一种基于集成学习的短期电力负荷预测方法技术

本发明专利技术公开了短期电力负荷预测技术领域中的一种基于集成学习算法的短期电力负荷预测方法。本发明专利技术首先对电力负荷进行数据预处理，构建负荷预测的训练样本集和测试样本集；然后用密母优化算法寻找核向量回归学习器的最优初始参数值，并对训练样本集进行训练，进而求得子学习器模型；之后由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测，并根据均方根相对误差作为判断预测模型精度的条件，依据精度确定是否需要增加新的子学习器，最终得到满足精度要求的实际预测模型；最后用实际预测模型对未来一周的负荷进行预测。本发明专利技术方法具有模型简单、预测精度高、预测速度快等优点。

【技术实现步骤摘要】

本专利技术属于短期电力负荷预测
，尤其涉及一种基于集成学习算法的短期电力负荷预测方法。
技术介绍
电力负荷是指电力需求量或用电量。负荷预测是在充分考虑系统运行特性、增容决策、自然条件与社会影响的条件下，根据历史负荷数据、气象数据、经济数据、人口数据等信息，建立合适的数学模型，在满足一定精度的条件下对未来某特定时刻的负荷数值进行预测。电力负荷预测是供电部门的重要工作之一，根据负荷预测，可以经济合理地安排电网内部发电机组的启停，保证电网安全稳定地运行，减少不必要的旋转储备容量，合理安排机组检修计划，有效降低发电成本，提高经济效益和社会效益。电力负荷预测按照预测时间期限分为长期、中期、短期、超短期负荷预测。长期负荷预测一般指十年以上，并以年为单位的预测，中期负荷预测指五年左右，并以年为单位的预测。长期和中期负荷预测可以协助电力规划部门决定新的发电机组的安装与电网的规划、增容和改建。短期负荷预测是指一年以内，以月为单位的负荷预测，也可以预测未来一周、一天的负荷。它的意义在于帮助确定燃料供应计划，安排本网内机组的启停，制定检修计划。超短期负荷预测是预测未来一小时， 或者半小时，甚至十分钟的负荷。它的意义在于对电网进行计算机控制，合理调度发电容量，满足负荷需求，并使发电成本最小。本专利技术讨论的是短期负荷预测。长期以来各位专家学者在短期负荷预测领域做了大量的研究工作，提出了多种短期负荷预测方法。继基于时间序列、回归分析等传统预测模型之后，基于神经网络、小波分析、专家系统、支持向量回归(SVR:Support Vector Regression)、核向量回归(CVR Core Vector Regression)等人工智能理论的现代负荷预测模型被广泛采用。对这些方法的研究取得了一定的成就，在一些实际项目中也得到了很好的应用。然而负荷预测是一个耗时的过程，影响负荷预测的因素也是复杂的，寻求预测速度更快、预测精度更高、预测模型的建立更容易的方法，始终是负荷预测领域众专家学者不断探索的目标。近年来，随着对集成学习方法研究的深入，其在预测领域的应用也引起了广泛的重视。考虑到单学习器各自的局限，集成学习方法通过对同一样本集训练多个学习器，将各学习器的输出结果进行特定方式的组合，以用于对新的实例进行分类或者预测。实验表明， 通过集成学习方法可以显著提高预测结果的准确性和稳定性。如附图说明图1所示在学习阶段，由原始训练样本集τ产生η个训练子集Ti (i = 1，2，. . .，η)，由每一个训练子集Ti产生对应的学习器、(1 = 1,2, ...，η)。在实际应用中，个体学习器以特定方式结合在一起组成h* =F(hi; h2, . . , hn)。测试样本实例χ由h*进行预测。其准确度高于Iii中最好的。Adaboost算法是目前集成学习算法中最流行的一种，它允许不断添加新的子学习器，直到满足预测精度要求。只要子学习器足够多，预测精度就能足够高。在Adaboost算法中，原始训练样本集中每个训练样本被赋予一个权值，来反映这个样本的重要性，代表该样本能被选入某个训练子集的概率。如果某个样本已被准确预测，它的权值就会降低，被选入训练子集的概率就会减小。通过这种方式，可以使子学习器对还没有正确预测的样本进行重点训练。Adaboost算法的最终预测函数h*的训练误差满足权利要求1.，其特征是该方法包括以下步骤 步骤1 对电力负荷进行数据预处理；步骤2 构建电力负荷预测的训练样本集和测试样本集； 步骤3 用密母优化算法寻找核向量回归学习器的最优初始参数值； 步骤4 在步骤3的基础上采用集成学习算法并对训练样本集进行训练，进而求得子学习器模型；步骤5 由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测求得均方根相对误差，进而得到满足精度要求的实际预测模型； 步骤6 用实际预测模型对未来一周的负荷进行预测。2.根据权利要求1所述的，其特征是所述数据预处理包括填补缺失数据、修正噪声数据、数据平滑处理和数据归一化处理。3.根据权利要求1所述的，其特征是所述步骤3具体为步骤3. 1 选定密母优化算法的编码规则，按照编码规则产生规模为η的初始种群G，设定最大进化代数g，选取适应度函数；步骤3. 2 计算初始种群G的个体Gi的适应度值Fi,将种群中适应度值最差的个体记为 G ·worst ‘步骤3. 3 对初始种群G的个体Gi使用局部启发式搜索算法寻找个体Gi的适应度最优值，用适应度最优值对应的个体替换个体Gi ；步骤3. 4 对个体Gi进行交叉或变异操作，若交叉或变异操作的结果优于最差的个体 Gworst,则用交叉或变异操作的结果替换最差的个体Gwmst ； 步骤3. 5 满足以下条件之一，计算过程结束 a 循环达到最大进化代数g ； b 前5代的平均适应度相差不超过10_6 ；将初始种群G中的最优个体作为核向量回归学习器的最优参数值。4.根据权利要求3所述的，其特征是所述密母优化算法的编码规则为十进制编码。5.根据权利要求3所述的，其特征是所述适应度值为6.根据权利要求1所述的，其特征是所述步骤4具体为步骤4. 1 采用集成学习算法，设定最大训练次数为q、惩罚参数C、不敏感损失参数ε 和核函数；步骤4. 2 将训练样本集S中的元素按照样本权重从大到小排序，按照指定比例选取权重大的元素构造训练样本子集3(1)；步骤4. 3 用核向量回归学习器对训练样本子集3(1)进行训练，得到子学习器模； 步骤4. 4 用子学习器模型h(i)对训练样本集S中的所有样本进行预测，计算子学习器模型的预测误差ε⑴；步骤4. 5 根据预测误差ε⑴更新训练样本集S中各样本的权重； 步骤4. 6 重复步骤4. 2-步骤4. 5，若达到最大训练次数为q，过程结束。7.根据权利要求6所述的，其特征是所述核函数为高斯核函数。8.根据权利要求1所述的，其特征是所述预测模型为9.根据权利要求1所述的，其特征是所述均方根相对误差为全文摘要本专利技术公开了短期电力负荷预测
中的一种基于集成学习算法的短期电力负荷预测方法。本专利技术首先对电力负荷进行数据预处理，构建负荷预测的训练样本集和测试样本集；然后用密母优化算法寻找核向量回归学习器的最优初始参数值，并对训练样本集进行训练，进而求得子学习器模型；之后由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测，并根据均方根相对误差作为判断预测模型精度的条件，依据精度确定是否需要增加新的子学习器，最终得到满足精度要求的实际预测模型；最后用实际预测模型对未来一周的负荷进行预测。本专利技术方法具有模型简单、预测精度高、预测速度快等优点。文档编号G06K9/66GK102270309SQ20111021285公开日2011年12月7日 申请日期2011年7月27日 优先权日2011年7月27日专利技术者李元诚, 陈普 申请人:华北电力大学本文档来自技高网...

【技术保护点】
１．一种基于集成学习的短期电力负荷预测方法，其特征是该方法包括以下步骤：步骤１：对电力负荷进行数据预处理；步骤２：构建电力负荷预测的训练样本集和测试样本集；步骤３：用密母优化算法寻找核向量回归学习器的最优初始参数值；步骤４：在步骤３的基础上采用集成学习算法并对训练样本集进行训练，进而求得子学习器模型；步骤５：由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测求得均方根相对误差，进而得到满足精度要求的实际预测模型；步骤６：用实际预测模型对未来一周的负荷进行预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：李元诚，陈普，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：11