一种基于云计算的电力负荷预测方法

1.本发明涉及电力负荷数据预测领域，特别涉及一种基于云计算的电力负荷预测方法。


背景技术：

2.电力负荷数据的合理运用对保持电网系统稳定有着重要作用(基于srdhlgru神经网络和差分误差补偿的短期电力负荷预测[j/ol].中国测试:1-7[2022-07-07])。但由于电力负荷数据的复杂多变，传统的电力负荷数据处理系统已经难以对电力负荷数据进行妥善处理，这时迫切需要一种可以充分利用电力负荷数据的处理系统。而云计算技术的不断发展使得这一系统的实现成为可能。云计算技术是一种以软硬件资源为基础，把互联网作为服务渠道的一种云服务方式，现已被广泛应用于各种领域之中(云环境中web应用的微服务架构[j].电子技术与软件工程,2019(15):131-132)。对电网公司而言，云计算可以大幅提高他们对电网资源的掌握程度，使其了解用户需求，进而完善电力系统网络，对电力系统的发展有着重要作用(基于大数据平台的电力负荷预测[j].现代电子技术,2018,41(20):153-156)。云计算对电力负荷预测领域有着独特的作用，采用云计算技术可以大大加快电力负荷数据预测的速度，并在一定程度上提高电力负荷预测的准确性。已有学者从云计算的角度出发对电力负荷预测系统进行研究，如：基于openstack神经网络短期负荷预测模型在有序用电管理中的应用[j].智能电网,2017,5(07):683-688以及电力系统中长期负荷预测方法发展探讨[j].山东电力技术,2017,44(01):13-18 40，但其存在着适用范围有限、不具有普适性等问题。
[0003]
上述学者进行研究时，都采用了不同的方法将各种算法或模型与云计算平台或架构相结合，所得结果提高了基于云计算的电力负荷预测的准确性和速度，在一定程度上提高了电力系统的性能。但在其研究过程中都存在着一定的问题，例如所构建的系统太过复杂，系统不具有普适性，适用范围有限等。针对这些问题，本技术提出了一种解决方案。


技术实现要素：

[0004]
发明目的：本发明的目的是提供一种基于云计算的电力负荷预测方法，能够充分利用电力负荷数据，提高电力负荷预测的效率和精确性。
[0005]
技术方案：本发明所述的一种基于云计算的电力负荷预测方法，其特征在于：具体包括以下步骤：
[0006]
s1：选取电力负荷数据；
[0007]
s2：使用正交最小二乘法ols求取径向基函数的中心向量，同时设置阈值检测径向基函数的中心向量，若不满足阈值则调整隐含层神经元数重新计算；
[0008]
s3：在云计算环境中使用k-means算法，结合mapreduce架构来调整径向基函数的中心向量并计算扩展参数，使用等式测算扩展参数，满足则进行下一步，不满足则重新选取输入数据；
[0009]
s4：计算权值并运行rbf神经网络；
[0010]
s5：输出电力负荷数据预测值。
[0011]
作为优选，所述s2的具体计算步骤如下：
[0012]
s2.1：将实际的电力负荷数据作为样本数t，设a
t
为输入向量，b
t
为期望向量，两者都为维数相同的向量，e
t
为输入向量与输入向量的绝对误差，t的取值范围为1,2,
…
t，可得公式：
[0013][0014]
s2.2：将rbf神经网络的隐含层神经元数量设为h，初始情况下一般为1，wh为权重矩阵，oh(t)为回归算子，h的取值范围为1，2，
…
h，可得b
t
的计算公式：
[0015][0016]
s2.3：将式(2)表示为矩阵：
[0017]
b＝owh e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0018]
s2.4：使用正交三角qr分解方法，将o表示为矩阵q和上三角矩阵r，具体公式如下：
[0019]
b＝qrwh e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0020]
s2.5：将rw表示为qh，根据正交最小二乘法，得最小二乘解，公式如下：
[0021][0022]
s2.6：选用施密特正交化方法进行计算来减少误差，确定值sh，具体公式如下：
[0023][0024]
s2.7：设置阈值z，选取满足公式(7)的输入向量作为中心向量ck，k的取值为小于t的整数：
[0025][0026]
若没有满足条件的中心向量ck，则调整b
t
和h后重新计算。
[0027]
作为优选，所述s3的具体计算步骤如下：
[0028]
s3.1：将电力负荷数据样本集合和ols确认的中心向量ck输入，表示为ck(n)，n代表迭代次数；
[0029]
s3.2：计算欧式距离d，a
t
(n)表示在由a
t
中随机抽取的数据代表的第n次迭代的输入数据，如输入向量与某一中心向量的d值最小，则将这一输入向量归入到这一聚类点集合jk中，具体公式如下：
[0030]
d＝arg||a
t
(n)-ck(n)||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0031]
s3.3：获取新的聚类中心ck(n)'，表示集合jk中子集的数量，计算公式如下：
[0032][0033]
s3.4：如满足式(10)，则ck(n)'为新的中心向量，进入步骤s3.5，不满足返回步骤
s3.2，重新随机抽取数据：
[0034]ck
(n)'＝ck(n 1)'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0035]
s3.5：计算中心向量之间的距离dc，x表示重叠系数n/2，系数s的计算公式如下所示：
[0036]
dc＝||ck(n)'-ck||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0037]
s＝dcx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0038]
作为优选，所述s3中的云计算环境为hadoop的云计算环境。
[0039]
作为优选，所述s4中计算权值包括以下步骤：
[0040]
s4.1：计算径向基函数，ch'表示这一神经元下a
t
对应的中心向量，具体公式如下：
[0041][0042]
s4.2：计算权值w
th
：
[0043]wth
＝(f
t
f)a
tfꢀꢀꢀꢀꢀꢀ
(14)
[0044]
作为优选，所述s5中输出的电力负荷数据预测值即为rbf神经网络的输出值y：
[0045][0046]
有益效果：
[0047]
本技术在hadoop环境下，以ols算法、k-means聚类算法、mapreduce架构和rbf神经网络为基础，构建了基于云计算的电力负荷预测系统的电力负荷预测方法，该方法在保证了预测准确性的前提下，提高了运行速度，并且可以更好的处理大量数据，提高运行速率和预测准确性。
附图说明
[0048]
图1是本技术的流程图。
具体实施方式
[0049]
下面结合具体实施例对本技术做进一步阐述。该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
[0050]
如图1所示，为本技术的流程图，在本实施例中，具体包括以下步骤：
[0051]
s1：选取电力负荷数据；
[0052]
s2：使用正交最小二乘法ols求取径向基函数的中心向量，同时设置阈值检测径向基函数的中心向量，若不满足阈值则调整隐含层神经元数重新计算，具体为：
[0053]
s2.1：将实际的电力负荷数据作为样本数100，设a
t
为三维输入向量，b
t
为三维期望向量，两者都为维数相同的向量，e
t
为输入向量与输入向量的绝对误差，t的取值范围为1,2,
…
100，可得公式：
[0054][0055]
s2.2：将rbf神经网络的隐含层神经元数量设为1，此时h的取值为1，wh为权重矩阵，oh(t)为回归算子为3*100的矩阵，可得b
t
的计算公式：
[0056][0057]
s2.3：将式(2)表示为矩阵：
[0058]
b＝owh e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0059]
s2.4：使用正交三角qr分解方法，将o表示为矩阵3*3阶矩阵q和3阶上三角矩阵r，具体公式如下：
[0060]
b＝qrwh e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0061]
s2.5：将rw表示为qh，根据正交最小二乘法，得最小二乘解，公式如下：
[0062][0063]
s2.6：选用施密特正交化方法进行计算来减少误差，确定值sh，具体公式如下：
[0064][0065]
s2.7：设置阈值为0.9，选取满足公式(7)的输入向量作为中心向量ck：
[0066][0067]
若没有满足条件的中心向量ck，则调整b
t
并且将h记为2,3
…
后重新计算。
[0068]
s3：在hadoop的云计算环境中使用k-means算法，结合mapreduce架构来调整径向基函数的中心向量并计算扩展参数，使用等式测算扩展参数，满足则进行下一步，不满足则重新选取输入数据，具体为：
[0069]
s3.1：将电力负荷数据样本集合和ols确认的中心向量ck输入，表示为ck(n)，n代表迭代次数，假设最大迭代为10；
[0070]
s3.2：计算欧式距离d，a
t
(3)表示在由a
t
中随机抽取的数据代表的第3次迭代的输入数据，如输入向量a
t
(3)与某一中心向量c1(3)的d值最小，则将这一输入向量归入到这一聚类点集合j1中，具体公式如下：
[0071]
d＝arg||a
t
(n)-ck(n)||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0072]
s3.3：获取新的聚类中心ck(n)'，表示集合jk中子集的数量，如与c1(10)的d值最小的输入向量有a2(10)a3(10)，则为2，计算公式如下：
[0073][0074]
s3.4：如满足式(10)，则ck(10)'为新的中心向量，如ck(10)'＝ck(11)'进入步骤s3.5，不满足返回步骤s3.2，重新随机抽取数据：
[0075]ck
(n)'＝ck(n 1)'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0076]
s3.5：计算中心向量之间的距离dc，x表示重叠系数5，系数s的计算公式如下所示：
[0077]
dc＝||ck(n)'-ck||
ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0078]
s＝dcx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0079]
s4：计算权值并运行rbf神经网络，具体为：
[0080]
s4.1：计算径向基函数，ch'表示这一神经元下a
t
对应的中心向量c2(10)'，具体公
式如下：
[0081][0082]
s4.2：计算权值w
th
：
[0083]wth
＝(f
t
f)a
tfꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0084]
s5：输出电力负荷数据预测值，即为rbf神经网络的输出值y：
[0085][0086]
最后应当说明的是：所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。