一种基于改进宽度学习的两阶段式月度用电量预测方法

1.本发明涉及一种基于改进宽度学习的两阶段式月度用电量预测方法，属于电力预测技术领域。


背景技术：

2.随着我国经济的快速发展和人民生活水平的日益改善，整个社会的用电量呈现增长态势，同时电能对人类的生产生活的影响也在不断增加。为了实现制定最佳发电优化规划的目标，需要对用电量进行精确的预测；用电量预测的精确度对发电厂的计划生产与供电公司的调度安排都有着十分重要的影响。
3.随着深度学习的发展，现有的用电量预测方法使用的模型多为深度学习模型，但由于其超参数、层数较多，导致模型参数寻优困难、训练时间长；此外，大多数方法使用的历史数据的分辨率为单一的月度数据，不利于模型预测的准确性。因此，提出一种简便、能够考虑不同分辨率历史数据的模型提高用电量预测的精确度具有重要的实际意义。


技术实现要素：

4.本发明的目的是提供一种基于改进宽度学习的两阶段式月度用电量预测方法，用于电力企业或供电公司电量的精确、快速预测。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种基于改进宽度学习的两阶段式月度用电量预测方法，包括以下步骤：
7.步骤1，获取历史用电量数据，并将所有的历史用电量数据分为日用电量数据和月用电量数据；
8.步骤2，针对日用电量数据按照星期为标签进行拆分，拆分成星期一～星期日七个时间序列；
9.步骤3，针对日用电量数据的七个时间序列，使用皮尔逊相关性分析对每个时间序列对应的24时刻最大负荷数据进行相关性分析，选取相关性最高的前8个时刻的最大负荷时间序列最为模型的输入；
10.步骤4，建立基于宽度学习和改进粒子群算法的ipso-bls预测模型；
11.步骤5，使用ipso-bls预测模型分别对步骤3中七个时间序列的日用电量进行预测，通过对日用电量预测结果累加得到月用电量预测结果1；使用ipso-bls对月用电量进行预测，得到月用电量预测结果2；使用ipso-bls对结果1和结果2进行拟合，得到最终的月度用电量预测结果。
12.本发明技术方案的进一步改进在于：所述步骤1采用智能电表提供的两种不同分辨率的历史用电量数据，所述历史用电量数据包括日频率数据和月度数据。
13.本发明技术方案的进一步改进在于：所述步骤3的皮尔逊相关性系数为：
14.15.本发明技术方案的进一步改进在于：所述步骤4的具体过程如下：
16.(1)数据预处理；
17.(2)将归一化后的历史数据划分为训练集和测试集；
18.(3)分别搭建ipso模型和bls模型；
19.(4)使用ipso模型对bls模型的两个参数进行优化，得到ipso-bls预测模型。
20.本发明技术方案的进一步改进在于：所述数据预处理包括数据的归一化处理和异常值的修正及补全；
21.所述数据的归一化处理为将所有的数据统一映射到[0,1]区间上，归一化方法如下式所示：
[0022]
x
new
＝(x-x
min
)
÷
(x
max-x
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0023]
其中，x
new
为归一化后的值，x
min
、x
max
分别为数据集中的最小值、最大值，x为数据集中的数据；
[0024]
所述异常值的修正及补全为：
[0025]
设xn为数据集中的第n个数据，若：
[0026][0027]
则认为xn为异常数据，对其修正为其中ξ为一根据经验设定的常数；
[0028]
若xn缺失，则
[0029]
由于采用了上述技术方案，本发明取得的技术效果有：
[0030]
本发明模型简单，预测速度快，使用两种不同分辨率的历史数据，使得最终的预测结果同时考虑到不同时间尺度的历史数据以及影响因素，从而提高了模型的预测精度。
[0031]
本发明构建了ipso-bls预测模型，通过ipso对bls的两个参数进行寻优，可以使bls预测模型始终工作在预测精度最优的状态，克服了bls网络的特征节点和增强节点由经验来确定而导致的对模型预测精度的不良影响。
附图说明
[0032]
图1是本发明的流程图；
[0033]
图2是本发明的ipso优化bls参数流程图。
具体实施方式
[0034]
下面结合附图及具体实施例对本发明做进一步详细说明：
[0035]
一种基于改进宽度学习的两阶段式月度用电量预测方法，如图1所示，包括以下步骤：
[0036]
步骤1，获取历史用电量数据，并将所有的历史用电量数据分为日用电量数据和月用电量数据
[0037]
智能电表提供两种不同分辨率的历史用电量数据(日频率数据和月度数据)，将所
有的历史用电量数据分为日用电量数据和月用电量数据，这样就使得最终的预测结果同时考虑到不同时间尺度的历史数据以及影响因素。
[0038]
步骤2，针对日用电量数据按照星期为标签进行拆分，拆分成星期一～星期日七个时间序列
[0039]
针对日用电量，将历史用电量数据按照周标签拆分成七个时间序列，针对每一个时间序列分别搭建模型进行预测，将七个预测模型的预测结果对应相加求和得到月度用电量预测结果。
[0040]
假设以日为频率对过去的用电量历史数据进行采集，采集的历史用电量为：
[0041][0042]
其中，为第j天的历史用电量；
[0043]
按月度对过去的用电量历史数据进行采集，采集的历史用电量为：
[0044][0045]
其中，为第i个月的历史用电量。
[0046]
将搜集的日频率用电量历史数据按照周一～周日的标签进行拆分可得：
[0047][0048][0049]
分别为周一到周日的历史日用电量序列。针对上述7个时间序列，分别搭建七个预测模型对其进行预测，将七个模型的预测结果进行累加从而获得月度用电量预测结果。
[0050]
步骤3，针对日用电量数据的七个时间序列，使用皮尔逊相关性分析对每个时间序列对应的24时刻最大负荷数据进行相关性分析，选取相关性最高的前8个时刻的最大负荷时间序列最为模型的输入，具体过程如下：
[0051]
(1)小时级最大负荷时间序列
[0052]
针对使用日用电量进行预测的模型，选择小时级的负荷数据作为其影响因素，假
设获取的小时级的最大负荷序列为：
[0053][0054]
其中，xi为第i天的小时级最大负荷时间序列，x
ij
为第i天第j小时的最大负荷。
[0055]
将其进行转置可得下式：
[0056][0057]
可获得24个时刻的小时最大负荷时间序列。
[0058]
(2)皮尔逊相关性分析
[0059]
皮尔逊相关系数用于度量两个变量之间的相关性，其值介于-1与1之间，值越大则说明相关性越强。
[0060]
两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商：
[0061][0062]
步骤4，建立基于宽度学习和改进粒子群算法的预测模型(ipso-bls)，如图2所示，具体过程如下：
[0063]
(1)数据预处理
[0064]
1)、数据的归一化处理，将所有的数据统一映射到[0,1]区间上，归一化方法如下式所示：
[0065]
x
new
＝(x-x
min
)
÷
(x
max-x
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0066]
其中，x
new
为归一化后的值，x
min
、x
max
分别为数据集中的最小值、最大值，x为数据集中的数据。
[0067]
2)、异常值修正及补全
[0068]
设xn为数据集中的第n个数据，若：
[0069][0070]
则认为xn为异常数据，对其修正为其中ξ为一根据经验设定的常数。
[0071]
若xn缺失，则
[0072]
(2)将归一化后的历史数据按照7:3的比例进行训练集和测试集的划分。
[0073]
(3)分别搭建ipso模型和bls模型。
[0074]
(4)使用ipso模型对bls模型的两个参数进行优化，得到ipso-bls预测模型。
[0075]
宽度学习中的特征节点(m)和增强节点(n)一般可以由使用者根据经验确定，但是不同的特征节点和增强节点会对模型的预测性能造成不同的影响。因此，本发明使用改进的粒子群优化算法(ipso)来对宽度学习的两个参数进行寻优，从而改善宽度学习的预测性能。
[0076]
步骤5，使用ipso-bls分别对步骤3中七个时间序列的日用电量进行预测，通过对日用电量预测结果累加得到月用电量预测结果1；使用ipso-bls对月用电量进行预测，得到月用电量预测结果2；使用ipso-bls对结果1和结果2进行拟合，得到最终的月度用电量预测结果，具体过程如下：
[0077]
设使用日用电量数据得到的月用电量预测结果1为p
day
，使用月用电量数据得到的月用电量预测结果2为p
mouth
，使用ipso-bls预测模型对两种不同分辨率下的预测结果(p
day
，p
mouth
)进行拟合，得到最终的月度用电量预测结果：
[0078]
p＝f(p
day
,p
mouth
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0079]
其中，p为最终预测结果，f(x)为预测模型。
[0080]
将所有的历史用电量数据分为日用电量数据和月用电量数据，这样就使得最终的预测结果同时考虑到不同时间尺度的历史数据以及影响因素，不同时间尺度的用电量数据对不同的影响因素的敏感性不同：天气因素往往隐藏在小时间尺度的高分辨率历史数据中，而经济因素则隐藏在大时间尺度的低分辨率数据中，只使用一种分辨率的历史数据则会淡化其余分辨率历史数据对应的影响因素对月度用电量的影响。通过使用两种不同时间尺度的历史数据作为模型的训练数据，可以将不同时间尺度历史数据对应的影响因素综合进行考虑，从而提高模型的预测精度。