM模型的预测精度，进而影响了短期电力负荷预测的精度。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种短期电力负荷预测方法、装置及电子设备，以进一步提高使用ELM模型对电力负荷进行短期预测的精度。
[0005]本专利技术实施例的第一方面提供了一种短期电力负荷预测方法，包括：
[0006]获取目标电网的历史电力负荷数据，得到训练集；
[0007]根据训练集，利用改进斑点鬣狗算法寻找ELM模型的最优超参数；
[0008]根据训练集和最优超参数，训练ELM模型的输出权重，根据最优超参数和输出权重确定训练后的ELM模型；
[0009]基于训练后的ELM模型对目标电网进行短期负荷预测。
[0010]本专利技术实施例的第二方面提供了一种短期电力负荷预测装置，包括：
[0011]获取模块，用于获取目标电网的历史电力负荷数据，得到训练集；
[0012]计算模块，用于根据训练集，利用改进斑点鬣狗算法寻找ELM模型的最优超参数；
[0013]训练模块，用于根据训练集和最优超参数，训练ELM模型的输出权重，根据最优超参数和输出权重确定训练后的ELM模型；
[0014]预测模块，用于基于训练后的ELM模型对目标电网进行短期负荷预测。
[0015]本专利技术实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的短期电力负荷预测方法的步骤。
[0016]本专利技术实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的短期电力负荷预测方法的步骤。
[0017]本专利技术实施例与现有技术相比存在的有益效果是：
[0018]本专利技术实施例在对ELM模型进行训练时，首先通过改进斑点鬣狗算法寻找ELM模型
的最优超参数，然后再基于训练集和最优超参数训练ELM模型的输出权重，得到最终的ELM模型来进行电力负荷预测。由于改进斑点鬣狗算法在优化ELM模型的超参数时，具有良好的收敛性，能够准确计算出ELM模型的最优超参数，提高了ELM模型的预测精度，进而提高了ELM模型在进行短期电力负荷预测时的预测精度。
附图说明
[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本专利技术实施例提供的短期电力负荷预测方法的流程示意图；
[0021]图2是本专利技术实施例提供的短期电力负荷预测方法的详细流程示意图；
[0022]图3是本专利技术实施例提供的短期电力负荷预测装置的示意图；
[0023]图4是本专利技术实施例提供的电子设备的示意图。
具体实施方式
[0024]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0025]为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。
[0026]根据预测时间的长短，电力负荷预测可分为长期、中期、短期和超短期电力负荷预测。电力负荷预测的方法经历了由经验预测法到传统预测法再到现代预测法的发展过程。经验预测法主要包含历史经验预测和趋势外推预测两种方法，该方法提出的较早，但理论较为简单。随着用电负荷的种类和随机性的增加，只凭借主观经验对电力负荷进行预测缺乏客观的理论依据。
[0027]传统预测法主要包含回归分析法、时间序列法、灰色理论法和卡尔曼滤波。回归分析法通过分析变量之间的关系建立回归方程来实现对电力负荷的预测；现有技术一通过应用逐步回归分析法进行海上油田的中长期电力负荷预测，但工程实际中，电力负荷与变量之间往往呈现非线性的关系，通过线性回归的方法会降低电力负荷预测的精度。时间序列法通过分析历史电力负荷数据的变化规律，构建相关的数学模型，从而达到对电力负荷的预测；现有技术二构建了基于概率统计的电力负荷时间序列预测模型，并对电力运行数据通过概率主分量分析模型进行处理，对于电力负荷预测实现了较高的精度，但其本质上仍属于回归分析法，存在与回归分析法相同的缺点。灰色理论法是通过对原始电力负荷数据的内部特征进行分析，以此构建方程来进行求解；现有技术三进行了单因素与多因素灰色理论在电力负荷预测中的对比分析，完善了灰色预测理论，但是该方法对于原始数据质量要求较高。通过建立基于卡尔曼滤波法的模型，可以有效的去除原始电力负荷数据中的噪声；现有技术四提出一种基于极端梯度提升结合无迹卡尔曼滤波的电网虚假数据注入攻击检测方法，计算量适中，但是构建相应的状态方程具有较大的难度。
[0028]现代预测法主要包含专家系统法、人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、极限学习机(Extreme Learning Machine,ELM)预测模型和组合预测法。专家系统法类似于传统的经验预测法，通过结合相关专家的经验、观点等生成对于电力负荷数据的处理方法。虽然该方法结合了现代的理论对负荷数据进行处理，但是依旧存在由于专家主观因素对于预测结果的影响。人工神经网络法是随着计算机领域而发展起来的一种新方法，通过模拟人脑的思维和工作方式来对历史负荷数据进行规律性的总结学习从而得出历史负荷数据的变化规律。现有技术五建立了一种新型的鲁棒人工神经网络框架，提高了传统人工神经网络的预测能力。人工神经网络对于负荷预测具有较好的效果，但该方法存在的问题是确定其相关参数需要一定的时间。为了克服传统神经网络预测误差大、运算时间长等缺点，学者们提出了ELM理论。ELM是在单隐含层前馈神经网络的基础上提出的一种算法，因其学习速度快而在众多领域获得广泛应用，例如应用于电动汽车锂离子动力电池外部短路热模型研究、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期电力负荷预测方法，其特征在于，包括：获取目标电网的历史电力负荷数据，得到训练集；根据所述训练集，利用改进斑点鬣狗算法寻找ELM模型的最优超参数；根据所述训练集和所述最优超参数，训练ELM模型的输出权重，根据所述最优超参数和所述输出权重确定训练后的ELM模型；基于训练后的ELM模型对目标电网进行短期负荷预测。2.如权利要求1所述的短期电力负荷预测方法，其特征在于，根据所述训练集，利用改进斑点鬣狗算法寻找ELM模型的最优超参数，包括：步骤一、通过准反向学习策略对斑点鬣狗种群进行初始化；步骤二、根据所述训练集计算斑点鬣狗种群中各个个体在相同输出权重下的适应度，并确定全局适应度最优的个体；其中，所述适应度为个体对应的ELM模型输出值与实际值的拟合情况，拟合程度越高则适应度越优；步骤三、更新斑点鬣狗种群中的各个个体；步骤四、重复执行步骤二和步骤三，不断迭代直至达到迭代终止条件，输出当前全局适应度最优的个体，得到ELM模型的最优超参数。3.如权利要求2所述的短期电力负荷预测方法，其特征在于，通过准反向学习策略对斑点鬣狗种群进行初始化的公式为：式中，为初始化后第j维的斑点鬣狗个体；为的准反向个体；ub
j
、lb
j
分别为第j维搜索空间的上、下限值；rand()为[0,1]的随机数。4.如权利要求2所述的短期电力负荷预测方法，其特征在于，个体的适应度计算公式为：式中，fitness为适应度；n为ELM模型输出值的个数；为第i个ELM模型输出值，y
i
为第i个实际值。5.如权利要求2所述的短期电力负荷预测方法，其特征在于，在每次迭代中，更新斑点鬣狗种群中的各个个体包括：对鬣狗种群中的各个个体进行一次更新，并对一次更新后的各个个体进行二次更新，得到当前迭代次数下更新后的各个个体。6.如权利要求5所述的短期...

【专利技术属性】
技术研发人员：王正平，高丽娟，杨海跃，李国翊，杜宗伟，宁楠，张雷，李铁良，刘廷众，卢玉洋，张康，李玲玲，
申请(专利权)人：衡水电力设计有限公司国家电网有限公司河北工业大学，
类型：发明
国别省市：