技术领域
[0001] 本
发明涉及电力负荷预测技术领域，尤其涉及一种基于多因素综合的自适应进化规划电力负荷预测方法及系统。
背景技术
[0002] 在电量工业系统的管理运营过程中，电力负荷预测不仅是电力系统制定生产、营销决策的重要
基础，也是满足电力供需平衡的重要保证，并为
电网、电源的规划建设以及电网企业、电网使用者的经营决策提供信息和依据。随着经济的增长，用电量也随之同步增长，如果电力负荷预测的精确性和时效性极为难以保证，那么由此可能引发严重的经济和社会问题。一方面，过低的电力负荷预测会带来电力系统额外的运行成本，必须通过
能源采购来补充电力系统本身无法满足的负荷需求，一旦出现供电短缺，将会对国民经济和人民生活产生巨大的影响，增加社会成本；另一方面，过高的电力负荷预测结果则会造成资源浪费。不仅增加了电力系统成本，甚至还会增加环境成本。在当前国际能源紧缺，世界各国大力倡导低
碳和节电经济的大环境下，提高电力负荷预测的精准性，将对国民经济和社会发展有着重要的意义。
[0003] 影响电力负荷的因素往往有很多，比如季节、
温度、节假日等等，然而没有任何一个种方法能保证在任何情况下都能获得令人满意的结果，加之预测的各种不确定性因素也很多，有时误差会很大。因此，如何充分利用各个负荷
预测模型的有用信息，提高预测
精度，这是电力负荷预测亟待解决的重要问题。
发明内容
[0004] 本发明的目的就是为了解决上述问题，提出一种基于多因素综合的自适应进化规划电力负荷预测方法及系统，该方法通过确定影响电力负荷的关键因素，建立相关因素与电力负荷的对应关系，然后，综合利用各类负荷预测方法的优势，运用自适应进化规划思想建立电力系统负荷预测综合模型，使得电力负荷的预测结果更贴近实际情况。
[0005] 为了实现上述目的，本发明采用如下技术方案：
[0006] 在一个或多个
实施例中公开的基于多因素综合的自适应进化规划电力负荷预测方法，包括：
[0007] 获取电力负荷历史数据；
[0008] 对获取的数据进行聚类，得到各数据类的特征曲线；
[0009] 基于超圆神经元网络的CC模型构建负荷坏数据的
模式识别分类器，对电力负荷历史数据进行坏数据的模式分类以及修正；
[0010] 对修正后的电力负荷历史数据进行初次负荷预测，得出相应的预测值；
[0011] 考虑预测时间段内所有可能的外部影响因素，构造多因素加法模型函数，对初次预测的数据进行影响因素负荷预测，得到考虑影响因素的负荷预测值；
[0012] 利用自适应进化规划方法对考虑影响因素的负荷预测值进行处理，得出最优的负荷预测结果。
[0013] 进一步地，利用自适应共振网络对电力负荷历史数据进行聚类，具体过程为：
[0014] 对输入电力负荷历史数据进行处理，得到输出
节点类别模式，
[0015] 计算
输出节点类别模式与输入模式样本的匹配度；
[0016] 如果匹配度符合设定的要求，进入比较搜索阶段，即比较输入模式与存储的类别模式时间的相似度；
[0017] 如果相似度小于设定的
门限值，则进入学习阶段，即对发生共振的输出节点对应的类别模式或存储模式进行加强学习，以便于以后出现与该模式相似的样本能得到更大的输出。
[0018] 进一步地，利用基于超圆神经元网络的CC模型构建负荷坏数据的模式识别分类器，具体过程为：
[0019] 假设对电力负荷历史数据进行聚类后，得到N条特征曲线，分别记为X1，X2，…，XN，每条特征曲线对应一个CC网，分别记为CC1，CC2，┄，CCN；对于第k个CC网，k＝1，…，N；输入输出样本集的生成过程如下：
[0020] ①特征曲线Xk作为一个样本输入，其对应的输出样本Y为(0，┄，0)；
[0021] ②将特征曲线Xk的第一个分量
叠加一个偏差e，产生一条含有1个坏数据的曲线，对应输出的Y为(0.5，0，┄，0)；依次对第二个直至全部分量均如此处理，得到正偏差样本集；
[0022] ③将特征曲线Xk的第一个分量叠加一个偏差-e，产生一条含有1个坏数据的曲线，对应输出的Y为(-0.5，0，┄，0)；依次对第二个直至全部分量均如此处理，得到负偏差样本集；
[0023] ④至此形成CCk的样本集；
[0024] 采用上述方法得到每一个CC网的输入输出样本集；
[0025] 基于得到的输入输出样本集，对电力负荷历史数据进行坏数据的模式分类以及修正。
[0026] 进一步地，所述考虑预测时间段内所有可能的外部影响因素，构造多因素加法模型函数，具体为：
[0027] Y(x)＝temperature(x)+holiday(x)+week(x)+other(x)+ε(x)；
[0028] 其中，x代表时间天数，temperature(x)代表由温度因素拟合的函数，holiday(x)代表由假期因素拟合的函数，week(x)代表由星期因素拟合的函数，other(x)代表由其它因素拟合的函数；Y(x)为多因素加法模型，ε(x)为模型预测值与实际值的误差。
[0029] 进一步地，利用自适应进化规划方法对考虑影响因素的负荷预测值进行处理，得出最优的负荷预测结果，具体为：
[0030] 1)建立负荷预测模型库，所述负荷预测模型库中包括至少两种进行负荷预测的预测方法模型；
[0031] 2)将各预测方法模型的权重系数W＝[w1,w2,…,wm]T作为控制变量，随机生成μ组标准正态随机系数；
[0032] 3)编码并形成初始群解；
[0033] 4)选择适应度函数并计算种群中各个体的适应度；
[0034] 以相对误差et最小为优化标准，将J1作为适应度函数，取二次函数(p＝2)，计算出每个个体的适应度值，并统计出最大、最小适应度值Jmax和Jmin；
[0035] 5)变异操作；
[0036] 采用倒指数关系曲线方程描述方差σ2随个体适应度f的变化，具体为：
[0037]
[0038] 其中， 为旧个体第i分量的方差； 为新个体第i分量的方差； 是数学期望为0，方差为 的正态随机函数， γ为服从区间[0,1]上的均匀分布随机数；μ为群体规模；κ为个体所处的进化代数， 和 为第i分量的上下限；f，fmin分别代表某个体的适应度和某代种群中的最小适应度；
[0039] 6)计算新个体的适应度；
[0040] 7)竞争与选择；
[0041] 8)终止。
[0042] 进一步地，所述步骤7)中，竞争与选择的具体过程为：
[0043] 变异后的μ个个体加上原来旧群体中的μ个个体形成由2μ个个体组成的组合群，从2μ个个体中任选q个个体组成测试群体，然后将个体i的适应度与测试群体内各个体的适应度进行比较，记录个体i的适应度优于或等于测试群体内各个体适应度的次数，所述次数即为个体i的得分；
[0044] 上述得分测试分别对2μ个个体进行，每次测试时重新选择q个个体组成新的测试群体，最后，按个体得分选择分值高的μ个个体组成下一代新群体。
[0045] 进一步地，所述对修正后的电力负荷历史数据进行初次负荷预测的方法包括：单耗法、趋势外推法、回归分析法、时间序列法、自回归滑动平均法、神经网络理论、模糊集理论、
支持向量机、
数据挖掘、混沌理论、小波分析、灰色系统理论、
机器学习、遗传
算法或者
专家系统方法中的其中一种方法，或者采用上述方法中的两种或者两种以上的方法分别进行预测，然后对预测结果进行加权平均。
[0046] 在一个或多个实施例中公开的基于多因素综合的自适应进化规划电力负荷预测系统，包括
服务器，所述服务器包括
存储器、处理器及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述程序时实现以下步骤：
[0047] 获取电力负荷历史数据；
[0048] 对获取的数据进行聚类，得到各数据类的特征曲线；
[0049] 基于超圆神经元网络的CC模型构建负荷坏数据的模式识别分类器，对电力负荷历史数据进行坏数据的模式分类以及修正；
[0050] 对修正后的电力负荷历史数据进行初次负荷预测，得出相应的预测值；
[0051] 考虑预测时间段内所有可能的外部影响因素，构造多因素加法模型函数，对初次预测的数据进行影响因素负荷预测，得到考虑影响因素的负荷预测值；
[0052] 利用自适应进化规划方法对考虑影响因素的负荷预测值进行处理，得出最优的负荷预测结果。
[0053] 在一个或多个实施例中公开的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
[0054] 获取电力负荷历史数据；
[0055] 对获取的数据进行聚类，得到各数据类的特征曲线；
[0056] 基于超圆神经元网络的CC模型构建负荷坏数据的模式识别分类器，对电力负荷历史数据进行坏数据的模式分类以及修正；
[0057] 对修正后的电力负荷历史数据进行初次负荷预测，得出相应的预测值；
[0058] 考虑预测时间段内所有可能的外部影响因素，构造多因素加法模型函数，对初次预测的数据进行影响因素负荷预测，得到考虑影响因素的负荷预测值；
[0059] 利用自适应进化规划方法对考虑影响因素的负荷预测值进行处理，得出最优的负荷预测结果。
[0060] 本发明有益效果：
[0061] 本发明在初步分析电力负荷历史数据的基础上，根据需要，从分析负荷预测方法库中选择一种或者多种分析预测方法，进行方法上的综合预测，然后，再根据实际情况，选择影响预测的各种影响因素，再对预测结果进行修正，最后，利用自适应进化规划进行择优处理，进而得出更准确的预测结果值。
附图说明
[0062] 图1为基于多因素综合的自适应进化规划电力负荷预测方法
流程图；
[0063] 图2为自适应进化规划处理方法流程图。
具体实施方式
[0064] 下面结合附图与具体实施方式对本发明作进一步的说明。
[0065] 应该指出，以下详细说明都是例示性的，旨在对本
申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0066] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本
说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0067] 正如背景技术所介绍的，为了解决由于受到外界因素影响导致电力负荷预测结果不准确的问题，本申请提出了一种基于多因素综合的自适应进化规划电力负荷预测方法，如图1所示，具体包括如下步骤：
[0068] 首先，从电力负荷预测
数据库中获取相关的历史数据，尽可能地为分析预测提供丰富的数据信息。采集的历史数据包括：年份、工业增加值因素、可支配收入因素、温度因素、星期因素、节假日因素等等，表1给出了
数据采集示例。
[0069] 表1某地区的电力负荷情况
[0070] 单位：kW
[0071]
[0072]
[0073] 利用自适应共振网络对电力负荷历史数据进行聚类。聚类步骤如下：
[0074] 1、输入电力负荷历史数据；
[0075] 2、输入完成后进入匹配阶段，即根据输入电力负荷历史数据得到输出节点类别模式，计算输出节点类别模式与输入模式样本的匹配度；该输入模式样本指的是输入的电力负荷历史数据。
[0076] 3、匹配完成后，进入比较搜索阶段，即比较输入模式与存储的类别模式时间的相似度；
[0077] 4、如果满足门限值，则进入学习阶段，即对发生共振的输出节点对应的类别模式或存储模式进行加强学习，以便于以后出现与该模式相似的样本能得到更大的输出。
[0078] 完成电力负荷历史数据的聚类之后，我们得到了各数据类的特征曲线。然后利用基于超圆神经元网络的CC模型构建负荷坏数据的模式识别分类器，并对电力负荷历史数据进行坏数据的模式分类，从而实现对坏数据的辨识和利用特征曲线对坏数据进行修正。
[0079] 假设自适应共振网络将负荷曲线分成N类，分别记为X1，X2，┄，XN，每条特征曲线对应一个CC网，分别记为CC1，CC2，┄，CCN。以CC1为例，输入输出样本集的生成过程如下：
[0080] ①X1作为一个样本输入，其对应的输出样本Y为(0，┄，0)；
[0081] ②将X1的第一个分量叠加一个偏差e，产生一条含有1个坏数据的曲线，对应输出的Y为(0.5，0，┄，0)。依次对第二个直至全部分量均如此处理，得到正偏差样本集；
[0082] ③e换成-e，+0.5换成-0.5，重复第②步，得到负偏差样本集，至此形成CC1的样本集；
[0083] 用类似的方法形成CC2，┄，CCN的输入输出样本集。
[0084] 基于得到的输入输出样本集，对电力负荷历史数据进行坏数据的模式分类以及修正。
[0085] 上述过程处理完之后，选择分析预测方法对修正后的电力负荷历史数据进行初次负荷预测，得出相应的预测值；
[0086] 分析预测方法库主要包括传统经典的预测方法和现代预测方法。传统经典方法有单耗法、趋势外推法、回归分析法、时间序列法、自回归滑动平均法等；现代方法主要有神经网络理论、模糊集理论、支持向量机、数据挖掘、混沌理论、小波分析、灰色系统理论、机器学习、
遗传算法、专家系统方法等。
[0087] 可以采用其中的一种方法进行预测，也可以采用两种或者两种以上的方法分别预测，然后对预测结果进行加权平均，以得到更加准确的预测值。
[0088] 考虑预测时间段所有可能的外部影响因素，并计算出对应影响因素的电力负荷预测值；由于影响电力负荷的外部因素很多，因为我们首先构造一个多因素加法模型函数。
[0089] 构造多因素加法模型函数的主要分三步：
[0090] 第一步，寻找出影响目标值的因素；
[0091] 第二步，建立各因素和负荷之间的映射关系，拟合出这些因素的作用曲线函数；
[0092] 第三步，将这些函数相加得到最终模型。
[0093] Y(x)＝temperature(x)+holiday(x)+week(x)+other(x)+ε(x) (1)
[0094] 如上式所示，x代表时间天数，temperature(x)代表由温度因素拟合的函数，holiday(x)代表由假期因素拟合的函数，week(x)代表由星期因素拟合的函数，other(x)代表由其它因素拟合的函数；Y(x)为多因素加法模型，ε(x)为模型预测值与实际值的误差。
[0095] 最后利用自适应进化规划进行处理，得出最终预测结果；具体过程如图2所示，包括：
[0096] 1、编码并形成初始群解。
[0097] 建立负荷预测模型库，模型库包括至少两种常用的预测方法，比如：Tmax法、大用户法、回归曲线法、弹性系数法、增长率法、时间序列法、灰色预测法、经济计量模型、单耗法、趋势外推法、自回归滑动平均法、神经网络法、模糊集理论方法、支持向量机法、小波分析法、专家系统方法等。
[0098] 将各方法模型的权重系数W＝[w1,w2,…,wm]T作为控制变量，随机生成μ组标准正态随机系数(μ为种群数)X'i＝[w'1,w'2,…,w'm]，i＝1,2,…,μ。为了满足约束条件，作如下处理：
[0099] a.运用试凑法，确保随机产生的每个个体的分量wi>0。
[0100] b.形成初始群解：
[0101]
[0102] 经过a，b的处理而得到的初始群解显然满足式子(3)的约束条件。
[0103]
[0104] 2、选择适应度函数并计算群体中各个体适应度。
[0105] 以相对误差et最小为优化标准，将J1作为适应度函数，取二次函数(p＝2)，计算出每个个体的适应度值，并统计出最大、最小适应度值Jmax和Jmin。
[0106] 3、变异操作。
[0107] 传统的自适应进化规划常用的变异操作是：
[0108]
[0109] 式子中的 为旧个体第i分量的方差； 为新个体第i分量的方差；β为变异尺度因子，随求解的问题而定， 是数学期望为0，方差为 的正态随机函数，和 为第i分量的上下限；f，fmax，fmin分别代表某个体的适应度、某代种群中最大、最小适应度。
[0110] 进化规划中首先计算新个体的目标变量x'i，计算中沿用旧个体的标准差 其次才计算新个体的标准差 新的标准差留待下次进化时才用。
[0111] 式子(4)中方差 与适应度函数之间是一种类线性关系。一方面，此种关系并没有真实地反映出自然界
生物进化的原则，另一方面，式中的变异尺度因子随所求解的问题而定，这将影响到算法的收敛速度及跳出局部机制的全局优化能力，并降低了算法的自适应2
性、通用性。基于此种情况，我们将采用倒指数关系曲线方程描述方差σ随适应度f的变化，式子(4)将改为如下形式：
[0112]
[0113] 其中
[0114]
[0115]
[0116] 式子中γ为服从区间[0,1]上的均匀分布随机数；μ为群体规模；κ为个体所处的进化代数。
[0117] 为满足式子(3)的约束条件，同样采用步骤1中的a，b的方法进行处理。
[0118] 4、计算新个体适应度。
[0119] 5、竞争与选择。
[0120] 变异后的μ个个体加上原来旧群体中的μ个个体形成由2μ个个体组成的组合群。为了确定某一个个体i的优劣，从新旧群体的2μ个个体中任选q个个体组成测试群体，然后将个体i的适应度与q个个体的适应度进行比较，记录个体i优于或等于q内各个体的次数，此数便是个体i的得分Wi，即：
[0121]
[0122] 式子中fi为个体i的适应度；fj为q个测试群体中第j个个体的适应度。
[0123] 上述得分测试分别对2μ个个体进行，每次测试时重新选择q个个体组成新的测试群体，最后，按个体得分选择分值高的μ个个体组成下一代新群体；q的大小是一个重要参数，通常q在10以上，可取0.9μ。
[0124] 6、终止。
[0125] 反复执行上述步骤直至满足终止条件，选择最佳个体作为综合模型的最优解。
[0126] 最后，输出电力负荷预测值，并存入到电力负荷预测数据库中。
[0127] 在一个或多个实施例中，公开了基于多因素综合的自适应进化规划电力负荷预测系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
[0128] 获取电力负荷历史数据；
[0129] 对获取的数据进行聚类，得到各数据类的特征曲线；
[0130] 基于超圆神经元网络的CC模型构建负荷坏数据的模式识别分类器，对电力负荷历史数据进行坏数据的模式分类以及修正；
[0131] 对修正后的电力负荷历史数据进行初次负荷预测，得出相应的预测值；
[0132] 考虑预测时间段内所有可能的外部影响因素，构造多因素加法模型函数，对初次预测的数据进行影响因素负荷预测，得到考虑影响因素的负荷预测值；
[0133] 利用自适应进化规划方法对考虑影响因素的负荷预测值进行处理，得出最优的负荷预测结果。
[0134] 在一个或多个实施例中，公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
[0135] 获取电力负荷历史数据；
[0136] 对获取的数据进行聚类，得到各数据类的特征曲线；
[0137] 基于超圆神经元网络的CC模型构建负荷坏数据的模式识别分类器，对电力负荷历史数据进行坏数据的模式分类以及修正；
[0138] 对修正后的电力负荷历史数据进行初次负荷预测，得出相应的预测值；
[0139] 考虑预测时间段内所有可能的外部影响因素，构造多因素加法模型函数，对初次预测的数据进行影响因素负荷预测，得到考虑影响因素的负荷预测值；
[0140] 利用自适应进化规划方法对考虑影响因素的负荷预测值进行处理，得出最优的负荷预测结果。
[0141] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种
修改或
变形仍在本发明的保护范围以内。
