基于改进鲸鱼优化算法的微网短期电价与负荷预测方法与流程

1.本发明属于电价和负荷预测技术领域，具体涉及基于改进鲸鱼优化算法的微网短期电价与负荷预测方法。


背景技术：

2.1.1.电价预测模型
3.为了保证电网运行的可靠性和经济性，建立准确和稳定的电价预测模型对于电力调控有着至关重要的作用。目前世界各国对电力市场电价信号的预测进行了多种研究。然而，由于非平稳性和非线性是电价信号最重要的特征，其降低了许多预测方法的准确性和稳定性。因此，价格预测方法应该能够对不同的分量进行建模，例如每小时负荷的非线性行为和价格信号，并将这些分量视为模型输入。能够使用人工智能方法和数学方法相结合的方法来预测短期价格的一个重要原因是它们能够学习输入和输出之间的复杂关系，其在现有电价预测模型中多有研究。
4.1.2.负荷预测模型
5.先进的电力系统规划应考虑多种资源，以满足日益增长的电力能源需求。由于负荷信号的复杂性，因此亟需建立一个准确的预测模型来高精度预测短期负荷。此外，负荷预测模型的建模方式应使它们识别该信号在过去行为的重要特征，并以此来预测未来负荷的变化情况。虽然单个模型没有特定的计算复杂性，但其结果在不同情况下并不可靠准确。因此，组合智能预测模型将是提高负荷预测准确性和稳定性的良好替代方案。此外，还应该考虑各种因素对电力负荷的影响。目前，许多研究人员正在关注如何进一步提高电力负荷预测的可靠性和准确性，在单一模型或者结合人工智能的复杂模型方面已取得了一定的研究进展。


技术实现要素：

6.本发明首次综合考虑了以下所有步骤：输入信号建模、输入信号分解和基于人工智能方法的预测，为微网的电力市场评估提供了一种新的智能策略，该策略将有可能基于不同的方面(如经济因素，能源需求数据)分析不同的电力市场。此外，建立了一种基于变分模态分解、电价和负荷原始信号和滞后值的混合数据模型，用于提高电力市场和电网分析的准确性。同时本发明将神经网络与改进鲸鱼算法相结合，作为特征选择模型应用于对不同预测信号(电价和负荷)选择最佳特征。开发了一种新的组合预测模型来预测短期价格预测和短期负荷预测，以实时分析电力市场价格。
7.本发明采用如下的技术方案：
8.基于改进鲸鱼优化算法的微网短期电价与负荷预测方法，包括以下步骤：
9.步骤1，通过变分模态分解方法将原始信号分解为表达电价和负荷需求关系的四个分量，建立电价和负荷模型；其中，原始信号包括价格预测信号和负荷预测信号；
10.步骤2，在步骤1构建电价和负荷模型的基础上，建立特征选择模型，其作为预测模
型的基础，选取影响电价和负荷预测模型的最佳的候选输入量；
11.步骤3，采用改进鲸鱼算法对特征选择模型中参数进行优化，实现参数的优选功能；
12.步骤4，利用复合神经网络模型对优化后的特征选择模型进行参数输入与训练；
13.步骤5，使用不同的错误标准评估模型，在所有可调参数组合都已尝试过的情况下，根据误差函数选择最佳组合；或者根据特征选择技术更改参数，然后返回步骤2。
14.进一步的，步骤2中，特征选择模型的成本函数如下：
[0015][0016]
式中：
[0017]yri
和y
fi
分别是实际值和预测值；
[0018]
βi和γ分别是特征数和常数。
[0019]
进一步的，所述的改进鲸鱼算法中的种群初始值是选择帐篷地图法来初始化种群，其数学表达式如下：
[0020][0021]
式中：
[0022]
i表示迭代次数；
[0023]ci
表示计算中间值，取值范围(0,1)。
[0024]
使用混沌映射初始化鲸鱼种群的公式如下所示：
[0025]
x
i,j
＝x
min,j
z
i,j
(x
max,j-x
min,j
)
[0026]
式中：
[0027]
x
i,j
表示第i个试剂的第j维的值；
[0028]
x
min,j
和x
max,j
分别表示第j维的下界和上界；
[0029]zi,j
表示第i个代理的第j维混沌变量；
[0030]z0,j
表示(0,1)中的随机数。
[0031]
进一步的，
[0032]
所述复合神经网络包括：
[0033]
输入层，向模型输入数据；
[0034]
模式层，其中神经元可以记忆输入神经元之间的相关性以及模式层的适当响应；模式qi可通过以下公式计算：
[0035][0036]
式中：
[0037]
σ表示平滑因子(扩散参数)；
[0038]
z表示输入变量；
[0039]
zi表示与模式层相关的第i个神经元的训练样本；
[0040]
求和层，模式层输出输入到该层，模式输出的简单总和可以通过以下公式进行评估：
[0041][0042]
模式层的输出加权和可通过以下公式计算：
[0043][0044]
式中：
[0045]
wi表示模式层中的第i个神经元权重，该权重附加到求和层；
[0046]
输出层，在求和层中确定的总和的结果被传输到输出层；n是训练模式的数量，结果通过以下方式获得：
[0047][0048]
进一步的，所述步骤5中的错误标准包括均方根误差、平均绝对误差、平均绝对百分比误差、粒子间距离、泰尔不等系数。
[0049]
本发明的有益效果在于，
[0050]
与现有技术相比，本发明开发了一种新颖的组合预测模型来预测短期价格和短期负荷，获得了更为准确的负荷和电价预测值。同时所得结果表明，所提出的方法预测孤岛微网的负荷与大型电力系统一样准确。另一方面，本研究开发了神经网络和改进鲸鱼算法的组合，并将其作为特征选择模型应用于不同预测信号(电价和负荷)的最佳特征。提出的特征选择可以选择最佳的输入集。此外，基于混合数据模型，深入分析负荷和价格特征，以提高预测器引擎的性能，所提出的基于最优神经网络的预测器优于其他所提出的预测器。
具体实施方式
[0051]
下面对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0052]
本发明实施例提供基于改进鲸鱼优化算法的微网短期电价与负荷预测方法，包括以下步骤：
[0053]
步骤1：基于经济因素、能源需求数据、可持续性等各个方面分析不同的电力市场中的电价和负荷参数，通过变分模态分解方法将原始信号(预测价格和负荷)分解为表达电价和负荷需求关系的四个分量(本征模式函数，i)i1、 i2、i3和i4，建立电价和负荷模型。具体方法如下：
[0054]
采用变分模态分解法，将有维度的信号分解为k个独立模式(n＝1,2，
…
， k)，包括能够通过光谱域的有限带宽。变异模式的是以可通过分解程序进行评估的中心脉冲频率fk为重要特征的变量。若要访问每个的带宽，都将遵循如下步骤：首先通过希尔伯特变换计算相关分析信号，以获得每个子序列的单边频谱；然后通过指数调频到相应估计中心的频率，再进行混合，将模式频谱移到基带；最后通过解调信号的高斯平滑度估计每个模式的带宽。
[0055]
约束变分问题表示如下：
[0056][0057]
式中：
[0058]
x(t)表示基本特定信号时间序列；
[0059]
表示与信号x相关的第k个分量；
[0060]fk
表示的中心频率；
[0061]
δ(t)表示狄拉克分布；
[0062]
*表示卷积算子；
[0063]
k表示模式频率；
[0064]
t表示时间脚本。
[0065]
同时，考虑到惩罚项和拉格朗日乘子λ，可将上述约束问题转化为无约束问题，使得问题更容易求解，如下所示：
[0066][0067]
式中：
[0068]
la表示增广拉格朗日矩阵；
[0069]
η表示数据保真度约束的平衡因子；
[0070]
δ(t)表示狄拉克分布；
[0071]
x表示基本特定信号；
[0072]
表示与信号x相关的第k个分量；
[0073]fk
表示的中心频率；
[0074]
λ表示拉格朗日乘子。
[0075]
增广拉格朗日矩阵la可以通过上述公式计算。迭代优化子序列的鞍点可通过交替方向乘子法检测，其中假定在两个方向上更新的和fk有助于实现与变分模态分解相关的评估程序。以下是关于和fk的迭代解决方案：
[0076][0077]
[0078]
式中：
[0079]
和分别表示x(f)和λ(f)的傅里叶变换；
[0080]
η表示数据保真度约束的平衡因子；
[0081]
n表示迭代次数。
[0082]
步骤2：在步骤1构建电价和负荷模型的基础上，建立特征选择模型，其作为预测模型的基础，其值的选取影响电价和负荷预测模型的最佳的候选输入量，具体方法如下：
[0083]
由于选取的特征小时内的电力市场变化高度依赖前几个小时的市场行为，本发明对每个信号和每个i采用200小时的延迟，同时作为一个用于预测两个独立输出结果的电价和负荷模型，会有不同的输入数据来预测每个变量(价格和负荷)。其中，作为候选输入量包含相关子序列的滞后值(负荷：i
1load
、i
2load
、 i
3load
和i
4load
)、200小时前的价格(price)和负荷(load)。
[0084]
创建一组候选输入变量来预测负荷，包括负荷信号的四个分量(i
1load
、 i
2load
、i
3load
和i
4load
)、原始价格和负荷数据的滞后值，规范化候选的输入和输出；创建一组候选输入变量来预测电价，包括价格信号的四个分量(i
1price
、 i
2price
、i
3price
和i
4price
)、原始价格信号的滞后值负荷和短期负荷预测数据。规范化候选的输入和输出，如下所示：
[0085][0086]
由于有太多的输入来估计每个变量(负荷和价格)。这些变量不仅对主要预测模型有效，而且还降低了模型计算的速度和精度。为了确保有效特征不会被删除，同时减小模型，将采用成本函数，成本函数常常被用于减少所提出的特征选择方法的误差。因此，采用成本函数可以有效减少输入量和减少预测误差。同时，利用神经网络算法修改参数，使用优化算法的起始值来优化成本函数。
[0087]
特征选择模型的成本函数如下：
[0088][0089]
式中：
[0090]yri
和y
fi
分别是实际值和预测值；
[0091]
βi和γ分别是特征数和常数。
[0092]
步骤3：采用改进鲸鱼算法对特征选择模型中的βi和γ参数进行优化，实现参数的优选功能。
[0093]
鲸鱼优化算法的灵感来自于座头鲸的智能狩猎，它主要包括三个数学模型：包围
猎物、螺旋气泡网摄食动作和寻找猎物，其基本原理如下：
[0094]
座头鲸可以识别猎物的位置并将其包围。为了模拟这种行为，假设当前的最佳候选解是目标猎物或接近最优解。在定义了最佳搜索代理之后，其他搜索代理尝试将它们的位置更新为最佳搜索代理。此行为由以下方程式表示：
[0095]
m(t 1)＝m
*
(t)-a
·n[0096]
n＝|b
·m*
(t)-m(t)|
[0097]
式中：
[0098]
t表示迭代次数；
[0099]
m表示由特征选择模型中的βi和γ组成的位置向量；
[0100]
n表示计算的中间变量；
[0101]
向量a和b的计算方法如下：
[0102]
a＝2h
·
r-h
[0103]
b＝2
·r[0104]
式中：
[0105]
h表示随迭代次数递减的常量，取值范围[0,2]；
[0106]
r表示随机数，取值范围[0,1]。
[0107]
座头鲸通过向上盘旋，同时缩小包围来攻击猎物。为了对这种捕食行为进行数学描述，设计了两种更新方法，即收缩包围机制和螺旋更新位置。在围捕猎物的过程中，方程的系数向量a是区间[-h,h]中的随机值。
[0108]
当a的值在[-1,1]中时，鲸鱼游在一个缩小的圆圈里，这意味着缩小的围困机制。螺旋更新位置表示在鲸鱼和猎物的位置之间创建螺旋方程，以模拟座头鲸的螺旋形运动，如下式所示：
[0109]
m(t 1)＝n
′
·egp
·
cos(2πp) m
*
(t)
[0110]
式中：
[0111]
m表示由特征选择模型中的βi和γ组成的位置向量；
[0112]
n表示计算的中间变量，代表鲸到猎物的距离；
[0113]
g表示定义对数螺旋形状的常量；
[0114]
p表示随机数，取值范围[0,1]。
[0115]
为了模拟收缩包络机制和螺旋模型这两种方法，假设在优化过程中有50％的概率在这两种方法之间进行选择。
[0116][0117]
式中：
[0118]
m表示由βi和γ组成的位置向量；
[0119]
n表示计算的中间变量，代表鲸到猎物的距离；
[0120]
g表示定义对数螺旋形状的常量；
[0121]
p表示随机数，取值范围[0,1]。
[0122]
基于a向量变化的相同方法也可用于搜索猎物。|a|＞1强调探索且允许改进鲸鱼算法执行全局搜索。此时，鲸鱼根据彼此的位置随机寻找，数学模型如下。
[0123]
m(t 1)＝m
rand
(t)-a
·n[0124]
n＝|b
·mrand
(t)-m(t)|
[0125]
式中：
[0126]mrand
是从当前群体中选择的随机位置向量。
[0127]
鲸鱼算法中的种群初始值是按照均匀分布随机生成的，缺乏遍历性，容易在一定范围内遗漏或集中。这极大地影响了搜索最优值，并减慢了算法的收敛速度。解决这一问题的一种流行方法是用混沌映射取代均匀随机数。混沌映射的动力学特性使其在优化领域得到了广泛的应用。在本研究中，选择帐篷地图法来初始化种群，其数学表达式如下：
[0128][0129]
式中：
[0130]
i表示迭代次数；
[0131]ci
表示计算中间值，取值范围(0,1)。
[0132]
使用混沌映射初始化鲸鱼种群的公式如下所示：
[0133]
x
i,j
＝x
min,j
z
i,j
(x
max,j-x
min,j
)
[0134]
式中：
[0135]
x
i,j
表示第i个试剂的第j维的值；
[0136]
x
min,j
和x
max,j
分别表示第j维的下界和上界；
[0137]zi,j
表示第i个代理的第j维混沌变量；
[0138]z0,j
表示(0,1)中的随机数。
[0139]
步骤4：利用复合神经网络模型对优化后的特征选择模型进行参数输入与训练，具体流程如下：
[0140]
基于上述步骤，建立预测模型，通过确定每个变量的输入特征，使用可用的历史数据组装训练样本。首先通过步骤1求得可以表示电价和负荷需求关系的四个分量(iload和iprice)，然后利用步骤3中改进鲸鱼算法模型优化步骤 2中简历的特征选择模型参数，最后采用复合神经网络算法，快速学习和收敛样本数据，对于本例的小样本数据。
[0141]
复合神经网络的组织分为四层：输入层，向模型输入数据。复合神经网络中的输入神经元速率类似于输入向量中的变量数。模式层，其中神经元可以记忆输入神经元之间的相关性以及模式层的适当响应；神经元比率与训练案例比率相似。模式qi可通过以下公式计算：
[0142][0143]
式中：
[0144]
σ表示平滑因子(扩散参数)；
[0145]
z表示输入变量；
[0146]
zi表示与模式层相关的第i个神经元的训练样本。
[0147]us
和uw总和在求和层中确定，求和层：模式层输出输入到该层。模式输出的简单总和可以通过以下公式进行评估：
[0148][0149]
模式层的输出加权和可通过以下公式计算：
[0150][0151]
式中：
[0152]
wi表示模式层中的第i个神经元权重，该权重附加到求和层。
[0153]
输出层：在求和层中确定的总和的结果被传输到输出层。n是训练模式的数量。结果通过以下方式获得：
[0154][0155]
同时，结合步骤3中的改进鲸鱼算法，不断优化复合神经网络的参数。
[0156]
步骤5：使用不同的错误标准(如均方根误差、平均绝对误差、平均绝对百分比误差、粒子间距离、泰尔不等系数)评估模型。在所有可调参数组合都已尝试过的情况下，根据误差函数选择最佳组合；或者根据特征选择技术更改参数，然后返回步骤2。
[0157]
选择了六个误差指数，以实现精度和预测模型的稳定性以及比较它们的结果。在里面特别是均方根误差、平均绝对误差、平均绝对百分数误差及其泰尔不等系数和粒子间距离用于检查模型的准确性。泰尔不等系数值变化介于0和 1之间，如果其值接近0，则预测模型的精度较高。
[0158][0159][0160][0161][0162]
式中：
[0163]
n是样本数(n＝168表示一周的小时数)。
[0164]
通过对两个实验例电力市场中的短期负荷预测和短期电价预测所计算出的误差与其他算法进行比较，选择出误差最小的算法，意味着预测的精度最高。
[0165]
本方法有如下特点：
[0166]
首次集成并考虑以下所有步骤：建模输入信号、分解输入信号和基于人工智能方法的预测。使用这一新开发的方法，将有可能基于经济因素、能源需求数据、可持续性等各个方面分析不同的电力市场。此外，由于电网管理需要智能分析策略，以更好地匹配可变可再生能源的能源消耗和生产，以分析其负荷需求。开发了基于变分模态分解、原始信号和电价和负荷滞后值的新混合数据模型，并用于提高电力市场和电网分析的准确性。基于混合数据模型，深入分析了负荷和价格特征，提高了预测引擎的性能。在之前的研究中，研究人员使用神经网络和改进鲸鱼算法的组合来预测负荷信号(例如中期负荷预测，长期负荷预测)。另一方面，在本发明中，将神经网络与改进鲸鱼算法相结合，并将其应用于特征选择模型，为不同的预测信号(电价和负荷)选择最佳特征。
[0167]
实施例2
[0168]
利用实施例1的方法，本实施例采用典型电力市场2006年宾夕法尼亚州
‑ꢀ
新泽西州-马里兰州(数据集i)和2002年西班牙电力市场(数据集ii)的实际数据来分析拟议的预测模型，利用步骤5中所提指标对预测结果进行评价，短期负荷预测结果如表1所示，短期价格预测结果如表2所示，其中预测模型是根据不同季节的误差测量(四个测试周)评估的。结果表明，与两种神经网络相比，该模型具有更高的精度、稳定性和分散性。
[0169]
本发明申请人对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
[0170]
表1数据集i和ii的短期负荷预测结果对比
[0171]
[0172][0173]
表2数据集i和ii的短期价格预测结果对比
[0174]