[发明专利]基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法

摘要

本发明公开了一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法，其步骤包括：1获取气温、相对湿度、风力和电力负荷时间序列实际数据，对各序列数据进行预处理，划分训练集和测试集数据；2对电力负荷原始数据进行小波阈值去噪处理，还原电力负荷时间序列真实信息；3构建贝叶斯网络模型，得到初始预测区间；4计算区间变化幅值范围，运用混沌人群算法得到最优区间变化幅值；5在最优区间变化幅值邻域采用混沌搜索，得到最终预测区间。本发明能通过构造预测区间测量电力负荷的不确定性，从而能为电力系统优化运行提供有效参考。

主权项

1.一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法，其特征是按以下步骤进行：步骤1、获取气温、相对湿度、风力和电力负荷实际值并进行数据预处理：步骤1.1、采集温度的历史数据构成原始温度序列，并对所述原始温度序列进行缺失值和异常值的填补以及归一化处理，从而得到预处理后的温度序列，记为F＝[f₁,f₂,...f_i,...f_N]，f_i为所述预处理后的温度序列F中第i个时刻点的温度数据；采集相对湿度的历史数据构成原始相对湿度序列，并对所述原始相对湿度序列进行缺失值和异常值的填补以及归一化处理，从而得到预处理后的相对湿度序列，记为H＝[h₁,h₂,...h_i...h_N],h_i为所述预处理后的相对湿度序列H中第i个时刻点的相对湿度数据；采集风力的历史数据构成原始风力序列，并对所述原始风力序列进行缺失值和异常值的填补以及归一化处理，从而得到预处理后的风力序列，记为V＝[v₁,v₂,...v_i,...,v_N]，v_i为所述预处理后的风力序列V中第i个时刻点的风力数据，1≤i≤N，N为样本总数；采集电力负荷的实际功率历史数据构成原始电力负荷序列，并对所述原始电力负荷序列进行缺失值和异常值的填补以及归一化处理，从而得到预处理后的含噪电力负荷序列，记为为所述预处理后的含噪电力负荷序列P^raw中第i个时刻点的电力负荷数据；将预处理后的气温序列、相对湿度序列、风力序列、电力负荷序列所组成的数据集划分为训练集数据和测试集数据；步骤1.2、对预处理后的含噪电力负荷序列P^raw进行小波阈值去燥处理，将带有噪声的含噪负荷进行小波分解，获取含噪负荷序列P^raw包含的真实数据信息；所述负荷去燥处理之后的序列记为P＝[p₁,p₂,...,p_i,...,p_N]，p_i为真实负荷序列P中第i个时刻点的电力负荷值；P^raw＝P+σ*ε   (1)式(1)中，P^raw为含噪的电力负荷序列，P为不含噪声的真实负荷序列，σ为噪声强度，一般情况下可以假设ε为高斯白噪声，且σ＝1；步骤2、利用训练集数据构建贝叶斯网络模型：步骤2.1、将所述负荷序列P中第i个时刻点的电力负荷真实值p_i和第i个时刻点的温度数据f_i、相对湿度数据h_i和风力数据v_i作为贝叶斯网络模型中的影响因子，将负荷序列P中第i+1个时刻点的电力负荷真实值p_i+1作为输出节点，从而构建贝叶斯网络结构；步骤2.2、根据时间序列数据，分别计算每个影响因子在不同取值时所对应的输出节点的条件概率，从而得到条件概率表；步骤2.3、根据所述条件概率表和贝叶斯网络结构，得到负荷序列P中第i+1个时刻点的电力负荷值p_i+1的概率分布，并将概率分布曲线上的最高点所对应的负荷区间作为电力负荷P中第i+1个时刻点的电力负荷值p_i+1的初始预测区间；步骤2.4、重复步骤2.1‑步骤2.3多次计算取平均值，从而得到电力负荷序列P中第i+1个时刻点的负荷值的初始预测区间，记为步骤3、使用混沌人群算法得到最优区间幅值变化范围：步骤3.1、根据所述第i+1个时刻点的电力负荷预测区间和第i+1个时刻点预测区间的中位数其中，为第i+1个时刻电力负荷预测值；将第i+1个时刻点的电力负荷预测区间的下限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的下限比值记为从而得到N个时刻的下限比值，并选取所述N个时刻点的下限比值中的下四分值和上四分位值作为下限比值β_low的变化范围；将第i+1个时刻的电力负荷预测区间的上限除以第i+1个时刻点的电力负荷预测值作为第i+1个时刻点的上限比值记为从而得到N个时刻点的上限比值，并选取所述N个时刻的上限比值中的下四分位值和上四分位值作为上限比值β_high的变化范围；将下限比值β_low和上限比值β_high作为混沌人群算法待优化的参数，并将相应的两个变化范围作为种群的变化范围；步骤3.2、初始化种群个体：设定种群规模为M，当前进化代数为t，最大进化代数为T_max，空间维数为q，隶属度为u，当前混沌搜索次数为d，最大混沌搜索次数为D_max，权重值为ω，步长因子为α，α≥0，搜索方向为β，β∈{‑1,0,1}；初始化t＝0时，在种群的变化范围内生成M个随机数并作为M个成员的初始位置，其中，令第t次进化迭代时第n个成员的初始位置记为1≤n≤M，其中，为第t次进化迭代时第n个成员在下限比值β_low的变化范围中的随机数，为第t次进化迭代时第n个成员在上限比值β_high的变化范围中的随机数，则成员种群的初始位置记为步骤3.3、计算成员的适应度：利用式(2)构建第t次进化迭代时第n个成员的适应度值作为第t次进化迭代时第n个成员的优度；式(2)中，为第t次进化迭代时第n个成员的预测区间平均带宽，并通过式(3)得到，η₂为预测区间平均带宽的参数，为第t次进化迭代时第n个成员的预测区间覆盖概率，并通过式(4)得到，为关于预测区间覆盖率的函数，并通过式(6)得到，η₁为预测区间覆盖率未达到置信水平μ₁时的惩罚系数，为第t次进化迭代时第n个成员的预测区间的对称性指标，用于量化预测区间的对称性，并通过式(9)得到；为关于预测区间对称性的函数，在校正窗口期间等于常数1，在评估期间是与一致的函数，η₃与μ₂为对称性指标的参数；式(3)中，R为电力负荷真实值序列P＝[p₁,p₂,...,p_i,...,p_N]中的最大值与最小值的差值，为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间下界，并通过式(7)得到，为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间上界，并通过式(8)得到；式(4)中，b_n,i+1为第n个成员的第i+1个时刻点的布尔常量，若第i+1个时刻点的电力负荷真实值p_i+1在第t次进化迭代时第n个成员的第i+1个时刻点的预测区间范围内，则令b_n,i+1＝1；否则，令b_n,i+1＝0；式(9)中，p_i+1为电力负荷真实值序列P＝[p₁,p₂,...,p_i,...,p_N]中第i+1时刻的真实值，为第t次进化迭代时第n个成员的第i+1个时刻点的预测区间中位数，其中根据成员的初始位置和适应度函数，将每个成员的适应度值作为成员的初始优度将第t次进化迭代时优度中的最小值记为其中，为第t次进化迭代时，成员种群中的最优位置，为最优位置的第一个分量，为最优位置的第二个分量；令I_gmin(X_gbest)为经过t次进化迭代后的全局最优适应度值，且令令全局最优位置步骤3.4、成员位置更新：根据不确定性推理行为模拟成员的搜索行为，采用式(10)得到第n个成员第t次迭代时的高斯隶属度并依据式(11)更新得到第n个成员第t+1次迭代时的位置式(10)和式(12)中，和δ为高斯隶属度函数的参数；表示第n个成员第t+1次迭代位置的变动，并有：式(12)中，表示第n个成员第t次迭代位置更新的步长，表示第n个成员第t次迭代位置更新的方向；步骤3.5、再次利用式(2)获得第t+1次进化迭代时的成员种群中每个个体的优度，并比较各个成员个体之间的优度，从而在第t+1次进化迭代时的成员种群中寻找优度最小的成员的适应度值，记为其中，为第t+1次进化迭代后成员种群中的最优位置；如果全局最优适应度值则将赋值给X_gbest，从而更新全局最优位置X_gbest；否则，全局最优位置X_gbest保持不变；步骤3.6、在第t+1次进化迭代时成员种群中的最优位置附近进行邻域搜索：初始化d＝0，在[‑1,1]区间内随机生成第d次混沌搜索时的第q维混沌变量q表示维度，且q＝1,2；将第t+1次进化迭代时的最优位置赋值给第d次混沌搜索时的最优坐标y^(d)，且q＝1时，q＝2时，为在第d次混沌搜索时最优坐标y^(d)的第q个分量；步骤3.7、运用式(10)所示的Chebyshev映射进行混沌搜索，得到第d+1次混沌搜索时的混沌变量式(13)中，s为常数，且s＞0，步骤3.8、利用式(13)得到第d+1次混沌搜索时的最优坐标y^(d+1)的第q个分量式(14)中，当q＝1时，x_q,max为成员种群的初始位置的第一个分量中的最大值，x_qmin为成员种群的初始位置的第一个分量中的最小值；当q＝2时，x_q,max为成员种群的初始位置的第二个分量中的最大值，x_q,min为成员种群的初始位置的第二个分量中的最小值；g^(t)为第t次进化迭代后压缩算子g^(t)，并利用式(15)得到：式(15)中，L为大于0的常数；步骤3.9、如果d＜D_max，则将d+1赋值给d后，返回步骤3.7；否则，通过混沌搜索获得最优坐标序列并执行步骤3.9.1；步骤3.9.1、利用式(2)计算最优坐标序列的适应度值在所述最优坐标序列的适应度值中寻找最小的适应度值记为I_min(y_best)，其中，y_best为最优坐标序列中的最优位置；如果则令y_best赋值给否则，保持不变；步骤3.9.2如果全局最优适应度值则通过更新全局最优位置；否则，令全局最优位置X_gbest保持不变；步骤3.10、如果t＜T_max，则将t+1赋值给t，并返回步骤3.3；否则，表示得到成员种群中的全局最优位置X_gbest，即得到适应度函数的最优解和步骤4、根据所述最优解和分别计算第i+1个时刻点的预测区间的最优下界第i+1个时刻点的预测区间的最优上界并由预测区间的最优下界和最优上界构成最终预测区间，再将测试集数据代入贝叶斯网络模型，从而完成电力负荷的概率性预测。