[發(fā)明專利]基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010187522.2
• 申請日: 2020-03-17
• 公開（公告）號: CN111401638A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 彭鵬;邵宇鷹;羅瀟;李堅(jiān);韓靜
• 申請（專利權(quán)）人: 國網(wǎng)上海市電力公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 上海元好知識產(chǎn)權(quán)代理有限公司 31323
• 代理人: 徐雯瓊;章麗娟

本發(fā)明公開一種基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測方法，包括：S1：將電力負(fù)荷根據(jù)用電類型進(jìn)行分類并確定每類負(fù)荷的影響因素；S2：利用FCM聚類算法，將每類負(fù)荷再細(xì)分為幾個(gè)小類并求出每一小類的聚類中心矩陣；對于給定的待預(yù)測地的特性指標(biāo)，求出與小類聚類中心的歐式距離，取歐式距離最小的一小類樣本作為訓(xùn)練樣本；S3：建立基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)算法的回歸模型，將選好的訓(xùn)練樣本帶入模型，影響因素作為模型的輸入，負(fù)荷密度作為模型的輸出；S4：將求出的各類負(fù)荷密度乘以小區(qū)的面積可得每個(gè)小區(qū)的負(fù)荷值，結(jié)合每個(gè)小區(qū)的同時(shí)系數(shù)求出規(guī)劃區(qū)的空間負(fù)荷預(yù)測。本發(fā)明提出的PSO?ELM算法具有較高精度，能滿足實(shí)際工程的要求。

技術(shù)領(lǐng)域

本發(fā)明涉及空間電力負(fù)荷預(yù)測領(lǐng)域，特別是涉及負(fù)荷密度指標(biāo)法與人工智能相結(jié)合的空間負(fù)荷預(yù)測算法的研究，具體地說是一種基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測方法。

背景技術(shù)

空間負(fù)荷預(yù)測(Spatial Load Forecasting，SLF)這一概念首次是由H.LeeWillis于上世紀(jì)80年代初提出的，它不僅要對某一區(qū)域的負(fù)荷總量進(jìn)行預(yù)測，同時(shí)還要預(yù)測這一區(qū)域負(fù)荷增長的位置。空間負(fù)荷預(yù)測是城市配電網(wǎng)規(guī)劃中不可或缺的重要環(huán)節(jié)，它的預(yù)測結(jié)果的精度對城市配電網(wǎng)規(guī)劃的經(jīng)濟(jì)性以及可操作性產(chǎn)生重大影響。因此，隨著城市負(fù)荷的增長以及智能電網(wǎng)的建設(shè)的需求，空間負(fù)荷預(yù)測受到了越來越大的重視。

目前，空間負(fù)荷預(yù)測的方法主要有趨勢法、多元變量法、用地仿真法以及負(fù)荷密度指標(biāo)法。用地仿真法是一種自上而下的預(yù)測方法，首先將規(guī)劃區(qū)以網(wǎng)格的形式劃分為面積相同元胞，然后以土地利用性質(zhì)為原則對負(fù)荷總量預(yù)測的結(jié)果進(jìn)行空間位置上的分配。負(fù)荷密度指標(biāo)法是一種自下而上的空間負(fù)荷預(yù)測方法，它首先按照負(fù)荷類型劃分功能小區(qū)，通過預(yù)測功能小區(qū)的負(fù)荷密度，然后結(jié)合小區(qū)的面積計(jì)算出各小區(qū)的負(fù)荷值，進(jìn)而得出總量負(fù)荷值。這種預(yù)測方法適用于未來土地使用較為明確的情況，而我國的土地使用方案已經(jīng)被規(guī)劃部門基本制定，因此負(fù)荷密度指標(biāo)法在我國應(yīng)用較多。

傳統(tǒng)的負(fù)荷密度指標(biāo)法常采用經(jīng)驗(yàn)法和簡單的類比法，未能考慮負(fù)荷密度與其各個(gè)影響因素之間復(fù)雜的非線性關(guān)系，在精度上無法滿足實(shí)際的工程要求。有研究提出了小區(qū)負(fù)荷密度指標(biāo)法，采用類比的方法確定小區(qū)的負(fù)荷密度，但是每個(gè)城市的差異性很大，經(jīng)濟(jì)、環(huán)境、政策等方面也有很大差異，這種簡單類比的方法不能滿足較高的精度要求。也有研究引入了模糊貼近度理論來求取負(fù)荷密度指標(biāo)法，這種做法量化了影響因素，構(gòu)造隸屬函數(shù)，但是計(jì)算過程復(fù)雜。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測方法，通過劃分小區(qū)元胞，對負(fù)荷進(jìn)行詳細(xì)的劃分，構(gòu)造精細(xì)化的負(fù)荷密度指標(biāo)，利用人工智能算法預(yù)測小區(qū)未來負(fù)荷，用以提高空間負(fù)荷預(yù)測的精度以及減少計(jì)算量。

為了達(dá)到上述目的，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

一種基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測方法，該方法包含以下步驟：

根據(jù)用電類型將電力負(fù)荷進(jìn)行分類，并確定每類負(fù)荷的一個(gè)或多個(gè)影響因素；

根據(jù)每類負(fù)荷的影響因素，選取影響因素對應(yīng)的樣本數(shù)據(jù)作為訓(xùn)練樣本；

采用基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)算法的回歸模型建立空間負(fù)荷預(yù)測模型，將選取的所述訓(xùn)練樣本為回歸模型的輸入以訓(xùn)練回歸模型，負(fù)荷密度ρ_i為回歸模型的輸出，并利用粒子群優(yōu)化算法對極限學(xué)習(xí)機(jī)算法的回歸模型的變量參數(shù)進(jìn)行優(yōu)化；

將求出的各類負(fù)荷密度ρ_i乘以小區(qū)的面積S_i，得到每個(gè)小區(qū)的負(fù)荷值W_i，結(jié)合每個(gè)小區(qū)的同時(shí)系數(shù)求出待預(yù)測區(qū)的空間負(fù)荷預(yù)測結(jié)果。