極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法
【專利摘要】本發(fā)明涉及一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法，通過建立極限學(xué)習(xí)機(jī)模型，將采集數(shù)據(jù)輸入模型，能夠?qū)崿F(xiàn)對重點行業(yè)、產(chǎn)業(yè)集聚實時監(jiān)測數(shù)據(jù)，運(yùn)用極限學(xué)習(xí)機(jī)算法進(jìn)行重點行業(yè)用戶短期負(fù)荷預(yù)測，監(jiān)測分析重點行業(yè)負(fù)荷變化特性，預(yù)警企業(yè)用電模式變動。
【專利說明】極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法。

【背景技術(shù)】
[0002]電力系統(tǒng)，電力調(diào)度領(lǐng)域，通常根據(jù)負(fù)荷曲線進(jìn)行調(diào)度，參考包括日負(fù)荷曲線、月負(fù)荷曲線、年負(fù)荷曲線等等。隨著計算機(jī)技術(shù)、信息技術(shù)的不斷發(fā)展，如河南省，已經(jīng)建立了用電信息采集系統(tǒng)應(yīng)用平臺及調(diào)度EMS系統(tǒng)(能量管理系統(tǒng))、調(diào)度TMR(電量計量系統(tǒng))，通過數(shù)據(jù)共享，對省內(nèi)部分重點行業(yè)、產(chǎn)業(yè)集聚區(qū)的售電量、負(fù)荷等關(guān)鍵信息進(jìn)行實時監(jiān)測。
[0003]在此背景下，對重點行業(yè)、產(chǎn)業(yè)集聚區(qū)的用電信息監(jiān)測、短期預(yù)測、超短期預(yù)測都有監(jiān)測分析重點行業(yè)負(fù)荷變化特性，預(yù)警企業(yè)、乃至行業(yè)用電模式變動的重要意義。


【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是提供一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法，用以解決如何實現(xiàn)用電負(fù)荷超短期預(yù)測的問題。
[0005]為實現(xiàn)上述目的，本發(fā)明的方案包括:
[0006]一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法，步驟如下:
[0007]I)采集目標(biāo)日負(fù)荷數(shù)據(jù)；
[0008]2)將目標(biāo)日負(fù)荷數(shù)據(jù)作為輸入層參數(shù)帶入建立好的極限學(xué)習(xí)機(jī)模型，通過訓(xùn)練確定模型中的參數(shù)；
[0009]3)把數(shù)據(jù)輸入到經(jīng)過訓(xùn)練的極限學(xué)習(xí)機(jī)模型進(jìn)行預(yù)測。
[0010]極限學(xué)習(xí)機(jī)模型由輸入層，隱含層和輸出層三層組成，設(shè)訓(xùn)練數(shù)據(jù)組的樣本個數(shù)為n，SLFN有I層隱含節(jié)點，用sigmoid函數(shù)作為激活函數(shù)，則其輸



I
[0011]出函數(shù)為:=JI (9) ,BP Hβ = T(1)。
[0012]對一個訓(xùn)練數(shù)據(jù)集合，給定激活函數(shù)和隱含層節(jié)點數(shù)，主要包括:隨機(jī)產(chǎn)生輸入權(quán)值向量Wj和bj，I ^ j ^ I ;計算隱含層輸出矩陣H ;計算輸出權(quán)值矩陣β = H+T ；Η+是H的廣義逆矩陣；采用奇異值分解的方法H。
[0013]本發(fā)明能夠?qū)崿F(xiàn)對重點行業(yè)、產(chǎn)業(yè)集聚實時監(jiān)測數(shù)據(jù)，運(yùn)用極限學(xué)習(xí)機(jī)算法進(jìn)行重點行業(yè)用戶短期負(fù)荷預(yù)測，監(jiān)測分析重點行業(yè)負(fù)荷變化特性，預(yù)警企業(yè)用電模式變動。

【專利附圖】

【附圖說明】
[0014]圖1是極限學(xué)習(xí)機(jī)預(yù)測模型圖；
[0015]圖2是極限學(xué)習(xí)機(jī)算法流程圖。

【具體實施方式】
[0016]下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)的說明。
[0017]本發(fā)明運(yùn)用極限學(xué)習(xí)機(jī)算法，建立目標(biāo)行業(yè)或企業(yè)用電負(fù)荷超短期預(yù)測模型。
[0018]極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)是一種簡單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)學(xué)習(xí)算法。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(如BP神經(jīng)網(wǎng)絡(luò))需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，并且很容易產(chǎn)生局部最優(yōu)解，而極限學(xué)習(xí)機(jī)只需要設(shè)置網(wǎng)絡(luò)的隱含層節(jié)點個數(shù)，在算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置，并且產(chǎn)生唯一的最優(yōu)解。
[0019]一個單隱層前饋神經(jīng)網(wǎng)絡(luò)SLFN包括三層:輸入層，隱含層和輸出層。其模型如圖1所示。假設(shè)訓(xùn)練數(shù)據(jù)組的樣本個數(shù)為n，SLFN有I層隱含節(jié)點，用sigmoid函數(shù)作為激活



I
函數(shù)，則其輸出函數(shù)為=(9)
[0020]ELM完全不同于傳統(tǒng)的迭代學(xué)習(xí)算法，因為它隨機(jī)選取輸入權(quán)值向量w和隱含層的偏差b，并且能利用最小二乘法分析計算輸出權(quán)值β。在這種情況下，仍然可以用更好的概括性能來減小訓(xùn)練誤差。
[0021]根據(jù)ELM理論，(9)式可簡化為:
[0022]Ηβ =T (10)
[0023]對一個訓(xùn)練數(shù)據(jù)集合，給定激活函數(shù)和隱含層節(jié)點數(shù)，ELM算法可總結(jié)為以下三個主要的步驟:
[0024]I)隨機(jī)產(chǎn)生輸入權(quán)值向量Wj和b」，I彡j彡I ;
[0025]2)計算隱含層輸出矩陣H ；
[0026]3)計算輸出權(quán)值矩陣β = H+T
[0027]H+是H的廣義逆矩陣。
[0028]計算H+的廣義逆矩陣的方法有多種，其中奇異值分解由于其普遍性而被認(rèn)為是最合適的方法。相比于傳統(tǒng)的ANN算法，ELM算法在訓(xùn)練過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值，因此其訓(xùn)練速度可以快幾千倍。
[0029]本發(fā)明中，為了對目標(biāo)行業(yè)或者企業(yè)進(jìn)行監(jiān)測，首先對預(yù)測模型中的參數(shù)通過訓(xùn)練獲得。為了進(jìn)行超短期預(yù)測，首先采集日負(fù)荷，采樣周期和采樣點數(shù)可以根據(jù)需要進(jìn)行設(shè)定，如每日采樣96個點，采樣頻率f = 0.00067Hz。將采集到的負(fù)荷數(shù)據(jù)作為輸入數(shù)據(jù)帶入ELM模型。根據(jù)輸出方式，可以進(jìn)行對第二天進(jìn)行預(yù)測，或者對當(dāng)天下一個點進(jìn)行預(yù)測。
[0030]通過系統(tǒng)采集的企業(yè)用電負(fù)荷數(shù)據(jù)，運(yùn)用極限學(xué)習(xí)機(jī)預(yù)測方法進(jìn)行負(fù)荷預(yù)測，分析負(fù)荷預(yù)測結(jié)果，能夠預(yù)測企業(yè)用電負(fù)荷的變化，對負(fù)荷變動較大的企業(yè)進(jìn)行提前預(yù)警，防范電網(wǎng)企業(yè)經(jīng)營風(fēng)險。
[0031]采集的數(shù)據(jù)可以來源于運(yùn)營監(jiān)測(控)平臺。利用公司用電信息采集系統(tǒng)應(yīng)用平臺及調(diào)度EMS系統(tǒng)(能量管理系統(tǒng))、調(diào)度TMR (電量計量系統(tǒng))，通過數(shù)據(jù)共享，建立運(yùn)營監(jiān)測(控)數(shù)據(jù)平臺實時監(jiān)測收集重點行業(yè)、產(chǎn)業(yè)集聚區(qū)的售電量、負(fù)荷等關(guān)鍵信息。數(shù)據(jù)采集系統(tǒng)為保證數(shù)據(jù)質(zhì)量，進(jìn)行三次采集數(shù)據(jù)并校核。數(shù)據(jù)采集系統(tǒng)第一次采集數(shù)據(jù)后，系統(tǒng)自動對數(shù)據(jù)進(jìn)行校核，對于未采集到數(shù)據(jù)和較昨日偏差較大的數(shù)據(jù)進(jìn)行補(bǔ)充采集并校核，第二天通過數(shù)據(jù)采集系統(tǒng)對前一天數(shù)據(jù)再進(jìn)行一次采集并進(jìn)行校核，數(shù)據(jù)經(jīng)過以上三次采集校核后確認(rèn)正確。
[0032]在數(shù)據(jù)采集的基礎(chǔ)上進(jìn)行輸入數(shù)據(jù)清理。電力負(fù)荷數(shù)據(jù)經(jīng)過三次采集校核后，系統(tǒng)依然存在數(shù)據(jù)缺值情況。系統(tǒng)采取標(biāo)準(zhǔn)差不變法對系統(tǒng)缺值進(jìn)行填充，填充后的數(shù)據(jù)標(biāo)準(zhǔn)差將保持不變。對于系統(tǒng)采集的異常或噪聲數(shù)據(jù)，系統(tǒng)采用聚類法進(jìn)行清除。聚類是基于距離的，其標(biāo)準(zhǔn)是類間的距離最大，而類內(nèi)的距離最小。很小的聚類具有到其他類較大的距離，很有可能是異常點。本系統(tǒng)采用k值聚類方法。
[0033]以上給出了具體的實施方式，但本發(fā)明不局限于所描述的實施方式。本發(fā)明的基本思路在于上述基本方案，對本領(lǐng)域普通技術(shù)人員而言，根據(jù)本發(fā)明的教導(dǎo)，設(shè)計出各種變形的模型、公式、參數(shù)并不需要花費(fèi)創(chuàng)造性勞動。在不脫離本發(fā)明的原理和精神的情況下對實施方式進(jìn)行的變化、修改、替換和變型仍落入本發(fā)明的保護(hù)范圍內(nèi)。
【權(quán)利要求】
1.一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法，其特征在于，步驟如下: 1)采集目標(biāo)日負(fù)荷數(shù)據(jù)； 2)將目標(biāo)日負(fù)荷數(shù)據(jù)作為輸入層參數(shù)帶入建立好的極限學(xué)習(xí)機(jī)模型，通過訓(xùn)練確定模型中的參數(shù)； 3)把數(shù)據(jù)輸入到經(jīng)過訓(xùn)練的極限學(xué)習(xí)機(jī)模型進(jìn)行預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法，其特征在于，極限學(xué)習(xí)機(jī)模型由輸入層，隱含層和輸出層三層組成，設(shè)訓(xùn)練數(shù)據(jù)組的樣本個數(shù)為n，SLFN有I層隱含節(jié)點，用sigmoid函數(shù)作為激活函數(shù),貝Ij其 輸出函數(shù)為) = 士/(/(巧.1+/),) = ;,.,/ = 1,2…(9)，即 Ηβ = T(1)。


J=I
3.根據(jù)權(quán)利要求2所述的一種極限學(xué)習(xí)機(jī)超短期負(fù)荷預(yù)測方法，其特征在于，對一個訓(xùn)練數(shù)據(jù)集合，給定激活函數(shù)和隱含層節(jié)點數(shù)，主要包括:隨機(jī)產(chǎn)生輸入權(quán)值向量Wj和bj, I ^ j ^ I ;計算隱含層輸出矩陣H ;計算輸出權(quán)值矩陣β = H+T ；Η+是H的廣義逆矩陣；采用奇異值分解的方法H。
【文檔編號】G06Q50/06GK104299043SQ201410265989
【公開日】2015年1月21日 申請日期:2014年6月13日 優(yōu)先權(quán)日:2014年6月13日
【發(fā)明者】郭勇, 劉巍, 黃澤華, 梁靜, 宋慧 申請人:國家電網(wǎng)公司, 國網(wǎng)河南省電力公司經(jīng)濟(jì)技術(shù)研究院, 鄭州大學(xué)