一种基于GMCC-KELM的负荷预测方法、系统、终端及存储介质

技术领域

本发明涉及人工智能、负荷预测、新型电力系统领域，特别涉及到广义最大相关熵准则(GMCC)和核极限学习机(KELM)，具体为一种基于GMCC-KELM的负荷预测方法、系统、终端及存储介质。

背景技术

电能对生产生活和经济发展至关重要，由于电能无法大量储存，因此电力系统运行时必须时刻保持供需平衡，并向各类用户尽可能提供可靠和符合标准的电能。为保证电力系统的安全、经济运行，必须掌握负荷的变化规律和趋势，准确预测负荷需求量的变化。准确的电力负荷预测在电力系统运行中起着重要的作用,有效的负荷预测方法可以提高电力系统的运行效率。现有的预测方法大多使用基于均方误差作为损失函数的极限学习机模型，模型效率以及准确性较低。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于GMCC-KELM的负荷预测方法、系统、终端及存储介质，以解决现有技术中使用基于均方误差作为损失函数的极限学习机模型，效率以及准确性较低的技术问题。

本发明是通过以下技术方案来实现：

一种基于GMCC-KELM的负荷预测方法，包括如下步骤：

步骤1，获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

步骤2，采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

优选的，步骤1中，对历史负荷数据以及气象数据进行预处理中，对历史负荷数据以及气象数据进行数据清洗与处理工作，处理工作包括归一化数据处理。

优选的，步骤1中，对预处理后的历史负荷数据以及气象数据进行训练的过程如下：

步骤11，将预处理后的历史负荷数据以及气象数据随机分为(k+1)个训练样本，其中每个训练样本均包括历史负荷数据以及气象数据；

步骤12，将(k+1)个训练样本分组输入训练集进行更新迭代，训练得到GMCC-KELM模型。

进一步的，步骤12中，(k+1)个训练样本分组输入训练集进行更新迭代的过程如下：

步骤121，将(k+1)个训练样本分组，设置初始训练样本为

步骤122，将GMCC广义最大相关熵准则引入核极限学习机的损失函数，通过最大化经验风险公式计算得到带宽参数β，其中最大化经验风险公式如下：

其中，α是Gamma分布中的形状参数(α＞0)，β是带宽参数(β＞0)，

步骤123，将初始训练样本为

令带宽参数β设为0，得到更新迭代参数值：

其中，

其中，U是激活函数矩阵；Λ是激活函数矩阵U的列数参数；L是激活函数矩阵U的列数参数；

步骤124，增加一组训练样本

更新

其中，

其中，

得到

其中，U是激活函数矩阵；Λ是激活函数矩阵U的列数参数；L是激活函数矩阵U的列数参数；K是激活函数矩阵U的列数参数；

步骤125，增加第K+1组训练样本

基于woodbury函数，

令

其中，U是激活函数矩阵；Λ是激活函数矩阵U的列数参数；L是激活函数矩阵U的列数参数；K是激活函数矩阵U的列数参数；α是Gamma分布中的形状参数(α＞0)，β是带宽参数(β＞0)，

优选的，步骤2中，对气象预报数据进行预处理中，其中，将气象预报数据进行数据清洗与处理工作，处理工作包括归一化数据处理。

一种基于GMCC-KELM的负荷预测系统，包括

模型建立模块，用于获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

模型处理模块，用于采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述一种基于GMCC-KELM的负荷预测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述一种基于GMCC-KELM的负荷预测方法的步骤。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供了一种基于GMCC-KELM的负荷预测方法，通过获取离线数据中的历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理训练，得到GMCC-KELM模型，再将GMCC-KELM模型应用到在线数据中，在线数据中的气象预报数据进行预处理，将将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷，新增输入第k组训练数据进行训练得到beta(k+1)。模型训练就是通过不断迭代得到合适的参数，大大提高了模型预测效率和准确性。

附图说明

图1为本发明中基于GMCC-KELM的负荷预测方法的流程图；

图2为本发明中实施例框架流程图；

图3为本发明中基于GMCC-KELM的负荷预测系统的原理结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本发明做进一步详细描述：

本发明的目的在于提供一种基于GMCC-KELM的负荷预测方法、系统、终端及存储介质，以解决现有技术中使用基于均方误差作为损失函数的极限学习机模型，效率以及准确性较低的技术问题。

具体的，参见图1，该基于GMCC-KELM的负荷预测方法，包括如下步骤：

步骤1，获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

具体的，对历史负荷数据以及气象数据进行预处理中，对历史负荷数据以及气象数据进行数据清洗与处理工作，处理工作包括归一化数据处理。

具体的，对预处理后的历史负荷数据以及气象数据进行训练的过程如下：

步骤11，将预处理后的历史负荷数据以及气象数据随机分为(k+1)个训练样本，其中每个训练样本均包括历史负荷数据以及气象数据；

步骤12，将(k+1)个训练样本分组输入训练集进行更新迭代，训练得到GMCC-KELM模型。

其中，(k+1)个训练样本分组输入训练集进行更新迭代的过程如下：

步骤121，将(k+1)个训练样本分组，设置初始训练样本为

步骤122，将GMCC广义最大相关熵准则引入核极限学习机的损失函数，通过最大化经验风险公式计算得到带宽参数β，其中最大化经验风险公式如下：

其中，α是Gamma分布中的形状参数(α＞0)，β是带宽参数(β＞0)，

步骤123，将初始训练样本为

令带宽参数β设为0，得到更新迭代参数值：

其中，

/>

其中，U是激活函数矩阵；Λ是激活函数矩阵U的列数参数；L是激活函数矩阵U的列数参数；

步骤124，增加一组训练样本

更新

其中，

其中，

得到

其中，U是激活函数矩阵；Λ是激活函数矩阵U的列数参数；L是激活函数矩阵U的列数参数；K是激活函数矩阵U的列数参数；

步骤125，增加第K+1组训练样本

基于woodbury函数，

令

其中，U是激活函数矩阵；Λ是激活函数矩阵U的列数参数；L是激活函数矩阵U的列数参数；K是激活函数矩阵U的列数参数；α是Gamma分布中的形状参数(α＞0)，β是带宽参数(β＞0)，

步骤2，采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

具体的，对气象预报数据进行预处理中，其中，将气象预报数据进行数据清洗与处理工作，处理工作包括归一化数据处理。

实施例

根据图2所示，本实施例提供了一种负荷预测方法、系统、装置及存储介质，具体实施方式包括具体步骤及实现过程如下：

离线阶段：

步骤S101：数据预处理，收集历史负荷数据以及气象数据，针对原始数据进行数据清洗与处理工作，包括归一化数据处理。

步骤S102：模型训练，将全训练样本随机分成(k+1)组，使用初始训练样本

将GMCC引入核极限学习机的损失函数，通过最大化经验风险计算得到β：

/>

其中，α是Gamma分布中的形状参数(α＞0)，β是带宽参数(β＞0)，

将上述公式中的β设为0，可以得到：

其中，

L是激活函数矩阵U的列数参数。

通过初始训练样本

增加一组训练样本

更新

其中，

同时可以进一步推导

/>

通过以上几个公式，可以得到

因此，输入第k组训练数据进行训练得到更新的参数：

基于woodbury函数，

令

将所有的训练样本如上所述分组进入训练步骤进行训练，训练得到最终的模型结构并存储。

在线阶段：

步骤S201：收集气象预报数据，针对原始数据进行数据清洗与处理工作，包括归一化数据处理。

步骤S202：输入离线阶段的步骤S102训练好的GMCC-KELM模型得到预测的负荷。

如图3所示，本发明还提供了一种基于GMCC-KELM的负荷预测系统，包括模型建立模块和模型处理模块；

模型建立模块，用于获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

模型处理模块，用于采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

本发明还提供了移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于GMCC-KELM的负荷预测程序。

所述处理器执行所述计算机程序时实现上述基于GMCC-KELM的负荷预测方法的步骤，例如：步骤1，获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

步骤2，采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：模型建立模块，用于获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

模型处理模块，用于采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述移动终端中的执行过程。例如，所述计算机程序可以被分割成模型建立模块和模型处理模块；各模块具体功能如下：模型建立模块，用于获取历史负荷数据以及气象数据，对历史负荷数据以及气象数据进行预处理，并对预处理后的历史负荷数据以及气象数据进行训练得到GMCC-KELM模型；

模型处理模块，用于采集气象预报数据，对气象预报数据进行预处理，并将预处理后的气象预报数据输入至GMCC-KELM模型内的得到预测负荷。

所述移动终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述移动终端可包括，但不仅限于，处理器、存储器。

所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述移动终端的各种功能。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种基于GMCC-KELM的负荷预测方法的步骤。

所述移动终端集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

基于这样的理解，本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述基于GMCC-KELM的负荷预测方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。

需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。