本發(fā)明涉及一種針對大型工業(yè)企業(yè)專用母線負荷的預(yù)測方法。

背景技術(shù)：

對工廠專用母線負荷預(yù)測的準確性對于提高工廠的安全穩(wěn)定性、生產(chǎn)效率及節(jié)約成本等方面都有重要意義。工廠專用母線負荷類似電網(wǎng)的母線負荷，但其負荷值遠小于系統(tǒng)負荷，因此預(yù)測基數(shù)比較小，規(guī)律性弱。且專用母線負荷很容易受到供電區(qū)域內(nèi)的小電源、用戶、變電站內(nèi)變壓器運行方式、環(huán)境因素等影響而出現(xiàn)數(shù)據(jù)突變。所以相對系統(tǒng)負荷預(yù)測而言，母線負荷預(yù)測更為困難，且預(yù)測精度也較低；目前母線負荷預(yù)測主要是利用母線負荷的歷史數(shù)據(jù)、負荷特性以及相應(yīng)的影響因素直接進行母線負荷預(yù)測。為此，研究一種能適用于大型工業(yè)企業(yè)專用母線負荷的預(yù)測方法具有非常重要的意義。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種針對大型工業(yè)企業(yè)專用母線負荷的預(yù)測方法。上述的目的通過以下的技術(shù)方案實現(xiàn)：

（1）建立母線負荷預(yù)測相似日選取模型

大型工業(yè)企業(yè)專用母線負荷具有種類多、分布不均、規(guī)律性弱等特點，且母線負荷預(yù)測要求及時性，屬于短期負荷預(yù)測，合理選擇相似日是提高母線負荷預(yù)測效果的有效途徑。本發(fā)明采用SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)與模糊聚類法相結(jié)合的方法，對母線歷史負荷數(shù)據(jù)進行分類，實現(xiàn)相似日的選取。本發(fā)明建立母線負荷預(yù)測相似日選取模型的過程如下：

第1步：根據(jù)SOM網(wǎng)絡(luò)的基本結(jié)構(gòu)特點（如附圖1），它由輸出層（即競爭層）和輸入層組成；輸入層由n個神經(jīng)元構(gòu)成，可輸入具有n維向量的樣本；輸出層是由a×b個神經(jīng)元組成的二維平面陣；所以，可將歷史數(shù)據(jù)中最高溫度、最低溫度、平均溫度、相對濕度、星期類型及負荷數(shù)據(jù)等負荷特征向量集合X=[x₁，x₂，x₃，…..，x_n]^T，作為輸入向量輸入SOM網(wǎng)絡(luò)；

第2步：在t=0時刻賦予隨機數(shù)給第j個輸出神經(jīng)元與第i個輸入神經(jīng)元之間的權(quán)值向量W_ij(0)；其中W_ij(t)= [w_1j，w_2j，w_3j，…..，w_nj]^T(i=1，2，3，……，n；j=1，2，a×b)，表示輸出層第j個神經(jīng)元分別與第i個輸入神經(jīng)元之間的連接權(quán)值；

第3步：按照式（1）計算第j個輸出神經(jīng)元與輸入樣本的歐式距離：

（1）

計算輸入樣本與所有輸出神經(jīng)元的距離后，確定滿足最小距離即d_l=min（d_j）的神經(jīng)元l；

第4步：若d_l<β（β為設(shè)定閥值）則進行權(quán)值的學習；按式（2）修正神經(jīng)元權(quán)值向量，并執(zhí)行第5步；

（2）

式中：t表示時間，η(t)為學習速率，一般取：

（3）

若d_l>β則將將輸出神經(jīng)元修改為下一個輸出神經(jīng)元（j=j+1）并以該輸入樣本作為W_ij+1(t)的初始權(quán)值向量W_ij+1(0)，轉(zhuǎn)入第3步；

第5步：輸入下一個輸入樣本，重復(fù)第3-4步直至所有訓練樣本訓練完成；

第6步：得到初步的聚類數(shù)目c（其中c=a×b）和聚類中心M₁(0)，M₂(0)，…，M_c(0)；作為FCM聚類算法的輸入；

第7步：選擇模糊聚類算法的閾值ε，設(shè)置最大迭代次數(shù)t_max；對于輸入M_k(0)(k=1，2，...，c)和t=1，2，…，t_max；按公式（4）計算隸屬函數(shù)u_ij(t)；

（4）

其中K ( t )是一個可變的控制參數(shù)，可通過下式求得：

（5）

式中：K₀為事先設(shè)定的常數(shù)，有K₀>1；

第8步：利用隸屬函數(shù)u_ij(t)代替學習速率修改權(quán)值系數(shù)，即

（6）

式中：N_j(t)為t時刻輸出神經(jīng)元j的領(lǐng)域；直到才結(jié)束，否則轉(zhuǎn)至第7步；

第9步：輸出聚類信息，即獲得相似日信息；

（2）母線負荷歷史數(shù)據(jù)預(yù)處理

母線負荷數(shù)據(jù)在采集及傳輸過程中可能造成母線歷史負荷數(shù)據(jù)突變、錯誤等而出現(xiàn)毛刺；為了有效提高負荷預(yù)測準確性，利用小波去噪對母線負荷歷史數(shù)據(jù)樣本進行預(yù)處理；對固定測試點的歷史負荷數(shù)據(jù)進行小波去噪處理；分解小波選擇去噪效果較好的db4小波基，分解層數(shù)K設(shè)置為3；對小波分解后的高頻系數(shù)閥值進行量化處理，并利用全局閾值去噪的方法確定閥值門限T，閥值門限計算公式為：

（7）

式中：σ為噪聲標準；D為信號的長度；

噪聲標準σ可通過分解后小波高頻系數(shù)的絕對中值確定：

（8）

式中：cd為高頻序列cd[i](i=1，2….，K)的中值；

之后，對小波分解得到的第3層低頻序列和經(jīng)過去噪處理后的第1層到第3層高頻序列進行小波重構(gòu)；

（3）建立利用混沌粒子群算法優(yōu)化的最小二乘支持向量機母線負荷預(yù)測模型

最小二乘支持向量機模型在建模過程中需確定懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ；其中，懲罰參數(shù)γ是平衡因數(shù)，可根據(jù)樣本數(shù)據(jù)的特性來決定模型的復(fù)雜度和對擬合偏差的懲罰程度；δ反映了支持向量之間的關(guān)聯(lián)程度，δ小則支持向量間的聯(lián)系較松弛，學習機器相對復(fù)雜，推廣能力得不到保證；δ大則支持向量間的影響強，回歸模型難以達到足夠精度；在實際應(yīng)用中，γ和δ取值主要憑經(jīng)驗設(shè)置，將影響預(yù)測精度；本發(fā)明針對標準粒子群算法易陷入局部最優(yōu)而出現(xiàn)早熟收斂的不足，引入混沌變量，采用混沌搜索機制，對標準粒子群算法進行改進，并用于最小二乘支持向量機模型中懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ的優(yōu)化；具體過程如下：

步驟1：初始化粒子種群和粒子速度；設(shè)置粒子種群數(shù)目q，最大迭代次數(shù)k_max，最大慣性權(quán)重系數(shù)w_max和最小慣性權(quán)重系數(shù)w_min，學習因子c₁和c₂，粒子維數(shù)C等參數(shù)；產(chǎn)生隨機粒子位置X_i=(x_i1，x_i2，x_i3，…，x_iC)^T和速度V_i=(V_i1，V_i2，V_i3，…，V_iC)^T；

步驟2：計算每個粒子的適應(yīng)度值，并更新個體極值P_i=(P_i1，P_i2，P_i3，…，P_iC)^T和種群極值P_g=(P_g1，P_g2，P_g3，…，P_gC)^T；

步驟3：利用公式（9）和公式（10）計算粒子的平均粒距D(t)和適應(yīng)度方差λ²，，判斷D(t) <α或λ²<β(α，β為閥值)，如果成立則說明粒子早熟，進行混沌搜索，否則，執(zhí)行步驟5；

(9)

式中：L為搜索空間對角最大長度；q為種群規(guī)模；P_id為第i個粒子位置的第d維坐標值；為所有粒子位置的第d維坐標值的均值；平均粒距D(t)越小，表示種群越集中；D(t)越大，表示種群越分散；

（10）

式中：λ²為適應(yīng)度方差；f_i為個體i的適應(yīng)度；為當前種群的平均適應(yīng)度；f為歸一化定標因子，用來限制λ²的大小，取值為：

（11）

步驟4：混沌搜索算法；隨機產(chǎn)生混沌變量Y₀，再利用公式（12）產(chǎn)生混沌迭代序列Y_h；利用公式（13）將其變換到優(yōu)化變量的取值區(qū)間，直到混沌迭代次數(shù)h>H(H為混沌搜索迭代次數(shù))，為最優(yōu)的可行解，利用此最優(yōu)解隨機取代一個粒子；

（12）

（13）

式中：C表示粒子維數(shù)；P_gd（d=1,2,…,C）表示粒子第d維的最優(yōu)位置； a_d，b_d為第d維變量的取值范圍；

步驟5：利用公式（14）和（15）更新粒子速度和位置；

（14）

(15)

其中d=1，2，…，C；i=1，2，…，q；k為當前迭代次數(shù)；w為慣性權(quán)重系數(shù)； r₁和r₂是[0，l]之間的隨機數(shù)；

w較大時有利于跳出局部極小點，較小時有利于算法收斂和提高尋優(yōu)解的精度；

因此可以利用慣性權(quán)重系數(shù)線性遞減策略修正w取值，計算公式如下：

(16)

式中，w_max為最大慣性權(quán)重，一般取0.9；w_min為最小慣性權(quán)重，一般取0.4；k_max為設(shè)定的最大迭代次數(shù)；

步驟6：判斷收斂條件；若滿足收斂條件，則執(zhí)行步驟7；否則，轉(zhuǎn)至步驟2；

步驟7：進化過程結(jié)束，返回全局最優(yōu)解；

步驟8：將混沌粒子群算法所返回的全局最優(yōu)值賦予最小二乘支持向量機的懲罰系數(shù)和高斯核函數(shù)的覆蓋寬度，優(yōu)化最小二乘支持向量機模型。

有益效果

1. 本發(fā)明針對母線負荷預(yù)測中相似日的選擇方法進行了分析研究，克服了以SOM 神經(jīng)網(wǎng)絡(luò)選取預(yù)測相似日無法不提供分類后精確的聚類信息的缺點；

2. 本發(fā)明提到的利用小波去噪對母線負荷歷史數(shù)據(jù)預(yù)處理的方法，能有效的減小數(shù)據(jù)采集及傳輸過程中造成的母線歷史負荷數(shù)據(jù)突變、錯誤等而出現(xiàn)毛刺，降低母線負荷數(shù)據(jù)的噪聲污染。從而有效提高后期負荷預(yù)測準確性;

3. 本發(fā)明針對標準粒子群算法易陷入局部最優(yōu)而出現(xiàn)早熟收斂的不足，引入混沌變量，采用混沌搜索機制，對標準粒子群算法進行改進，并用于最小二乘支持向量機模型的懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ優(yōu)化，有效的提高了母線負荷預(yù)測的精度。

附圖說明

圖1是SOM網(wǎng)絡(luò)的基本結(jié)構(gòu)圖

圖2 是某大型冶金工廠專用35Kv母線5月份的歷史負荷進行小波去噪處理的結(jié)果圖

圖3是5月份31日分別用最小二乘支持向量機，粒子群優(yōu)化最小二乘支持向量機，混沌粒子群優(yōu)化最小二乘支持向量機預(yù)測的負荷值圖

圖4是5月份31日分別用最小二乘支持向量機，粒子群優(yōu)化最小二乘支持向量機，混沌粒子群優(yōu)化最小二乘支持向量機預(yù)測時各預(yù)測點相對誤差圖

圖5是6月份連續(xù)3日用混沌粒子群優(yōu)化最小二乘支持向量機預(yù)測的負荷值圖。

具體實施方式

實施例1：

（1）選取某大型冶金企業(yè)專用35kV母線負荷5月份（31天）的數(shù)據(jù)樣本，樣本中包括了最高溫度、最低溫度、平均溫度、相對濕度、日期類型（工作日，周末）及負荷數(shù)據(jù)（每天24個點）；以31日為預(yù)測日，利用SOM的模糊聚類法模型和人工經(jīng)驗從其它30日的數(shù)據(jù)中選取十個相似日，結(jié)果如表1所示；

表1人工和SOM的模糊聚類法選取相似日

將兩種方法選取出的10個相似日作為訓練樣本，5月31日作為預(yù)測日，利用最小二乘支持向量機模型進行預(yù)測，得到結(jié)果如表2；

表2 人工和SOM模糊聚類法選取相似日用于

從表2可以看出，利用SOM模糊聚類法選取預(yù)測日的相似日，使平均日負荷預(yù)測準確率提高了3個百分點，平均相對誤差降低了近4個百分點。所以采用SOM模糊聚類法選取相似日相對人工經(jīng)驗選取更科學，可以有效提高后期負荷預(yù)測的精度；

（2）對某大型冶金企業(yè)專用35kV母線5月份的歷史負荷進行小波去噪預(yù)處理，預(yù)處理結(jié)果（如附圖2）所示；

附圖2中S子圖為原始負荷數(shù)據(jù)，ca3子圖為負荷序列分解后的低頻部分，可看做為負荷的原始信號，不作去噪處理。cd1、cd2、cd3子圖為負荷序列的高頻部分，負荷變化劇烈，體現(xiàn)了短時負荷與隨機因素之間的關(guān)系。Sd為重構(gòu)得到的去噪后信號，可以看出大部分噪聲已被消除；

（3）選取5月前24天的歷史負荷經(jīng)小波去噪預(yù)處理后數(shù)據(jù)作為訓練樣本，以最小二乘支持向量機為預(yù)測模型，并將最小二乘支持向量機的懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ均取1，連續(xù)預(yù)測7天（25日到31日）的負荷，預(yù)測結(jié)果如表3所示；

表3訓練樣本經(jīng)小波去噪預(yù)處理后連續(xù)

預(yù)測7日的MRE值和A_L值

從表3可以看出，未經(jīng)小波去噪處理前連續(xù)七天的平均日負荷預(yù)測準確率(A_L)平均值為74.97%，平均相對誤差(MRE)的平均值為22.75%；經(jīng)小波去噪預(yù)處理后預(yù)測的A_L的平均值達到89.22%，MRE的平均值大幅降低，只有8.67%；所以將歷史數(shù)據(jù)在預(yù)測前經(jīng)過小波去噪處理能有效提高負荷預(yù)測精度；

（2）分別以5月29日、30日、31日為預(yù)測日；以除去待預(yù)測日剩下的歷史負荷為樣本1；利用SOM的模糊聚類法選取待預(yù)測日的十個相似日（如表1所示）作為樣本2；將樣本1、樣本2分別經(jīng)小波去噪預(yù)處理后作為最小二乘支持向量機模型的訓練樣本，懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ仍取1；預(yù)測結(jié)果如表4所示；

表4 SOM的模糊聚類法選取相似日并經(jīng)小波去噪后

連續(xù)預(yù)測3日的MRE值和A_L值

從表4可以看出，未選取相似日作為訓練樣本時，盡管訓練樣本數(shù)更大，連續(xù)預(yù)測3天的A_L平均值只有88.63%，MRE的平均值為8.63%；采用SOM神經(jīng)網(wǎng)絡(luò)的模糊聚類法選取待預(yù)測日的相似日作為訓練樣本后，訓練樣本數(shù)減少，但連續(xù)3天的A_L平均值達到97.66%，MRE的平均值降低為2.22%，且每一個預(yù)測日的平均相對誤差都小于5%，完全滿足預(yù)測精度需求；所以利用SOM神經(jīng)網(wǎng)絡(luò)選取相似日，可以提高母線負荷預(yù)測精度；

（3）分別以5月31日、30日、29日、28日、27日為預(yù)測日。利用SOM神經(jīng)網(wǎng)絡(luò)的模糊聚類法從5月份剩下天數(shù)中選取待預(yù)測日的相似日，并進行小波去噪預(yù)處理；預(yù)測模型分別選取最小二乘支持向量機，粒子群算法優(yōu)化最小二乘支持向量機，混沌粒子群算法優(yōu)化最小二乘支持向量機，其中最小二乘支持向量機模型的懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度σ均取為1，粒子群算法優(yōu)化最小二乘支持向量機模型，混沌粒子群算法優(yōu)化最小二乘支持向量機模型的兩種粒子群算法搜索范圍設(shè)定為：γ∈ [0.1，10]，δ∈ [0.1，1]。粒子數(shù)q取40，最大迭代次數(shù)k_max取200，c₁和c₂均為2，慣性權(quán)重w最大值取0.9，最小值取0.4；三種模型連續(xù)預(yù)測5日的平均相對誤差和均方根相對誤差如表5所示，附圖3為31日的預(yù)測負荷值，各預(yù)測點相對誤差如附圖4所示；

表5三種模型連續(xù)預(yù)測5日的MRE值和RMSE值

從表5可以看出，最小二乘支持向量機模型連續(xù)5天的預(yù)測結(jié)果中MRE接近或大于2%， RMSE均大于3%；采用粒子群算法和混沌粒子群算法優(yōu)化最小二乘支持向量機參數(shù)后的預(yù)測模型預(yù)測結(jié)果中MRE值和RMSE值均有所降低，所以利用優(yōu)化算法優(yōu)化最小二乘支持向量機的懲罰參數(shù)和核函數(shù)覆蓋寬度可提高最小二乘支持向量機對母線負荷的預(yù)測精度；利用混沌粒子群算法優(yōu)化最小二乘支持向量機模型預(yù)測時，相對誤差小于1.8%，均方根相對誤差約2%，表明混沌粒子群優(yōu)化算法的尋優(yōu)結(jié)果更準確，標準粒子群算法尋優(yōu)時可能出現(xiàn)了粒子早熟現(xiàn)象，導致個別預(yù)測結(jié)果誤差較大；

從附圖3、附圖4中可以看出，三種模型的預(yù)測值在0~9點、18~22點時間段的預(yù)測點和實際值較接近，10~17點的預(yù)測值和實際值的誤差較大；原因在于10點至17點時間段，企業(yè)中除了主要冶煉爐外，許多其它小型用電設(shè)備（如除塵機、水處理設(shè)備、環(huán)形爐助燃機）的投入導致用電增加；母線負荷種類增加，規(guī)律性變?nèi)酰绊懥祟A(yù)測效果；

實施例2：

這里以6月份的30日、29日、28日為預(yù)測日。選擇十個相似日，經(jīng)過小波去噪預(yù)處理，再用混沌粒子群算法優(yōu)化最小二乘支持向量機模型預(yù)測；預(yù)測負荷值如附圖5所示，MRE值、RMSE值和A_L值如表6所示；

表6 母線2用混沌粒子群算法優(yōu)化最小二乘支持向量機

模型連續(xù)預(yù)測3日的MRE值、RMSE值和A_L值

從附圖5和表6可以看出，連續(xù)預(yù)測3天的72個時間點中，MRE值小于2%，A_L值大于97%，表明混沌粒子群算法優(yōu)化最小二乘支持向量機模型對母線2的負荷預(yù)測滿足預(yù)測精度要求。