基于MMI技术、FCRBM模型和GWDO算法的电力负荷短期预测方法

摘要

本发明公开基于MMI技术、FCRBM模型和GWDO算法的电力负荷短期预测方法，所述预测方法包括以下步骤：基于MMI的数据预处理和特征值选择模块，具体包括：MI技术分析和MMI技术分析；基于FCRBM的训练和预测模块；基于GWDO算法的优化模块。本发明预测方法采用改进互信息技术对数据进行预处理与特征值选择，然后使用分解式条件限制玻尔兹曼机训练模型，最后使用遗传风驱动优化算法进行优化，有利于提高收敛速度，提高预测精度；实现了以相对较高的收敛速度对日前到提前一周的电力负荷进行高质量预测，用于对智能电网的辅助决策。

说明书

技术领域

本发明涉及电力负荷预测技术领域，具体是一种基于MMI技术、FCRBM模型和GWDO算法的电力负荷短期预测方法。

背景技术

近年来，精确的电力负荷预测在电网的决策和运行中的应用变得尤为重要。然而，由于用户的非线性和随机行为，电负载曲线成为了一个复杂的信号。尽管在该领域进行了大量研究，但仍然需要不断探究更为准确的预测模型。现有的预测模型中，主要存在易陷入局部最优、收敛慢、精度低的问题，其预测效果不能满足电网决策与智能运行的需求。

发明内容

本发明的目的在于提供基于MMI技术、FCRBM模型和GWDO算法的电力负荷短期预测方法，本发明预测方法采用改进互信息技术对数据进行预处理与特征值选择，然后使用分解式条件限制玻尔兹曼机训练模型，最后使用遗传风驱动优化算法进行优化，有利于提高收敛速度，提高预测精度；实现了以相对较高的收敛速度对日前到提前一周的电力负荷进行高质量预测，用于对智能电网的辅助决策。

本发明的目的可以通过以下技术方案实现：

基于MMI技术、FCRBM模型和GWDO算法的电力负荷短期预测方法，所述预测方法包括以下步骤：

S1：基于MMI的数据预处理和特征值选择模块；

S2：基于FCRBM的训练和预测模块；

S3：基于GWDO算法的优化模块。

进一步的，所述S1具体包括：

S11：MI技术分析；

S12：MMI技术分析。

进一步的，所述S11具体包括：

采用矩阵的形式对历史负荷数据进行表示，将电力负荷数据输入矩阵E中；

式中E(x,y)是第x日第y小时的电力负荷；

互信息技术是多维随机变量E和E

式中

①如果

②如果

③如果

进一步的，所述S12具体包括：

在训练数据样本中，选取一天中每个小时的最后一次值作为目标值，故最后一个样本相对于第二天的第一个样本的时间非常接近，由于预测时对平均行为的忽略，会导致严重的预测错误，故对式(3)进行修改，如下式所示：

式中

式中第三个目标值

补充变量S

求出联合概率和个体概率，如下式所示：

进一步的，所述S12具体包括：

S21：FCRBM的体系结构分析；

S22：条件概率；

S23：FCRBM权值和偏差学习规则。

进一步的，所述S21具体包括：

FCRBM包括可见层v、历史层u、隐层h和样式层y；可见层v和历史层u为实际值，隐层h为二进制；各层之间权重关系用误差函数表示为：

式中v

式中w

进一步的，所述S22具体包括：

定义隐层在其它层上的概率分布

采用ReLU激活函数来估计隐层神经元的概率；

确定可见层的概率，可见层条件概率为：

定义受历史层、样式层和模型参数制约的可见层和隐层神经元的联合概率分布p(v,h|u,y,…)；联合概率密度如下式所示：

进一步的，所述S23具体包括：

采用随机梯度下降算法对每一层的权重梯度计算如下：

对于每一层连接的梯度计算如下：

动态偏差的梯度计算如下：

相应层的权重更新如下：

连接更新如下：

动态偏差更新如下：

训练和学习过程迭代需迭代多次以使网络能进行预测；通过训练与学习使得FCRBM模型预测未来的电力负荷；验证误差MAPE(平均绝对百分误差)如下式所示：

T

进一步的，所述S3具体包括：

基于GWDO的优化模块的唯一目标是微调模型的可调参数，以可承受的收敛速度提高预测准确性；优化模块与基于FCRBM的预测器集成在一起，误差最小化(MAPE)成为优化模块的目标函数，其数学模型为：

式中R

速度与位置的适应度函数定义如下：

位置向量与速度向量通过比较随机数被更新，如下式所示：

随机数小于适应度函数，则负荷值将被更新；如下式所示：

本发明的有益效果：

1、本发明预测方法采用改进互信息技术对数据进行预处理与特征值选择，然后使用分解式条件限制玻尔兹曼机训练模型，最后使用遗传风驱动优化算法进行优化，有利于提高收敛速度，提高预测精度；

2、本发明预测方法实现了以相对较高的收敛速度对日前到提前一周的电力负荷进行高质量预测，用于对智能电网的辅助决策。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明预测方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

基于MMI技术、FCRBM模型和GWDO算法的电力负荷短期预测方法，预测方法包括以下步骤：

S1：基于MMI的数据预处理和特征值选择模块。

S11：MI(互信息)技术分析

历史负荷数据以矩阵的形式表示，将一小时电力负荷数据输入矩阵E中。

式中E(x,y)是x日y小时的电力负荷。数据为四年1460天，故数据集的维数为1460*24。

互信息技术是两个(也可能是多维)随机变量E和E

式中

①如果

②如果

③如果

S12：MMI(改进互信息)技术分析

在上述的训练数据样本中，选取一天中每个小时的最后一次值作为目标值，故最后一个样本相对于第二天的第一个样本的时间非常接近，但由于预测时对平均行为的忽略，可能会导致严重的预测错误。故对式(3)进行修改，如下式所示：

式中

式中第三个目标值

补充变量S

S

其中式(8)服从式(6)。式(5)(6)(7)(8)是MMI技术方程，用于寻找四个变量之间的互信息，根据该互信息对待定输入进行排序，以消除不相关与冗余的信息。MMI特征选择技术有两个优点：(1)选择合适的相关特征值，将预测误差降到最低；(2)特征子集的选择提高了收敛速度。

S2：基于FCRBM的训练和预测模块。

S21：FCRBM的体系结构分析

FCRBM由四层组成，具体包括可见层v，历史层u，隐层h，以及样式层y。可见层和历史层是实际值，而隐层是二进制。可见层负责对当前时间序列数据进行编码以预测未来值，而历史层则是对历史时间序列数据进行编码。隐层负责发现分析所需的重要特性。一般将预测所必需的不同样式和参数嵌入到样式层。各层之间权重关系可用误差函数表示为：

式中v

式中w

S22：条件概率

在FCRBM模型中，条件概率决定了一个层在其他层上的概率分布。首先，定义了隐层在其它层上的概率分布

对于所有的输入，隐层神经元的概率是用ReLU激活函数来估计的。

然后，确定可见层的概率，可见层条件概率为：

最后，定义受历史层、样式层和模型参数制约的可见层和隐层神经元的联合概率分布p(v,h|u,y,…)。神经元之间不存在层内连接，而不同层间的神经元之间仅存在层间联系。故联合概率密度如下式所示：

S23：FCRBM权值和偏差学习规则

采用随机梯度法学习与更新规则，克服了梯度消失的问题。与批量梯度下降算法和小批量梯度下降算法相比，随机梯度下降算法收敛速度更快，避免了对大型数据集的过度拟合。每一层的权重梯度计算如下：

对于每一层，连接的梯度计算如下：

动态偏差的梯度如下：

相应层的权重更新如下：

连接更新如下：

动态偏差更新如下：

训练和学习过程迭代需迭代数次以使网络能进行预测。通过训练与学习使得FCRBM模型预测未来的电力负荷。验证误差MAPE如下式所示：

T

S3：基于GWDO算法的优化模块。

该模块旨在以可承受的收敛速度最小化预测误差。针对DEA和MEDEA算法收敛速度慢精度低且易陷入局部最优的问题，提出了GWDO算法。该算法是风驱动优化(WDO)算法和遗传算法的混合算法。遗传算法可实现总体多样性，解决局部收敛问题，而WDO算法具有更快的收敛性。基于GWDO的优化模块的唯一目标是微调模型的可调参数，以可承受的收敛速度提高预测准确性。即优化模块与基于FCRBM的预测器集成在一起，以最大程度地减少误差并提高预测准确性。因此，误差最小化(MAPE)成为优化模块的目标函数，其数学模型为：

式中R

速度与位置的适应度函数定义如下：

位置向量与速度向量将会通过比较随机数被更新，如下式所示：

如果随机数小于适应度函数，则负荷值将被更新，因为我们的目标函数是最小化问题。由于需要消除负载更新对随机数的影响，故选择的负载更新值将具有高质量的准确性。如下式所示：

通过基于GWDO算法的优化模块的集成，可以在精度和收敛速度之间进行权衡，从而提高精度，同时降低收敛速度。但是，所提出的短期负荷预测模型在准确性方面优于MI-ANN，Bi-level和AFC-ANN等现有模型。这是因为基于ANN的模型布局较浅，并且其性能会随着数据大小的增加而降低。FCRBM由于其深层布局而在具有大数据量的情况下提高了性能。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。