一种智能家电用电日负荷预测方法与流程

1.本发明涉及智能家电用电量预测技术领域，特别涉及一种智能家电用电日负荷预测方法。


背景技术：

2.目前，现有负荷预测对象主要是针对地区电网大范围的宏观预测，没有开展细粒度的单个居民用户用电负荷预测，更没有对居民用户单个智能家电进行更细粒度负荷预测。
3.然而随着经济的快速发展及居民生活水平的不断提高，各类高档和中档家用电器进入了人们的生活，居民用电在全社会用电中占据了相当大的比例。社会的不断发展导致居民用电呈指数增长的趋势，电网峰谷差逐渐拉大，居民用电负荷预测是进行电量平衡分析的基础。
4.随着电网智能化水平的不断提高，宏观预测结果已经不能满足电网发展的需要，因此，需要对居民用户单个智能家电进行更细粒度负荷预测。
5.但是，目前对居民用户单个智能家电负荷预测，多采用单一方法或组合方法对负荷进行预测，而前期分析训练样本是有限的，后期随着样本量的增加，造成预测精确性、收敛性及稳定性逐渐降低，难以获得理想的预测结果。
6.因此，如何准确地对居民用电负荷进行预测，是智能电网发展亟需解决的问题。


技术实现要素：

7.本发明的目的在于提供一种至少部分解决上述技术问题的智能家电用电日负荷预测方法，该方法基于多元影响因素的考虑，实现科学、合理、准确的居民家电用电预测，提高预测精度。
8.为实现上述目的，本发明采取的技术方案为：
9.本发明提供一种智能家电用电日负荷预测方法，包括以下步骤：
10.s10、获取智能家电用电96点历史负荷数据、气象数据、日期数据，并进行预处理；
11.s20、根据季节、日期数据依次对预处理后的历史负荷数据聚类；
12.s30、基于聚类结果，采用pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据；
13.s40、基于预处理后数据中部分数据作为第一训练数据，构建lssvm模型进行训练，采用粒子群pso算法对lssvm模型的参数进行优化；
14.s50、基于预处理后数据中部分数据作为第二训练数据，采用bp神经网络对优化后的lssvm模型进行残差修正；
15.s60、根据优化后的lssvm模型及bp神经网络模型，对需要预测的智能家电用电日负荷进行预测。
16.进一步地，所述步骤s10中，智能家电用电96点历史负荷数据的预处理，包括：
17.当日负荷曲线的第一个点非正时，用之后的第一个正值点代替；当日负荷曲线的其他点非正时，用该点的前一个正值点代替；
18.采用相邻两点的平均值来修正虚假数据点；所述虚假数据点是指：某一时刻的负荷和其前后负荷值进行比较，如果偏差在预设倍数以外；
19.对历史负荷数据采用对数进行归一化处理，使处理后的负荷在共同的数值特性范围内。
20.进一步地，所述步骤s10中，智能家电用电96点历史负荷数据对应的气象数据预处理，包括：
21.对温度、湿度、风力和降水量的数据序列进行归一化处理，使处理后的所有数据序列均匀的分散在[0,1]范围内。
[0022]
进一步地，所述步骤s20包括：
[0023]
根据春夏秋冬四个季节对预处理后的历史负荷数据进行第一次聚类；
[0024]
再根据日期分别对春秋、夏冬两类的历史负荷数据进行第二次聚类，得到工作日、休息日和节假日的类型聚类结果。
[0025]
进一步地，所述步骤s30中，选取所述历史负荷数据对应的气象数据中最高温度、最低温度及对应的湿度，作为数据样本输入预测前置参考数据。
[0026]
进一步地，所述步骤s40中，采用粒子群pso算法对lssvm模型的参数进行优化，包括：
[0027]
1)初始化粒子群pso算法的各种参数，包括：群体规模、学习因子、迭代的最大次数、粒子的初始位置和速度；
[0028]
2)分别用每个粒子向量所对应的lssvm模型对学习样本进行预测，得到各粒子当前位置值的预测误差，并将其作为各粒子的适应度值；再将各粒子的当前适应度值与该粒子自身的最优适应度值进行比较，如果后者更优，则将该粒子自身的最优适应度值对应的位置，作为该粒子的最优位置；
[0029]
3)将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较，如果更优，则将该粒子的最优位置作为群体的最优位置；
[0030]
4)根据计算惯性权值，更新粒子的速度和位置；
[0031]
5)检查是否满足寻优结束条件，若满足则结束寻优，求出最优解；否则转至步骤2)，继续新一轮搜索；所述寻优结束条件为：达到预先设定的最大迭代次数或预设精度。
[0032]
进一步地，所述步骤s50，包括：
[0033]
基于预处理后数据中部分数据作为第二训练数据，将所述第二训练数据中的最高温度、最低温度及对应的湿度作为输入值；
[0034]
以所述第二训练数据的历史负荷数据实测值与优化后的lssvm模型预测值之间的偏差作为输出值；
[0035]
以所述输入值、输出值组建训练样本，建立3层前馈行bp神经网络模型。
[0036]
进一步地，所述bp神经网络模型的建立过程，包括：
[0037]
①
神经网络初始化：给出输入层和隐含层间的初始权值w
ij
、初始阈值bj，以及隐含层和输出层间的初始权值w
jk
、初始阈值bm，并设置初始学习速率η、终止误差e及最大迭代次数λ；
[0038]
②
信号的正向传递：隐含层第j个神经元的输出：
[0039][0040]
式中，f为隐含层的激励函数，隐层神经元映射函数采用sigmoid函数；xi为第i个输入节点的输入值，n为输入值总数；l为隐含层神经元总数；
[0041]
输出层第k个神经元的输出：
[0042][0043]
式中，f为输出层的激励函数，为purelin函数；m为输出层神经元总数；学习误差函数：
[0044][0045]
式中，yk为样本的实际输出；
[0046]
③
误差反向传播与权值阈值训练及更新：从隐含层第j个神经元到输出层第k个神经元的连接权值有如下更新增量计算公式：
[0047][0048]
同理可得阈值更新增量：
[0049][0050]
对输入层第i个神经元至隐含层第j个神经元之间的连接权值及阈值的更新增量的计算公式：
[0051][0052][0053]
根据求得的各层神经元连接权值及阈值的变化增量来迭代更新用于下一轮的网络学习与训练的神经元连接权值及阈值，t为当前迭代次数，即：
[0054]wij
(t 1)＝w
ij
(t) δw
ij
(t)
[0055]wjk
(t 1)＝w
jk
(t) δw
jk
(t)
[0056]bj
(t 1)＝bj(t) δbj(t)
[0057]bk
(t 1)＝bk(t) δbk(t)
[0058]
④
判断学习是否结束：若误差小于等于e或迭代次数达到指定值λ，则学习结束并输出学习样本的预测值及预测值和实际值之间的相对误差ape；
[0059][0060]
反之返回至步骤
③
继续训练；
[0061]
⑤
建立bp神经网络残差模型，得出最高气温、最低气温、湿度和pso—lssvm模型预测误差的映射关系模型，即bp神经网络残差模型。
[0062]
与现有技术相比，本发明具有如下有益效果：
[0063]
一种智能家电用电日负荷预测方法，包括：获取智能家电用电96点历史负荷数据、气象数据、日期数据，并进行预处理；根据季节、日期数据依次对预处理后的历史负荷数据聚类；基于聚类结果，采用pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据；基于预处理后数据中部分数据作为第一训练数据，构建lssvm模型进行训练，采用粒子群pso算法对lssvm模型的参数进行优化；基于预处理后数据中部分数据作为第二训练数据，采用bp神经网络对优化后的lssvm模型进行残差修正；根据优化后的lssvm模型及bp神经网络模型，对需要预测的智能家电用电日负荷进行预测。该方法考虑多元影响元素，利用组合方式对选取方法取长补短，提高预测精度；能够精确地预测智能家电用电日负荷数据，为电网的安全运行及电力规划提供依据，同时可以为需求侧管理提供决策支持。
附图说明
[0064]
图1为本发明实施例提供的智能家电用电日负荷预测方法的流程图；
[0065]
图2为本发明实施例提供的智能家电用电日负荷预测方法的整体原理图。
具体实施方式
[0066]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0067]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0068]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0069]
参照图1所示，本发明提供的一种智能家电用电日负荷预测方法，包括：
[0070]
s10、获取智能家电用电96点历史负荷数据、气象数据、日期数据，并进行预处理；
[0071]
s20、根据季节、日期数据依次对预处理后的历史负荷数据聚类；
[0072]
s30、基于聚类结果，采用pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据；
[0073]
s40、基于预处理后数据中部分数据作为第一训练数据，构建lssvm模型进行训练，采用粒子群pso算法对lssvm模型的参数进行优化；
[0074]
s50、基于预处理后数据中部分数据作为第二训练数据，采用bp神经网络对优化后的lssvm模型进行残差修正；
[0075]
s60、根据优化后的lssvm模型及bp神经网络模型，对需要预测的智能家电用电日
负荷进行预测。
[0076]
本实施例中，首先对获取的智能家电用电96点历史负荷数据、气象数据、日期数据进行预处理；根据季节、日期数据依次对预处理的历史负荷数据聚类；基于聚类结果，采用pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据；采用粒子群优化pso算法对lssvm(最小二乘支持向量机)参数惩罚系数c和径向基核函数参数б进行优化，采用bp神经网络对模型进行残差修正。如图2所示，具体流程如下：
[0077]
(1)数据获取
[0078]
从用电信息采集系统获取智能家电96点历史日负荷数据，整理历史气象数据、日期数据，为下一步做准备。
[0079]
(2)异常数据预处理
[0080]
①
非正值点预处理
[0081]
负荷数据未读取录入或错误读取录入会导致负荷数据中出现非正值点，针对此类数据处理方法是：当日负荷曲线的第一个点非正时，用之后的第一个正值点代替；当日负荷曲线的其他点非正时，用该点的前一个正值点代替。
[0082]
②
虚假数据点预处理
[0083]
将某一时刻的负荷和其前后负荷值进行比较，如果偏差在比如3倍以外，则认为是虚假数据点，针对此类数据处理方法是：用相邻两点的平均值来修正虚假数据点。
[0084]
(3)负荷数据归一化处理
[0085]
为了简化计算，缩小量值，对负荷数据采用对数处理，使处理后的负荷在共同的数值特性范围内。
[0086]
(4)气象数据预处理
[0087]
为了确保获取的温度、湿度、风力、降水量等气象数据具有相同尺度的无量纲量，本次采用归一化公式，分别对各数据序列进行处理，处理后的所有数据序列均匀地分散在[0，1]范围内。归一化公式如下：
[0088][0089]
其中，t'i为归一化后的某一气象因子，ti为原始值，t
min
为序列中的最小值，t
max
为序列中的最大值，n为序列长度。
[0090]
(5)相似日的确定
[0091]
依据春夏秋冬4个季节对历史负荷数据聚类，根据聚类结果，将历史负荷数据分为春秋、夏冬两类。依据日期对春秋、夏冬历史负荷数据分别聚类，将每类数据内部再细分为工作日、普通休息日(非法定节假日)、节假日。
[0092]
(6)气象因子相关性分析
[0093]
用电负荷的影响因素众多，为了找出不同气象因素对用电负荷的影响幅度，采用pearson相关分析法计算历史负荷数据与收集到的各气象因子相关性，最终选取最高温度、最低温度、湿度作为数据样本输入预测前置参考数据。
[0094]
(7)pso—lssvm模型的建立
[0095]
将经预处理后的的历史负荷数据分为2部分，比如其中训练数据占90％，验证数据
占10％。再将训练数据等分成两部分，作为两组数据，第1组用于建立pso—lssvm模型，第2组用于建立bp残差模型。
[0096]
使用lssvm建模，首先需要确定径向基核函数参数б和惩罚系数c。径向基核函数参数б是对支持向量之间相关性的一种量化，当б设置过大时，会造成lssvm欠训练，设置过小则会有过度训练的风险；惩罚系数c设置过大，即表示对偏差的惩罚较小，此时易发生欠学习，而当其设置过小时，表示对偏差的惩罚较大，需要考虑的点增多，就会发生过度学习的状态。本实施例中，采用pso算法对lssvm的参数c和б进行优化，得到的最优参数，将其作为lssvm参数，建立pso—lssvm模型。具体流程如下：
[0097]
①
基于pso的lssvm参数优化：
[0098]
1)初始化pso的各种参数：群体规模、学习因子、迭代的最大次数、粒子的初始位置和速度等。
[0099]
2)分别用每个粒子向量所对应的lssvm对学习样本进行预测，得到各粒子当前位置值的预测误差，并将其作为各粒子的适应度值，再将各粒子的当前适应度值与该粒子自身的最优适应度值进行比较，如果更优，则将粒子当前的位置作为该粒子的最优位置。
[0100]
3)将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较，如果更优，则将该粒子的最优位置作为群体的最优位置。
[0101]
4)根据计算惯性权值，更新粒子的速度和位置。
[0102]
5)检查是否满足寻优结束条件(达到预先设定的最大迭代次数或预设精度)，若满足则结束寻优，求出最优解；否则转至步骤2)，继续新一轮搜索。
[0103]
②
pso—lssvm模型的建立
[0104]
将pso得到的最优参数带入lssvm模型，建立pso—lssvm模型。
[0105]
(8)bp残差修正模型的建立
[0106]
用pso—lssvm模型对第2组训练数据进行预测，将预测值记录下来。以第2组数据中最高温度、最低温度、湿度作为输入值xi，以实测值与pso—lssvm预测值之间的偏差作为输出值ti，组建训练样本(xi，ti)，建立3层前馈型bp神经网络。具体流程如下：
[0107]
①
神经网络初始化：给出输入层和隐含层间的初始权值w
ij
和初始阈值bj以及隐含层和输出层间的初始权值w
jk
和初始阈值bm，并设置初始学习速率η、终止误差e及最大迭代次数λ。
[0108]
②
信号的正向传递：隐含层第j个神经元的输出：
[0109][0110]
式中，f为隐含层的激励函数，隐层神经元映射函数常采用sigmoid函数；xi为第i个输入节点的输入值，n为输入值总数；l为隐含层神经元总数；
[0111]
输出层第k个神经元的输出：
[0112][0113]
式中，f为输出层的激励函数，一般为purelin函数；m为输出层神经元总数；
[0114]
学习误差函数：
[0115][0116]
式中，yk为样本的实际输出。
[0117]
③
误差反向传播与权值阈值训练及更新。从隐含层第j个神经元到输出层第k个神经元的连接权值有如下更新增量计算公式：
[0118][0119]
同理可得阈值更新增量：
[0120][0121]
对输入层第i个神经元至隐含层第j个神经元之间的连接权值及阈值的更新增量的计算公式：
[0122][0123][0124]
根据求得的各层神经元连接权值及阈值的变化增量来迭代更新用于下一轮的网络学习与训练的神经元连接权值及阈值，t为当前迭代次数，即：
[0125]wij
(t 1)＝w
ij
(t) δw
ij
(t)
[0126]wjk
(t 1)＝w
jk
(t) δw
jk
(t)
[0127]bj
(t 1)＝bj(t) δbj(t)
[0128]bk
(t 1)＝bk(t) δbk(t)
[0129]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0130]
④
判断学习是否结束。若误差小于等于e或迭代次数达到指定值λ，则学习结束并输出学习样本的预测值及预测值和实际值之间的相对误差ape。
[0131][0132]
式中，y(t)为实际值，o(t)为预测值；反之返回至步骤
③
继续训练。
[0133]
⑤
建立bp神经网络残差模型，得出最高气温、最低气温、湿度和pso—lssvm模型预测误差的映射关系模型，即bp神经网络残差模型。
[0134]
(9)pso—lssvm—bp组合模型的建立
[0135]
将需要预测的智能家电用电历史数据带入pso—lssvm模型、bp神经网络残差模型，由pso—lssvm模型得到负荷预测值，由bp残差模型得到残差预测值；即将pso—lssvm模型得到负荷预测值与由bp残差模型得到残差预测值，二者相加，作为最终的负荷预测值。两个模型组合得到pso—lssvm—bp组合模型。
[0136]
(10)pso—lssvm—bp组合模型的验证
[0137]
将验证数据输入pso—lssvm—bp组合模型内，验证组合模型的预测效果。实验证明，组合模型预测具有很好的数据拟合能力，预测精度极高。
[0138]
本发明实施例提供的一种智能家电用电日负荷预测方法，具有如下优势：
[0139]
1、对历史日负荷数据进行迭代分组聚类，将历史负荷数据分为春秋、夏冬两类，依据日期对春秋、夏冬历史负荷数据分别聚类，将每类数据内部再细分为工作日、普通休息日(非法定节假日)、节假日，建立相似日划分区间，为日负荷预测提供更精准的数据支撑。
[0140]
2、针对lssvm选参的盲目性问题，采用pso算法对lssvm参数c和б进行优化。针对pso算法后期收敛到一定程度时无法继续优化问题，采用bp神经网络较高的可靠性和良好的容错性，建立bp神经网络残差修正模型。
[0141]
3、将日历史负荷数据有效利用，划分为训练数据、验证数据多部分，既建立了模型，又验证了模型的可行性。
[0142]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。