一種混合粒子群優(yōu)化與極限學(xué)習(xí)機(jī)的電力負(fù)荷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力負(fù)荷預(yù)測技術(shù)領(lǐng)域，特殊涉及一種混合粒子群優(yōu)化與極限學(xué)習(xí)機(jī) 的電力負(fù)荷預(yù)測方法。
【背景技術(shù)】
[0002] 電力負(fù)荷是電力系統(tǒng)中所有用電設(shè)備所耗用的功率。智能電網(wǎng)已成為國內(nèi)外電力 工業(yè)關(guān)注的焦點(diǎn)。而智能電網(wǎng)構(gòu)建離不開負(fù)荷預(yù)測的支持。精確的電力負(fù)荷預(yù)測可以為制 定發(fā)電計(jì)劃和輸電方案提供依據(jù)，保證電力系統(tǒng)的正常運(yùn)行。隨著科技的發(fā)展和各種智能 設(shè)備的增加，設(shè)備獲取的各類數(shù)據(jù)類型多樣化、價(jià)值密度低。傳統(tǒng)的單機(jī)處理方法很難有效 從這些價(jià)值密度低，種類復(fù)雜的負(fù)荷數(shù)據(jù)中掘取、處理并整理成能幫助電力公司管理者決 策的信息。如何從這些多樣、復(fù)雜的電力信息中了解并預(yù)測出未來時刻的電力負(fù)荷值成為 一個具有挑戰(zhàn)性的研究課題。
[0003] 近年來，基于數(shù)據(jù)挖掘方法進(jìn)行電力負(fù)荷預(yù)測引起了學(xué)者們的關(guān)注，這些方法包 括決策樹、神經(jīng)網(wǎng)絡(luò)、時間序列預(yù)測等。然而，這些方法相比于極限學(xué)習(xí)機(jī)方法獲得的預(yù)測 結(jié)果誤差較大。然而，基于極限學(xué)習(xí)機(jī)直接進(jìn)行電力負(fù)荷數(shù)據(jù)的預(yù)測，會受到極限學(xué)習(xí)機(jī)本 身隨機(jī)性的影響，造成算法的穩(wěn)定性不高，每次預(yù)測結(jié)果的差距比較大。此外，由于極限學(xué) 習(xí)機(jī)算法自身限制，每次運(yùn)行極限學(xué)習(xí)機(jī)時需要指定隱含層節(jié)點(diǎn)的個數(shù)，但不同應(yīng)用場景 對這個參數(shù)的要求是不一致的，因此需要找到一種方法能夠根據(jù)不同的應(yīng)用場景自動確定 出最適合的隱含層節(jié)點(diǎn)個數(shù)。有研究人員借鑒了粒子群算法的思想，對極限學(xué)習(xí)機(jī)的最優(yōu) 輸入權(quán)值及隱含層節(jié)點(diǎn)閾值進(jìn)行搜索，但是沒有對隱含層節(jié)點(diǎn)個數(shù)的選取進(jìn)行討論。此外， 如何高效地處理這些復(fù)雜的電力負(fù)荷數(shù)據(jù)獲得較為準(zhǔn)確的預(yù)測結(jié)果也是未來的一個研究 方向。
[0004] 綜上，現(xiàn)有的電力負(fù)荷預(yù)測方法尚有很大的提升空間。面對復(fù)雜的電力負(fù)荷數(shù)據(jù)， 現(xiàn)有方法無論是在效果和效率上都難以滿足要求。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種混合粒子群優(yōu)化與極限學(xué)習(xí)機(jī) 的電力負(fù)荷預(yù)測方法，該方法可以從歷史的電力負(fù)荷數(shù)據(jù)中挖掘出電力負(fù)荷數(shù)據(jù)的特性進(jìn) 而生成穩(wěn)定的極限學(xué)習(xí)機(jī)，從而對未來的電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測，并且具有較高的準(zhǔn)確度。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種混合粒子群優(yōu)化與極限學(xué)習(xí)機(jī)的電 力負(fù)荷預(yù)測方法，包括如下步驟： 步驟A :對電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理； 步驟B:采用混合粒子群優(yōu)化與極限學(xué)習(xí)機(jī)的電力負(fù)荷預(yù)測方法對電力負(fù)荷數(shù)據(jù)進(jìn)行 訓(xùn)練，生成電力負(fù)荷預(yù)測的極限學(xué)習(xí)機(jī)模型； 步驟C :利用步驟B構(gòu)建的極限學(xué)習(xí)機(jī)模型計(jì)算未來時刻的電力負(fù)荷的預(yù)測值。
[0007] 進(jìn)一步地，所述步驟A中，對電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括以下步驟： 步驟A1 :計(jì)算不同采集頻率下的電力負(fù)荷數(shù)據(jù)序列的波動率； 步驟A2 :選擇波動率最小的采集頻率下的電力負(fù)荷數(shù)據(jù)序列來學(xué)習(xí)模型； 步驟A3 :填充電力負(fù)荷數(shù)據(jù)序列中的缺失值； 步驟A4 :對電力負(fù)荷數(shù)據(jù)序列中的每一維屬性值進(jìn)行歸一化； 步驟A5 :采用特征選擇算法對電力負(fù)荷數(shù)據(jù)序列進(jìn)行特征選擇，選取屬性子集，使所 述屬性子集中的每個屬性和電力負(fù)荷值的關(guān)聯(lián)性高于第一閾值，但各屬性間的關(guān)聯(lián)性低于 第二閾值。
[0008] 進(jìn)一步地，所述步驟A1中，電力負(fù)荷數(shù)據(jù)序列的波動率用于反映電力負(fù)荷數(shù)據(jù)序 列的穩(wěn)定性，以確定哪一種采集頻率下的電力負(fù)荷數(shù)據(jù)序列最穩(wěn)定，其計(jì)算公式如下：
其中，表示電力負(fù)荷數(shù)據(jù)序列?的波動率，Λ表示電力負(fù)荷數(shù)據(jù)序列?的長度， Λ為第i條電力負(fù)荷數(shù)據(jù)中的電力負(fù)荷值，_表示電力負(fù)荷數(shù)據(jù)序列沖電力負(fù)荷值的均 值；計(jì)算不同采集頻率下的電力負(fù)荷數(shù)據(jù)序列的波動率，波動率越大，表示這個采集頻率統(tǒng) 計(jì)出來的數(shù)據(jù)越偏離均值，含有噪聲數(shù)據(jù)量更多，因此選擇波動率最小的電力負(fù)荷數(shù)據(jù)序 列。
[0009] 進(jìn)一步地，所述步驟A3中，填充電力負(fù)荷數(shù)據(jù)序列中的缺失值所采用的填充規(guī)則 為：取相鄰采集時刻的電力負(fù)荷值的加權(quán)和，其計(jì)算公式如下：
其中，?)表示第躍第?小時的電力負(fù)荷值，7(士1，?)表示第J-1天第?小時 的電力負(fù)荷值，7(0^1，?)表示第?/-1天第（小時的電力負(fù)荷值，叫、《2分別為?) 和7(41，?)的權(quán)重；通過使用相鄰若干天的正常電力負(fù)荷數(shù)據(jù)的加權(quán)平均值對電力負(fù)荷 數(shù)據(jù)序列中的缺失值進(jìn)行填充，以減小誤差，并保證電力負(fù)荷數(shù)據(jù)的連續(xù)性。
[0010] 進(jìn)一步地，所述步驟Α4中，對電力負(fù)荷數(shù)據(jù)序列中每條記錄的電力負(fù)荷數(shù)據(jù)及每 一維屬性值進(jìn)行歸一化，所采用的歸一化方法為最大最小歸一化，其計(jì)算公式如下：
其中，對于電力負(fù)荷數(shù)據(jù)序列沖的第i條電力負(fù)荷數(shù)據(jù)心，表示為
尺的屬性集
的維度為 /?為的第衫隹屬性，表示對第i條電力負(fù)荷數(shù)據(jù)的電力負(fù)荷值力進(jìn) 行歸一化，表示對電力負(fù)荷數(shù)據(jù)序列沖第i條電力負(fù)荷數(shù)據(jù)/,的第J維 屬性/^7進(jìn)行歸一化后，為電力負(fù)荷數(shù)據(jù)序列沖電力負(fù)荷的最大值，為電力負(fù)荷數(shù) 據(jù)序列沖電力負(fù)荷的最小值，/^^為電力負(fù)荷數(shù)據(jù)序列沖第J維屬性的所有取值中的 最大值為電力負(fù)荷數(shù)據(jù)序列沖第7維屬性的所有取值中的最小值。
[0011] 進(jìn)一步地，所述步驟B中，采用混合粒子群優(yōu)化與極限學(xué)習(xí)機(jī)的電力負(fù)荷預(yù)測方 法對電力負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練，生成電力負(fù)荷預(yù)測的極限學(xué)習(xí)機(jī)模型，包括以下步驟： 步驟B1 :將極限學(xué)習(xí)機(jī)隨機(jī)產(chǎn)生的輸入權(quán)值及隱含層節(jié)點(diǎn)閾值編碼成粒子個體，并初 始化粒子； 步驟B2 :根據(jù)粒子編碼中所確定的輸入權(quán)值及隱含層節(jié)點(diǎn)閾值，采用極限學(xué)習(xí)機(jī)對訓(xùn) 練集進(jìn)行預(yù)測，并根據(jù)預(yù)測結(jié)果計(jì)算每個粒子的適應(yīng)度，以最大化適應(yīng)度作為優(yōu)化目標(biāo)； 步驟B3 :根據(jù)步驟B2計(jì)算得到的適應(yīng)度，記錄粒子的群體最優(yōu)以及個體歷史最優(yōu)； 步驟B4 :對粒子進(jìn)行變異操作； 步驟B5 :根據(jù)群體最優(yōu)以及個體局部最優(yōu)對粒子的速度和位置進(jìn)行更新； 步驟B6 :如果迭代次數(shù)達(dá)到指定次數(shù)或者粒子連續(xù)兩次的歷史最優(yōu)值的變化小于指 定閾值時，結(jié)束粒子的搜索過程，并轉(zhuǎn)步驟B7,否則跳轉(zhuǎn)到步驟B2 ; 步驟B7 :選擇步驟B6獲得的最優(yōu)的粒子，解析粒子編碼，獲得最優(yōu)的輸入權(quán)值及隱含 層節(jié)點(diǎn)閾值，構(gòu)建電力負(fù)荷預(yù)測的極限學(xué)習(xí)機(jī)模型。
[0012] 進(jìn)一步地，所述步驟B1中，將極限學(xué)習(xí)機(jī)隨機(jī)產(chǎn)生的輸入權(quán)值及隱含層節(jié)點(diǎn)閾值 編碼成粒子個體，使用粒子群算法初始化粒子，粒子的位置和速度均使用（Al) XZ維矩陣 表示，粒子X的位置編碼如下：
其中J是電力負(fù)荷數(shù)據(jù)的屬性個數(shù)，Z是極限學(xué)習(xí)機(jī)的隱含層節(jié)點(diǎn)個數(shù)，
為極限學(xué)習(xí)機(jī)的輸入權(quán)值，
，為極限學(xué)習(xí)機(jī)的隱含層節(jié)點(diǎn)閾值，粒子X的編碼矩陣中每個值的取值范 圍為[-1，1]，即-1 < 1 ;粒子X的長度為I χ|=Ζ*(濟(jì)1)，和極限學(xué)習(xí)機(jī)的隱含層節(jié)點(diǎn) 的個數(shù)有關(guān)，采用隨機(jī)方式來初始化每個粒子的值以及隱含層節(jié)點(diǎn)的個數(shù)Ζ。
[0013] 進(jìn)一步地，所述步驟Β2中，采用極限學(xué)習(xí)機(jī)計(jì)算每個粒子的適應(yīng)度，適應(yīng)度 的計(jì)算公式如下：
其中為是極限學(xué)習(xí)機(jī)的電力負(fù)荷數(shù)據(jù)訓(xùn)練集中第i條電力負(fù)荷數(shù)據(jù)的電力負(fù)荷真實(shí) 值，A是第i條電力負(fù)荷數(shù)據(jù)的電力負(fù)荷預(yù)測值，Λ是電力負(fù)荷數(shù)據(jù)訓(xùn)練集的大小，即用于 極限學(xué)習(xí)機(jī)訓(xùn)練的電力負(fù)荷數(shù)據(jù)的數(shù)量；根據(jù)適應(yīng)度的定義，電力負(fù)荷數(shù)據(jù)的真實(shí)值和預(yù) 測值之間的誤差越小，則適應(yīng)度的值越大，因此粒子群優(yōu)化的優(yōu)化目標(biāo)是最大化適應(yīng)度。
[0014] 進(jìn)一步地，所述步驟Μ中，對粒子進(jìn)行變異操作，變異操作主要改變粒子的長度， 即改變極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)中隱含層節(jié)點(diǎn)的個數(shù)Ζ，變異操作的公式如下：
其中，沿Μ?/Ο產(chǎn)生一個[0, 1]之間的隨機(jī)數(shù)，廣1表示變異操作后的隱含層節(jié)點(diǎn)的個 數(shù)，f表示變異操作前的隱含層節(jié)點(diǎn)的個數(shù)；通過改變極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)中隱含層節(jié) 點(diǎn)的個數(shù)Z，粒子群優(yōu)化過程中下一輪迭代時粒子的長度改變Szi+1x (濟(jì)ι)，|_ ^|表示向下 取整； 在粒子進(jìn)行變異操作后，如果粒子的長度增加，Z(i)(i)的調(diào)整 規(guī)則如下：
其中Z(i)為第?輪迭代時第i個粒子速度的編碼矩陣，f (i)為第?輪迭代時第i個 粒子位置的編碼矩陣，戌為第?輪迭代時第i個粒子的個體歷史最優(yōu)位置的編碼 矩陣，成fesf為第?輪迭代時整個種群的全局最優(yōu)位置的編碼矩陣，/,^(力為Z(i)的速 度編碼矩陣中第々行第^/列的值，< j(力為f (力的位置編碼矩陣中第々行第^/列的值， /^￡>6^ Ji)為的編碼矩陣中第々行第^/列的值，為試6>6^的編碼矩 陣中第對于第7列的值； 在粒子進(jìn)行變異操作后，如果粒子的長度縮短，則z(i)(i)jifey的調(diào) 整規(guī)則如下：對矩陣進(jìn)行截?cái)?，保?到廣1列的矩陣元素；隨后根據(jù)步驟B5進(jìn)行更新操 作； 在粒子進(jìn)行變異操作后，如果粒子的長度不變，則Z(i)(i)不進(jìn) 行調(diào)整，隨后根據(jù)步驟B5