[發(fā)明專利]基于多指標(biāo)動(dòng)態(tài)匹配的實(shí)時(shí)電力負(fù)荷預(yù)測系統(tǒng)及其方法

有效

• 申請?zhí)枺?/td>: 201810525917.1
• 申請日: 2018-05-29
• 公開（公告）號: CN108830405B
• 公開（公告）日: 2021-11-30
• 發(fā)明（設(shè)計(jì)）人: 周鐵華;王玲;馬福濤;高雪
• 申請（專利權(quán)）人: 東北電力大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 吉林市達(dá)利專利事務(wù)所 22102
• 代理人: 陳傳林

1.一種基于多指標(biāo)動(dòng)態(tài)匹配的實(shí)時(shí)電力負(fù)荷預(yù)測方法，其特征是，它包括的內(nèi)容有：

1)利用數(shù)據(jù)采集模塊的氣象數(shù)據(jù)單元、負(fù)荷數(shù)據(jù)單元以及經(jīng)濟(jì)數(shù)據(jù)單元的各自功能進(jìn)行數(shù)據(jù)采集，由氣象數(shù)據(jù)單元負(fù)責(zé)實(shí)時(shí)采集所需地區(qū)的溫度、濕度、降水量、能見度、風(fēng)向、風(fēng)速、天氣狀況數(shù)據(jù)進(jìn)行數(shù)據(jù)整合，傳輸?shù)较到y(tǒng)數(shù)據(jù)庫中生成氣象數(shù)據(jù)表；由負(fù)荷數(shù)據(jù)單元負(fù)責(zé)實(shí)時(shí)采集工業(yè)用電負(fù)荷、農(nóng)業(yè)用電負(fù)荷、市政用電負(fù)荷、郵電用電負(fù)荷、交通用電負(fù)荷、生活用電負(fù)荷以及商業(yè)用電負(fù)荷進(jìn)行數(shù)據(jù)整合，傳輸?shù)较到y(tǒng)數(shù)據(jù)庫中生成負(fù)荷數(shù)據(jù)表；由經(jīng)濟(jì)數(shù)據(jù)單元負(fù)責(zé)實(shí)時(shí)采集政府年度經(jīng)濟(jì)報(bào)告中的經(jīng)濟(jì)數(shù)據(jù)進(jìn)行數(shù)據(jù)整合，傳輸?shù)较到y(tǒng)數(shù)據(jù)庫中生成經(jīng)濟(jì)數(shù)據(jù)表；

2)數(shù)據(jù)分析模塊采用多指標(biāo)動(dòng)態(tài)匹配算法Multi-Index Dynamic Matching，即MIDM算法對各指標(biāo)進(jìn)行相關(guān)性分析，分析負(fù)荷數(shù)據(jù)和對應(yīng)的氣象數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)之間的相關(guān)程度，從而確定影響所需地區(qū)的關(guān)鍵指標(biāo)，其中多指標(biāo)動(dòng)態(tài)匹配算法的步驟為：

(1)計(jì)算各個(gè)指標(biāo)曲線對于負(fù)荷的投影距離：

其中x_qi代表影響指標(biāo)曲線上的點(diǎn)在負(fù)荷曲線上的投影橫坐標(biāo)，k_qi代表負(fù)荷曲線這一點(diǎn)的斜率，b₁(2)代表影響指標(biāo)曲線上點(diǎn)的橫坐標(biāo)，b₁(1)代表影響指標(biāo)曲線上點(diǎn)的縱坐標(biāo)，b_qi代表負(fù)荷曲線在這一點(diǎn)的截距，y_qi代表影響指標(biāo)上的點(diǎn)在在負(fù)荷曲線上的投影縱坐標(biāo)，q代表影響指標(biāo)一天24小時(shí)在曲線上的24個(gè)點(diǎn),i代表某一影響指標(biāo)，r_qi代表影響指標(biāo)對于負(fù)荷的投影距離，x_qi2代表影響指標(biāo)曲線在負(fù)荷曲線上投影點(diǎn)后一個(gè)點(diǎn)的橫坐標(biāo)，x_qi1代表影響指標(biāo)曲線在負(fù)荷曲線上投影點(diǎn)前一個(gè)點(diǎn)的橫坐標(biāo)，y_qi2影響指標(biāo)曲線在負(fù)荷曲線投影點(diǎn)后一個(gè)點(diǎn)的縱坐標(biāo)，y_qi1代表影響指標(biāo)曲線在負(fù)荷曲線投影點(diǎn)的前一個(gè)點(diǎn)的縱坐標(biāo)，R_t代表負(fù)荷在兩點(diǎn)間的波動(dòng)距離，t代表負(fù)荷一天24小時(shí)在曲線上的24個(gè)點(diǎn)，y_t2代表負(fù)荷曲線上后一個(gè)點(diǎn)的縱坐標(biāo)，y_t1代表負(fù)荷曲線上前一個(gè)點(diǎn)的縱坐標(biāo)，x_t2代表負(fù)荷曲線上后一個(gè)點(diǎn)的橫坐標(biāo)，x_t1代表負(fù)荷曲線上前一個(gè)點(diǎn)的縱坐標(biāo)；

(2)求各個(gè)指標(biāo)的權(quán)重：

其中w_i表示各個(gè)影響因素對于負(fù)荷的影響權(quán)重，i代表某一影響指標(biāo)，r_qi代表影響因素對于負(fù)荷的投影距離，R_t代表負(fù)荷在兩點(diǎn)間的波動(dòng)距離；

(3)集合指標(biāo)的權(quán)重計(jì)算：

i,j＝1,2,...,n且i≠j

其中n代表指標(biāo)的個(gè)數(shù)，w_i,j代表組合指標(biāo)的間接權(quán)重，i,j代表某一項(xiàng)影響指標(biāo)，w_i’代表集合指標(biāo)的權(quán)重，充分表達(dá)了各個(gè)指標(biāo)對于負(fù)荷的直接和間接的影響；

3)利用多指標(biāo)動(dòng)態(tài)匹配模塊的功能，根據(jù)不同地區(qū)的負(fù)荷數(shù)據(jù)和關(guān)鍵指標(biāo)的實(shí)時(shí)性相關(guān)性建立綜合的動(dòng)態(tài)指標(biāo)體系；利用選定的負(fù)荷數(shù)據(jù)和綜合指標(biāo)體系建立可調(diào)節(jié)的高斯過程回歸模型Adjustable-Gaussian Process Regression，即A-GPR模型，其步驟為:

(1)初始化種群規(guī)模N,最大迭代次數(shù)T_max；

(2)粒子當(dāng)前位置的向量；

(3)Fitness，向量x的適應(yīng)度值；

(4)粒子的速度，它的維數(shù)和向量的相同；

(5)p_best，每個(gè)粒子飛行過程中遇到的最好位置所對應(yīng)的適應(yīng)度值；

(6)用于記錄粒子飛行過程中遇到的最好位置，pbest的維數(shù)和向量的維數(shù)相同；

(7)粒子位置的更新公式：

x_i＝x_i+v_i

其中，v_i代表粒子的速度，x_i代表粒子的當(dāng)前位置，i代表每次粒子更新的當(dāng)前迭代數(shù)，g_besti代表種群整體的最優(yōu)位置，p_besti代表種群中個(gè)體的最優(yōu)位置，w代表慣性權(quán)重因子，代表個(gè)體認(rèn)知學(xué)習(xí)率，代表社會(huì)學(xué)習(xí)率，rand()為區(qū)間[0,1]之間的隨機(jī)數(shù)，K代表收斂因子，K可描述為：

標(biāo)準(zhǔn)粒子群算法中一般設(shè)置慣性權(quán)重因子：w_t+1＝w_t＝1，由于慣性權(quán)重因子是影響當(dāng)前粒子速度的變量，較大的值有利于全局搜索，較小的值有利于局部搜索，為了更好地平衡搜索能力，提出了一種A-GPR模型：

其中：w_t代表當(dāng)前迭代次數(shù)的慣性權(quán)重因子，w_max為慣性最大值，w_min為慣性最小值，t為當(dāng)前迭代次數(shù)，T為最大迭代次數(shù)，

所以，粒子位置的更新公式為：

x_i＝x_i+v_i

由于慣性權(quán)重因子一直在變化，導(dǎo)致粒子的速度和位置一直在種群的大范圍和小范圍內(nèi)一直在不斷地更新，從而平衡了算法在全局搜索和局部搜索的能力；

(8)根據(jù)更新后的粒子的位置，重新計(jì)算粒子的適應(yīng)度函數(shù)E，適應(yīng)度函數(shù)可描述為：

其中，m是輸入樣本數(shù)，y_i表示當(dāng)前A-GPR模型訓(xùn)練的過程輸出值，y_i-1為前一代模型的輸出值，i代表當(dāng)前的迭代數(shù)；

(9)判斷是否滿足進(jìn)度要求或者是否達(dá)到迭代次數(shù)，若符合終止搜索；否則進(jìn)行下一次搜索；

(10)輸出最后粒子的信息，即為A-GPR模型的參數(shù)；

4)利用實(shí)時(shí)電力負(fù)荷預(yù)測模塊的功能，獲取待預(yù)測時(shí)刻的氣象數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)，建立綜合指標(biāo)體系，將綜合指標(biāo)體系和相應(yīng)的負(fù)荷數(shù)據(jù)作為輸入向量，輸入到A-GPR模型中，其輸出即為待預(yù)測時(shí)刻的負(fù)荷值。

2.一種基于多指標(biāo)動(dòng)態(tài)匹配的實(shí)時(shí)電力負(fù)荷預(yù)測系統(tǒng)，實(shí)現(xiàn)如權(quán)利要求1所述的實(shí)時(shí)電力負(fù)荷預(yù)測方法，其特征是，它包括：用于采集負(fù)荷、氣象、經(jīng)濟(jì)數(shù)據(jù)并進(jìn)行分類管理，構(gòu)建系統(tǒng)數(shù)據(jù)庫的數(shù)據(jù)采集模塊；基于MIDM算法計(jì)算影響因素與負(fù)荷之間的相關(guān)性，進(jìn)行排序，篩選出關(guān)鍵屬性，構(gòu)建綜合指標(biāo)體系的數(shù)據(jù)分析模塊；能夠根據(jù)不同地區(qū)和時(shí)間的隨機(jī)變化，將模型中固定的慣性因子轉(zhuǎn)化成動(dòng)態(tài)變化的慣性因子，構(gòu)建A-GPR模型的多指標(biāo)動(dòng)態(tài)匹配模塊；能夠根據(jù)構(gòu)建的綜合指標(biāo)體系和A-GPR模型進(jìn)行實(shí)時(shí)電力負(fù)荷預(yù)測的實(shí)時(shí)電力負(fù)荷預(yù)測模塊；所述的數(shù)據(jù)采集模塊與數(shù)據(jù)分析模塊信號連接，數(shù)據(jù)分析模塊與多指標(biāo)動(dòng)態(tài)匹配模塊信號連接，多指標(biāo)動(dòng)態(tài)匹配模塊與實(shí)時(shí)電力負(fù)荷預(yù)測模塊信號連接。