一种基于改进型量子进化算法的电力负荷预测方法及系统

技术领域

本发明涉及电力负荷预测领域，特别涉及一种基于改进型量子进化算法的电力负荷预测方法及系统。

背景技术

电力负荷预测是电力系统运行和规划的基础，准确的负荷预测可以保证电力系统安全稳定运行，降低发电成本，提高经济效益。随着电力行业的发展、分布式能源的增多，短期负荷预测工作显得愈发重要。考虑到电力负荷数据的非线性、异方差、非平稳等特点，短期负荷预测难度也显著增加。

然而，电力负荷数据一般具有一定的周期性如周周期性、月周期性和年周期性，同时电力负荷也会受到多方面外界因素如温度、天气、节假日以及用户行为等的影响，而表现出一定的随机性。这样的随机性导致的不确定性显著增加了短期负荷预测的难度。

发明内容

本发明的目的在于提供一种基于改进型量子进化算法的电力负荷预测方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于改进型量子进化算法的电力负荷预测方法，包括以下步骤：

S1，收集电力负荷影响因子，采集电力负荷在一定时间段T内的原始历史负荷数据，以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N，其中，T的单位为天，对历史负荷数据集N中的负荷数据进行归一化预处理，将预处理后组成训练数据；

S2，基于训练样本集，采用支持向量机模型建立电力负荷的预测模型，所述预测模型以各影响因子为输入特征量，以电负荷数据为输出量；

S3，选使用改进型量子进化算法根据训练数据作为输入数据对支持向量机的两个参数惩罚参数C和核函数参数σ进行优化并选出最优的参数组合作为支持向量机的参数；

S4，将上一步优化得到两个主要参数惩罚参数C和核函数参数σ作为支持向量机的参数，使用支持向量机模型对于电力负荷数据集进行建模，利用所述多维指标数据对支持向量机模型进行训练，得到训练完毕的支持向量机模型；

S5，将处理后的训练数据输入至训练完毕的基于改进型量子进化算法的支持向量机模型中，得到预测结果C，得到待预测电力负荷的最终预测负荷C，最后将最终预测结果与真实数据进行比较，查看拟合度。

进一步的，步骤S1中数据集N中的最高温度、最低温度和平均温度，相对湿度和降雨量以及日期类型皆为影响因子。

进一步的，步骤S1中原始历史价格数据集N中电力负荷数据进行预处理具体过程如下：

S1.1:根据采集到的数据集N进行数据分类，并统一进行标准化处理；其处理公式如下：

其中，

S1.2:将步骤S1.1已处理好的数据分成多个区间，每个区间中，以其所在区间的中值作为该区间的使用的测试数据；

S1.3:选取T段时间内中百分之六十天内的电力负荷数据及影响因子数据，并利用Python中pandas和matplotlib绘制出后百分之六十天内的电力负荷数据走势图，将前百分之六十天内的相应数据作为支持向量机模型的训练数据，其中天数取正整数。

进一步的，步骤S4所述多维指标数据包括有时间段T内电力日负荷E、温度数据T，日期类型D、湿度数据H。

进一步的，所述步骤S2中，支持向量机模型是寻找一个满足条件的可将样本集分为两类的超平面，其表达式为：

其中，L为样本距离超平面的分类间隔；w为样本分类的权值；n为样本数量；λ>0为惩罚因子，用来调整离群点带来的损失，平衡算法复杂度和样本率；松弛变量ξ

进一步的，所述步骤S3中，基于改进型量子进化算法优化支持向量机模型的输出包括有两个值分别记为：惩罚参数C和核函数参数σ，将C和σ作为支持向量机模型的参数。

进一步的，步骤S3的量子进化算法包括两种改进策略：量子旋转角以及量子态过早收敛两个问题进行改进。

进一步的，步骤S3中，利用改进型量子进化算法将带优化参数编码生成量子种群，通过选择，交叉的方法，以新的种群取代现有种群；通过量子进化获得更好的后代，得到优化后的结构参数。

进一步的，一种基于改进型量子进化算法的电力负荷预测系统，包括：

历史负荷数据集N生成模块用于收集电力负荷影响因子，采集电力负荷在一定时间段T内的原始历史负荷数据，以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N，其中，T的单位为天，对历史负荷数据集N中的负荷数据进行归一化预处理，将预处理后组成训练数据；

电力负荷的预测模型建立模块用于基于训练数据，采用支持向量机模型建立电力负荷的预测模型，所述预测模型以各影响因子为输入特征量，以电负荷数据为输出量；

最优的参数组合选取模块用于选使用改进型量子进化算法根据训练数据作为输入数据对支持向量机的两个参数惩罚参数C和核函数参数σ进行优化并选出最优的参数组合作为支持向量机的参数；

支持向量机模型训练模块用于将上一步优化得到两个主要参数惩罚参数C和核函数参数σ作为支持向量机的参数，使用支持向量机模型对于电力负荷数据集进行建模，利用所述多维指标数据对支持向量机模型进行训练，得到训练完毕的支持向量机模型；

结果比较模块用于将处理后的训练数据输入至训练完毕的基于改进型量子进化算法的支持向量机模型中，得到预测结果C，得到待预测电力负荷的最终预测负荷C，最后将最终预测结果与真实数据进行比较，查看拟合度。

与现有技术相比，本发明有以下技术效果：

本发明通过将电力负荷数据转化为可视化的单日负荷走势图，将作为模型的输入，用于预测下一时间段的电力负荷数据，同时利用改进型量子进化算法来优化支持向量机模型的参数，从而获得最终的预测模型，且此种组合模型有效的提高了预测的准确度，并且相比于现有支持向量机预测模型，因现有支持向量机中参数选择是基于网格寻优算法进行参数寻优，耗时过长。而本发明利用改进型量子进化算法使得其可以快速对支持向量机模型参数进行寻优，大大提高了时间。

附图说明

图1为方法的全流程示意图。

图2为基于改进型量子进化算法模型结构图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的说明。

如图1所示，一种基于改进型量子进化算法优化支持向量机模型的电力负荷预测方法，所述方法包括：

步骤1：收集电力负荷影响因子，采集某市的电力负荷在一定时间段T内的原始历史负荷数据，以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N。

其中，T的单位为天，数据集N中的最高温度、最低温度和平均温度，相对湿度和降雨量以及日期类型皆为影响因子，对历史负荷数据集N中的负荷数据进行归一化预处理，将预处理后划分成训练数据。

为了加快模型的样本训练速度和收敛速度，提高预测精度，根据采集到的数据集N进行归一化方法对训练样本数据进行预处理，其处理公式如下：

其中，

步骤2：基于训练样本集，采用支持向量机回归模型建立电力负荷预测模型，所述预测模型以各影响因子X为输入特征量，以电力负荷E为输出量，建立两者之间的关系：E＝f(X)。

支持向量机模型的基本思想是寻找一个满足条件的可将样本集分为两类的超平面，其表达式为：

其中，L为样本距离超平面的分类间隔；w为样本分类的权值；n为样本数量；λ>0为惩罚因子，用来调整离群点带来的损失，平衡算法复杂度和样本率；松弛变量ξ

支持向量机回归模型采用RBF核函数，其优点是学习能力强，可映射无限维：

K(x

其中，γ为RBF核函数的宽度参数，用来控制核函数的作用范围；x

步骤3：对电力负荷影响因子温度影响因素和天气温度数据以及日期类型进行归一化处理，将测试样本中电力负荷数据作为验证样本，对预测模型的惩罚因子C和核函数γ参数进行优化，得到优化后的电力负荷的预测模型。

对支持向量机预测模型的惩罚因子C和核函数y参数进行优化，可采用改进网格搜索法、进化算法或粒子群算法。本实施例中采用改进型量子进化算法，设置学习因子C1＝1.5,C2＝1.7,种群数量为30,最大进化代数为200,系数k＝0.6，弹性系数e＝1,C和Y的取值范围分别设置为[23,29]和[2-8,2-2]。

步骤4：将上一步优化的得到两个主要参数惩罚参数C和核函数参数σ作为支持向量机的参数，使用支持向量机模型对于电力负荷数据集进行建模，利用所述多维指标数据对支持向量机模型进行训练，得到训练完毕的支持向量机模型；

将处理后的训练数据输入至训练完毕的基于改进型量子进化算法的支持向量机模型中，得到预测结果C，得到待预测电力负荷的最终预测负荷C，最后将最终预测结果与真实数据进行比较，查看拟合度。

实施例：

下面以镇江市电力数据为例，进一步说明本发明的有益效果。

1)分析并选取温度数据T，日期类型D、湿度数据H作为影响电力负荷的主要因素，电力负荷作为输出数据，原始数据如表1所示。对表3数据进行归一化处理，作为训练样本。

2)

基于训练样本集，采用支持向量机回归模型建立电力负荷的预测模型，该模型以平均温度、最高温度和最低温度以及相对湿度和日类型为输入特征量，以电力负荷为输出量，建立两者之间的关系。

3)采用改进型量子进化算法对支持向量机预测模型的惩罚因子C和核函数σ参数进行优化，C＝204.8,σ＝0.1566。

4)将上一步优化的得到两个主要参数惩罚参数C和核函数σ参数作为支持向量机的参数，使用支持向量机模型对于电力负荷数据集进行建模，利用所述多维指标数据对支持向量机模型进行训练，得到训练完毕的支持向量机模型；

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。