技术领域
[0001] 本
发明涉及气象负荷预测技术领域，具体涉及一种人工智能在季节性负荷预测中的应用方法，背景技术：
[0002] 大量研究表明，
温度、湿度、
风力等气象因素和电力的短期负荷变化的关系尤为重要，其中最关键的气象因素是温度变化，其次是湿度、
风力等因素。随着我国社会经济
水平的发展与提高，越来越多的制冷、取暖设备进入到居民生活当中，这部分温度敏感负荷在电力总负荷比例的提高会对电力系统产生显著影响，夏季降温负荷、冬季取暖负荷会直接受到气象因素影响，如降雨会直接影响到农业排灌负荷和其它负荷，降雨过后农机、排灌负荷往往会大幅度降低。
[0003] 随着气象因素对
电力负荷的影响越来越大，仅仅考虑日特征气象因素对负荷的影响已经无法满足负荷预测的
精度要求。与此同时相关气象部
门能提供的实时气象条件却越来越丰富，结合气象部门的历史数据和在线预测信息，短期负荷预测工作己经进入到了一个新的阶段。气象因素包括很多方面，其中对于负荷预测精度影响最大的主要有温度、湿度、降雨等因素。单独考虑温度的影响，还可以将其分为日最高温度、日最低温度、日平均温度、温差，湿度和降雨也可以将其分为几个等级。考虑到降雨主要是对温度产生影响，湿度数据不全，因此，本发明研究的内容主要是温度的相关因素对于负荷预测的影响。与此同时，夏季高温天气的积温效应对于负荷预测精度的影响很大，有不少相关文献研究的连续高温日的温度累积效应对负荷变化的影响，提出了考虑夏季温度累积效应下的负荷修正模型。现阶段气象因素对于负荷预测的影响相关的研究很多，研究的方法也主要包括建立负荷与温度的回归模型
算法以及利用人工智能算法建模。
发明内容
[0004] 本发明的目的在于提供一种人工智能在季节性负荷预测中的应用方法，以解决
现有技术中导致的连续性高温对气象负荷计算不精确的
缺陷。
[0005] 一种人工智能在季节性负荷预测中的应用方法，所述方法包括如下步骤：
[0006] 将获取的气象负荷数据作为样本数据；
[0008] 将聚类分析得到的数据输入预构建的温度修正模型；
[0009] 将温度修正模型的结果输入预构建的负荷
预测模型中得到预测结果。
[0010] 进一步的，所述气象负荷数据的获取方法包括如下步骤：
[0011] 获取原始负荷记录，提取原始负荷序列；
[0012] 根据
基础负荷以及线性趋势系数得到趋势负荷，
[0013] 公式为：
[0014] Ee＝at+b；
[0015] 式中，t表示时间变量，a为线性趋势系数，b为基础负荷；
[0016] 将原始负荷序列减去趋势负荷得到气象负荷，通过下式得到：
[0017] Em＝E-Ee；
[0018] 式中，Em表示气象负荷，Ee为趋势负荷，E表示原始负荷序列。
[0019] 进一步的，对样本数据进行聚类分析的方法包括如下步骤：
[0020] 设置初始化参数，包括：
[0021] 初始化聚类中心V＝V(0),
迭代计数器T＝0，模糊权重指数m＝2；
[0022] 计算模糊隶属度矩阵U(t)；
[0023] 可通过下式得到：
[0024]
[0025] 式中，uij为样本zi隶属于第j类的模糊隶属度，0≤uij≤1， dij表示样本zi到第j类聚类中心vj的欧式距离，可通过下式得到：
[0026]
[0027] 目标函数：
[0028] ||V(t)-V(t+1)||<ε；
[0029] 式中，ε表示迭代停止条件，t表示迭代次数，V(t)表示聚类中心矩阵，可通过下式得到：
[0030]
[0031] 式中，N表示样本个数， 表示第i个样本在第t次迭代中隶属于第j类大小；
[0032] 输出U和V代表的值。
[0033] 进一步的，所述负荷预测模型的构建方法包括如下步骤：
[0034] 计算得到神经网络的隐含层输出矩阵：
[0035]
[0036] 计算得到T：
[0037]
[0038] 式中：βi＝[βi1,βi2,…,βim]表示隐含层第i个神经元与各个
输出层神经元间的连接权重；N为训练样本个数，L为隐含层神经元个数，x为神经元的输入；W为
输入层与隐含层之间的连接权重，β为隐含层与输出层之间的连接权重，bi表示隐含层第i个神经元的
阈值，g(x)为激励函数；
[0039] 根据神经网络的隐含层输出矩阵和T得到极限学习机模型的目标函数；
[0040]
[0042]
[0043] 式中，i＝1,2,…,m，d表示空间的维度，k表示迭代次数，非负常数c1和c2称为学习因子，r1和r2是(0,1)间的随机数，Mi＝(mi1,mi2,…,mid)表示第i个粒子在d维空间中的
位置，Vi＝(vi1,vi2,…,vid)表示第i个粒子在d维空间中的速度，ω称为惯性权重因子，可通过下式得到：
[0044]
[0045] 式中，Dmax为最大迭代次数，ωmax和ωmin分别为惯性权重的最大最小值，通常ωmax取值为0.9，ωmin取值为0.4。
[0046] 进一步的，将聚类分析得到的数据输入预构建的温度修正模型的运算方法包括如下步骤：
[0047] 获取聚类分析后数据中的待测日最高温度；
[0048] 将待测日最高温度与设定的阈值温度比较；
[0049] 若待测日最高温度大于设定阈值温度，则将聚类分析数据输入温度修正模型；
[0050] 否则将聚类分析数据直接输入预构建的负荷预测模型进行预测。
[0051] 进一步的，所述温度修正模型的构建方法包括如下步骤：
[0052] 确定温度修正函数：
[0053]
[0054] 式中，Ti为待预测日i的最高温度，Ti≥Tmin；Ti-j为待预测日前第j天的最高温度；Tmin为高温日的界限温度；kij∈[0,1]为累积效应系数，其中ki1>ki2>…>kip；p＝min(n,dmax)，第i天前n天的日最高温度连续高于界限温度，dmax为最大累积天数；
[0055] Tmin可通过下式得到：
[0056]
[0057]
[0058] 式中，L＝f(T)表示负荷与温度之间的函数关系，称之为温升曲线；
[0059] 累积效应系数kij可通过以下式子得到：
[0060]
[0061] s.t.0≤kij≤1；
[0062] ki1>ki2>…>kip；
[0063] 以上式中，Ti表示原始最高温度，Ti'为修正后的最高温度，kij为累积效应系数，Li表示最大负荷。
[0064] 进一步的，所述最大累积天数dmax可通过以下步骤得到：
[0065] 选取夏季7、8月份共60个数据作为样本，将相邻的dmax+1天的样本数据作为一组，则一共有60-dmax组；
[0066] 将每个样本带入到下式求取相关系数，然后除以60-dmax得到平均相关系数；
[0067] 则选取使平均相关系数最大的dmax作为最大累积天数：
[0068]
[0069] 上式中，ave_R为T、L之间的平均相关系数；T、L分别为最高温度向量和最高负荷向量；cov(T,L)为T和L的协方差；
[0070] 分别为T和L的方均差；
[0071] 本发明的优点在于：
[0072] 1)本发明在原始负荷序列中剔除趋势负荷得到了气象负荷，采用最小二乘拟合趋势负荷函数；考虑到季节性负荷之间差距较大，采用FCM
聚类算法对样本聚类分析，通过相关性的计算表明采用上面的方法处理之后负荷与温度之间的相关程度提高很多；
[0073] 2)本发明考虑到高温天气会有气温累积效应，为了更好的反映负荷对于温度变化的敏感程度，本发明对温度修正模型做了详细的研究，从界限温度的确定、最大累积天数的确定以及累积效应系数的求解三个方面建立了温度修正模型，通过相关性分析表明，修正后的温度与负荷之间的相关系数有了明显的提高。
附图说明
[0074] 图1为本发明中季节性负荷预测总
流程图；
[0075] 图2为本发明中日最大负荷变化曲线及趋势负荷拟合函数曲线；
[0076] 图3为本发明中FCM聚类算法流程图；
[0077] 图4为本发明中气温累积效应流程图；
[0078] 图5为本发明中PSO-ELM算法流程图；
[0079] 图6为本发明中夏季降温负荷预测结果图。
具体实施方式
[0080] 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。
[0081] 如图1至图6所示，一种人工智能在季节性负荷预测中的应用方法，所述方法包括如下步骤：
[0082] 将获取的气象负荷数据作为样本数据；
[0083] 对样本数据进行聚类分析；
[0084] 将聚类分析得到的数据输入预构建的温度修正模型；
[0085] 将温度修正模型的结果输入预构建的负荷预测模型中得到预测结果。
[0086] 在本
实施例中，所述气象负荷数据的获取方法包括如下步骤：
[0087] 获取原始负荷记录，提取原始负荷序列；
[0088] 根据基础负荷以及线性趋势系数得到趋势负荷，
[0089] 公式为：
[0090] Ee＝at+b；
[0091] 式中，t表示时间变量，a为线性趋势系数，b为基础负荷；
[0092] 将原始负荷序列减去趋势负荷得到气象负荷，通过下式得到：
[0093] Em＝E-Ee；
[0094] 式中，Em表示气象负荷，Ee为趋势负荷，E表示原始负荷序列。
[0095] 在本实施例中，对样本数据进行聚类分析的方法包括如下步骤：
[0096] 设置初始化参数，包括：
[0097] 初始化聚类中心V＝V(0),迭代计数器T＝0，模糊权重指数m＝2；
[0098] 计算模糊隶属度矩阵U(t)；
[0099] 可通过下式得到：
[0100]
[0101] 式中，uij为样本xi隶属于第j类的模糊隶属度，0≤uij≤1， dij表示样本xi到第j类聚类中心vj的欧式距离，可通过下式得到：
[0102]
[0103] 目标函数：
[0104] ||V(t)-V(t+1)||<ε；
[0105] 式中，ε表示迭代停止条件，t表示迭代次数，V(t)表示聚类中心矩阵，可通过下式得到：
[0106]
[0107] 式中，N表示样本个数， 表示第i个样本在第t次迭代中隶属于第j类大小；
[0108] 输出U和V代表的值。
[0109] 在本实施例中，所述负荷预测模型的构建方法包括如下步骤：
[0110] 计算得到神经网络的隐含层输出矩阵：
[0111]
[0112] 计算得到T：
[0113]
[0114] 式中：βi＝[βi1,βi2,…,βim]表示隐含层第i个神经元与各个输出层神经元间的连接权重；N为训练样本个数，L为隐含层神经元个数，x为神经元的输入；W为输入层与隐含层之间的连接权重，β为隐含层与输出层之间的连接权重，bi表示隐含层第i个神经元的阈值，g(x)为激励函数；
[0115] 根据神经网络的隐含层输出矩阵和T得到极限学习机模型的目标函数；
[0116]
[0118]
[0119] 式中，i＝1,2,…,m，d表示空间的维度，k表示迭代次数，非负常数c1和c2称为学习因子，r1和r2是(0,1)间的随机数，Mi＝(mi1,mi2,…,mid)表示第i个粒子在d维空间中的位置，Vi＝(vi1,vi2,…,vid)表示第i个粒子在d维空间中的速度，ω称为惯性权重因子，可通过下式得到：
[0120]
[0121] 式中，Dmax为最大迭代次数，ωmax和ωmin分别为惯性权重的最大最小值，通常ωmax取值为0.9，ωmin取值为0.4。
[0122] 在本实施例中，将聚类分析得到的数据输入预构建的温度修正模型的运算方法包括如下步骤：
[0123] 获取聚类分析后数据中的待测日最高温度；
[0124] 将待测日最高温度与设定的阈值温度比较；
[0125] 若待测日最高温度大于设定阈值温度，则将聚类分析数据输入温度修正模型；
[0126] 否则将聚类分析数据直接输入预构建的负荷预测模型进行预测。
[0127] 在本实施例中，所述温度修正模型的构建方法包括如下步骤：
[0128] 确定温度修正函数：
[0129]
[0130] 式中，Ti为待预测日i的最高温度，Ti≥Tmin；Ti-j为待预测日前第j天的最高温度；Tmin为高温日的界限温度；kij∈[0,1]为累积效应系数，其中ki1>ki2>…>kip；p＝min(n,dmax)，第i天前n天的日最高温度连续高于界限温度，dmax为最大累积天数；
[0131] Tmin可通过下式得到：
[0132]
[0133]
[0134] 式中，L＝f(T)表示负荷与温度之间的函数关系，称之为温升曲线；
[0135] 累积效应系数kij可通过以下式子得到：
[0136]
[0137] s.t.0≤kij≤1；
[0138] ki1>ki2>…>kip；
[0139] 以上式中，Ti表示原始最高温度，Ti'为修正后的最高温度，kij为累积效应系数，Li表示最大负荷。
[0140] 在本实施例中，所述最大累积天数dmax可通过以下步骤得到：
[0141] 选取夏季7、8月份共60个数据作为样本，将相邻的dmax+1天的样本数据作为一组，则一共有60-dmax组；
[0142] 将每个样本带入到下式求取相关系数，然后除以60-dmax得到平均相关系数；
[0143] 则选取使平均相关系数最大的dmax作为最大累积天数：
[0144]
[0145] 上式中，ave_R为T、L之间的平均相关系数；T、L分别为最高温度向量和最高负荷向量；cov(T,L)为T和L的协方差；
[0146] 分别为T和L的方均差；
[0147] 基于上述，该方法的具体实施步骤为：
[0148] S1：基于剔除趋势负荷的方法类获得气象负荷数据，采用最小二乘拟合来获得线性的趋势负荷函数，将原始负荷序列减去趋势负荷作为气象负荷数据；
[0149] S2：应用FCM聚类算法对样本数据聚类分析，共得到三种不同类型的训练样本，对夏季降温负荷及其影响因素进行分析；
[0150] S3：建立温度修正模型，考虑到夏季高温天气的气温累积效应，有必要对高温天气的最高温度进行温度修正，模型的建立主要包括界限温度的确定、最大累积天数的确定以及累积效应系数的求解三个过程；
[0151] S4：建立PSO-ELM负荷预测模型，将粒子群优化算法(PSO)与极限学习机(ELM)相结合，将相关气象因素作为模型的输入，气象负荷作为模型的输出，将预测结果与实际值比较，通过均方根误差和平均绝对百分比误差来评价PSO-ELM负荷预测模型的性能。
[0152] PSO是优化算法，用来优化ELM模型的，其实也就是为ELM模型选取最佳的参数，优化过程也就是PSO-ELM模型的构建过程，即：首先，将均方根误差作为PSO优化的目标函数，均方根误差通过ELM的实际值与预测值求出的(这个过程是模型的训练过程)；然后，经过PSO自身的更新原则选取出使均方根误差最小时所对应的ELM模型的参数，这个参数就是最佳参数。至此，已经构造好了PSO-ELM模型，下面就是给模型一个输入，来完成预测。
[0153] 步骤S1中，基于剔除趋势负荷的方法类获得气象负荷数据，采用最小二乘拟合来获得线性的趋势负荷函数，将原始负荷序列减去趋势负荷得到气象负荷，即：
[0154] Em＝E-Ee； (1)
[0155] 式(1)中，Em表示气象负荷，Ee为趋势负荷，E表示原始负荷序列，其中趋势负荷Ee可通过式(2)得到：
[0156] Ee＝at+b； (2)
[0157] 式(2)中，t表示时间变量，a为线性趋势系数，b为基础负荷。
[0158] 步骤S2中，FCM聚类算法首先对给定的N个训练样本Z＝{z1,z2,…,zN}，将其划分为C类，V＝{v1,v2,…,vc}是C个聚类中心。实际问题中C一般是人为给定，设定迭代停止条件ε，同时初始化聚类中心V＝V(0),设置迭代计数器T＝0，模糊权重指数m＝2；接着计算隶属度矩(t)阵U ，可通过式(3)得到：
[0159]
[0160] 式(3)中，uij为样本zi隶属于第j类的模糊隶属度，0≤uij≤1， dij表示样本zi到第j类聚类中心vj的欧式距离，可通过式(4)得到：
[0161]
[0162] 步骤S2中，FCM聚类算法中的目标函数为：
[0163] ||V(t)-V(t+1)||<ε (5)
[0164] 式(5)中，ε表示迭代停止条件，t表示迭代次数，V(t)表示聚类中心矩阵，可通过式(6)得到：
[0165]
[0166] 式(6)中，N表示样本个数， 表示第i个样本在第t次迭代中隶属于第j类大小。
[0167] 步骤S3中，需要对高温天气的最高温度进行温度修正，模型的建立主要包括界限温度的确定、最大累积天数的确定以及累积效应系数的求解三个过程，温度修正函数为：
[0168]
[0169] 式(7)中，Ti为待预测日i的最高温度，Ti≥Tmin；Ti-j为待预测日前第j天的最高温度；Tmin为高温日的界限温度；kij∈[0,1]为累积效应系数，且根据“近大远小”的原则满足条件ki1>ki2>…>kip；p＝min(n,dmax)，第i天前n天的日最高温度连续高于界限温度，dmax为最大累积天数。Tmin可通过式(8)、(9)得到：
[0170]
[0171]
[0172] 式(8)中，L＝f(T)表示负荷与温度之间的函数关系，称之为温升曲线；
[0173] 式(7)中的最大累积天数dmax可通过式(10)得到：
[0174]
[0175] 式(10)中，R为T、L之间的相关系数；T、L分别为最高温度向量和最高负荷向量；cov(T,L)为T和L的协方差； 分别为T和L的方均差；
[0176] 式(7)中累积效应系数可通过下式得到：
[0177]
[0178] s.t. 0≤kij≤1 (12)
[0179] ki1>ki2>…>kip (13)
[0180] 式(11)中，Ti表示原始最高温度，Ti'为修正后的最高温度，kij为累积效应系数，Li表示最大负荷。
[0181] 步骤S4中，极限学习机模型的目标函数为：
[0182]
[0183] 式(14)中，H称为神经网络的隐含层输出矩阵，可通过式(15)得到，T′为矩阵T的转置，T为极限学习机的输出，可通过式(16)得到，βi＝[βi1,βi2,…,βim]表示隐含层第i个神经元与各个输出层神经元间的连接权重；
[0184]
[0185]
[0186] 式(15)、(16)中，N为训练样本个数，L为隐含层神经元个数，W为输入层与隐含层之间的连接权重，β为隐含层与输出层之间的连接权重，bi表示隐含层第i个神经元的阈值，g(x)为激励函数。
[0187] 步骤S4中，改进的粒子群优化算法的更新公式为：
[0188]
[0189] 式(8)中，i＝1,2,…,m，d表示空间的维度，k表示迭代次数，非负常数c1和c2称为学习因子，r1和r2是(0,1)间的随机数，Mi＝(mi1,mi2,…,mid)表示第i个粒子在d维空间中的位置，Vi＝(vi1,vi2,…,vid)表示第i个粒子在d维空间中的速度，ω称为惯性权重因子，可通过式(9)得到：
[0190]
[0191] 式(9)中，Tmax为最大迭代次数，ωmax和ωmin分别为惯性权重的最大最小值，通常ωmax取值为0.9，ωmin取值为0.4。
[0192] 步骤S4中，采用极限学习机建立空间负荷预测模型，利用粒子群算法优化模型的参数，提高负荷预测的精度。极限学习机输入层神经元个数、隐含层神经元个数以及输出层神经元个数预先设定，模型未知的参数变量是输入层与隐含层之间的连接权重为W和隐含层神经元阈值b，激励函数采用Sigmoid函数，目标函数是使 最小。因此，PSO优化的过程是找到极限学习机最优的输入层与隐含层之间的连接权重为W和隐含层神经元阈值b，使得目标函数最小。通过粒子群的不断迭代，将模型的目标函数作为粒子群的评价指标，最终满足精度要求后输出模型的最优参数。
[0193] 下面以一个具体实施例来进一步阐述本发明的方案：
[0194] 步骤1：搜集2014年至2018上海市逐时电力负荷数据及逐日最大负荷、最小负荷、用电量等数据，画出日最大电力负荷变化曲线，如图2所示，采用最小二乘拟合的方法得到趋势负荷函数为Ee＝124.4t+1902，将原始负荷序列减去趋势负荷得到气象负荷数据，采用相关系数来表示温度与负荷之间的线性相关程度，结果如表1所示。
[0195] 表1相关系数比较
[0196]
[0197] 步骤2：气象负荷具有典型的季节性变化，通常夏季高温天气的降温负荷较大，冬季的采暖负荷较大，而春秋两季由空天产生的负荷较少，因此本发明将样本数据聚为三类，聚类结果表2所示。
[0198] 表2三类样本数据的聚类中心
[0199]
[0200] 步骤3：选取步骤2中的夏季高温天气作为仿真实验，需要对高温天气进行温度修正，需要对超过界限温度的天气考虑前两天的累积效应对当天温度的影响进行修正，累积效应系数如表3所示。
[0201] 表3累积效应系数
[0202] T0℃ ki1 ki2<31 0 0
[31,32) 0.28 0
[32,33) 0.41 0.12
[33,34) 0.52 0.17
[34,35) 0.65 0.26
[35,36) 0.75 0.44
[36,37) 0.68 0.30
[37,38) 0.24 0
≥38 0 0
[0203] 经过仿真得到温度修正模型的界限温度为31℃，最大累积天数为2天，结合表3中的累积效应系数对上海市2018年夏季的17个样本数据进行温度修正。修正结果如表4所示。
[0204] 表4温度修正结果
[0205] 日期 最高温度/℃ 温度修正/℃7.15 35 36.38
7.16 37.7 42.024
7.17 36.1 38.208
7.18 36.3 38.544
7.19 36.2 39.336
7.20 36.6 40.128
7.21 35.2 37.356
7.22 34.8 36.69
7.23 34.5 36.135
7.24 35.3 37.393
7.25 35.2 37.422
7.26 35.1 37.599
7.27 35.8 39.132
7.28 35.6 38.694
7.29 36.8 41.322
7.30 35.3 37.876
7.31 34.5 36.075
[0206] 步骤4：如图6所示为剔除趋势负荷以及温度修正后的负荷预测结果，结果评价指标采用均方根误差以及平均绝对百分比误差，预测的结果如表5所示。
[0207] 表5负荷预测结果
[0208]
[0209] 统计以上预测结果，有11个点的绝对百分比误差小于1％，有6个点的绝对百分比误差小于5％，最大百分比误差为8.55％，平均绝对百分比误差为1.51％。预测精度相比于传统的负荷预测要高很多，说明本发明具有重要的实际应用价值。
[0210] 由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
