一种基于改进ARNN的用户侧电力负荷数据处理方法与流程

一种基于改进arnn的用户侧电力负荷数据处理方法
技术领域
1.一种基于改进arnn的用户侧电力负荷数据处理方法，属于电力负荷数据处理技术领域。


背景技术：

2.随着社会经济的快速发展和园区电力负荷的不断上升，园区配电变压器设备承受重过载的风险越来越严重，为电网的安全运行埋下隐患。由于储电困难，准确、稳健的短期负荷预测方法已成为园区电力系统不可缺少的组成部分。短期负荷预测的准确性是园区电力系统规划和运行的基础，如机组承诺、维护调度、制定价格策略、热电联产、备用提取、安全评估等，一项相关研究表明，预测误差每减少1%，一个10gw的发电厂每年可节省160万美元。因此，准确的短期电力负荷预测不仅可以保证园区电力系统的可靠运行，还可以防止发电成本的浪费，对园区电网的运行来说至关重要。
3.目前解决短期园区负荷预测的方法主要有：时间序列法、神经网络、支持向量机、回归分析法、模糊预测法等。时间序列法对已知负荷序列的平稳性要求较高，针对变化波动较大的负荷数据预测效果较差；神经网络算法是目前最先进的负荷预测方法，往往需要依赖大量的数据进行训练，需要很长的训练时间和大量计算资源；支持向量机法在实际问题中通常人为根据经验选取参数和核函数，带有一定随机性；回归分析法结构形式简单，对各种影响负荷的因素难以描述；模糊预测法在实际应用中要求提供较多的历史数据，对短期负荷预测精度较低。
4.此外，短期电力负荷预测依赖现有的历史数据，建立预测模型，对未来时刻或时间段内的负荷值进行预测。短期高维数据因其高维变量而具有丰富的信息，因此最近的负荷数据通常比过去更加久远的时间序列包含更多的关于近期未来演变的信息，对短期负荷预测来说更有价值，但也由于缺乏足够多的数据，通常的预测方法很难达到满意的精度，且短期高维数据还可能包含与目标变量无关的干扰信息，仅根据一段简短的数据序列来实现多步预测是一项具有挑战性的任务。


技术实现要素：

5.本发明要解决的技术问题是：克服现有技术的不足，提供一种能够对短期高维数据在类中进行精确预测的基于改进arnn的用户侧电力负荷数据处理方法。
6.本发明解决其技术问题所采用的技术方案是：该基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：包括如下步骤：s1基于k-means聚类算法将负荷数据进行分类；s2基于epps对人工神经网络节点数优化模型求解，得到每一类负荷曲线最优匹配节点数方案；s3基于动态识别算法建立数据种类识别模型，重构输入矩阵，并选择对应最优节点数；
s4基于改进的arnn建立短期高维负荷动态预测模型。
7.优选的，步骤s1中基于k-means聚类算法将负荷数据进行分类的方法包括如下步骤：s1.1随机选取数据样本中的k个点作为k个聚类的初始聚类中心；s1.2计算每个数据样本到k个聚类中心的距离，按距离最近划分为k个聚类；s1.3找出k个聚类的平均向量，并使用k个平均向量作为每个聚类的新聚类中心；s1.4重复s1.2和s1.3，直到聚类中心不再发生改变。
8.优选的，所述方法还包括，基于进化捕食智能优化算法对k类负荷预测模型分别进行求解，得到针对k类负荷曲线结构为4层的arnn的最优节点数方案。
9.优选的，步骤s3中基于动态识别算法建立数据种类识别模型，重构输入矩阵的方法包括如下步骤：s3.1输入数据分别与k类负荷数据在对应时刻值比较大小，确定输入数据是否在该类对应时间的最大最小值之间，找出满足数值大小条件的类别，若只有一个聚类中心满足，则输入数据属于该类；否则执行步骤s3.2；s3.2输入数据分别与第一步所得出的聚类中心在相同时间段进行斜率相似性比较，找出满足斜率条件的类别，若只有一个聚类中心满足，则输入数据属于该类；否则执行步骤s3.3；s3.3输入数据分别与第二步所得出的聚类中心在相同时刻进行功率大小相似性比较，找出满足功率条件的类别，若只有一个聚类中心满足，则输入数据属于该类；否则执行步骤s3.4；s3.4输入数据分别与第三步所得出的聚类中心在相同时间段进行步长相似性比较，找出满足步长条件的类别，若只有一个聚类中心满足，则输入数据属于该类，否则增加相似度系数，并再次执行s3.2，直至跳出循环。
10.优选的，所述方法还包括，输入数据的斜率方向和第k类负荷聚类中心的斜率方向分别为：；；其中，为输入负荷序列的斜率，为第 k 类负荷聚类中心的斜率。
11.优选的，所述方法还包括，二进制变量以及二进制变量的和分别为：
；；其中，，t为时刻；斜率条件为，其中为相似度。
12.优选的，所述方法还包括，输入负荷序列与第k类负荷的聚类中心功率的差值为：。
13.优选的，所述方法还包括，二进制变量和二进制变量的和分别为：；；其中，输入负荷序列与第 k 类负荷的聚类中心功率的最小功率差；功率条件为：。
14.优选的，所述方法还包括，输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离分别为：；；其中，为相邻时间间隔；输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离的差为：
；二进制变量以及二进制变量的和为：；；其中，输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离的最小步长距离差；步长条件为。
15.优选的，基于改进的arnn建立短期高维负荷动态预测模型包括如下步骤：s4.1根据输入数据矩阵构建基于arnn的sti方程：；其中， ，为的权重矩阵，为的权重矩阵，为的单位矩阵，为预测步长，为维数，为的重构输入数据矩阵，t=m，f为一前馈神经网络， =；s4.2更新矩阵，在中随机抽取k维变量，为：；其中，是权重矩阵的一部分，是权重矩阵的一部分；s4.3更新矩阵u和r：
；其中，为输入数据矩阵，及中的未知部分由以下解出：；其中，与均为增广矩阵；s4.4检查收敛性；收敛条件为：；其中，，为任意自然数，为迭代次数，为欧几里得范数；若不满足收敛条件，则执行步骤s4.2，若收敛条件满足，则确定矩阵及中的未知部分，并由s4.5输出目标变量；s4.5输出预测值；从s4.3的收敛结果中获得目标变量的位置未来值。
16.与现有技术相比，本发明所具有的有益效果是：本基于改进arnn的用户侧电力负荷数据处理方法构造了基于聚类与动态识别arnn的短期园区负荷预测模型，能准确有效的针对短期高维负荷数据实现多步预测，同时考虑了聚类动态识别特性，能够剔除与目标变量无关的变量，并利用epps优化出适用于各自类的神经网络节点数，使得输入数据在所属类中进行预测，适应于解决短期高维园区负荷预测问题。
附图说明
17.图1为基于改进arnn的用户侧电力负荷数据处理方法的流程图。
具体实施方式
18.下面结合具体实施例对本发明做进一步说明，然而熟悉本领域的人们应当了解，在这里结合附图给出的详细说明是为了更好的解释，本发明的结构必然超出了有限的这些实施例，而对于一些等同替换方案或常见手段，本文不再做详细叙述，但仍属于本技术的保
护范围。
19.图1是本发明的最佳实施例，下面结合附图1对本发明做进一步说明。
20.如图1所示：一种基于改进arnn的用户侧电力负荷数据处理方法，包括如下步骤：s1基于k-means聚类算法将负荷数据进行分类；s2基于epps对人工神经网络节点数优化模型求解，得到每一类负荷曲线最优匹配节点数方案；s3基于动态识别算法建立数据种类识别模型，重构输入矩阵，并选择对应最优节点数；s4基于改进的arnn建立短期高维负荷动态预测模型。
21.本发明构造了改进的arnn短期负荷预测模型，考虑了输入数据与历史数据之间的相似性，能准确有效的在数据不足的情况下实现短期负荷预测。
22.作为本实施例一种可能的实现方式，基于k-means聚类算法将负荷数据进行分类的方法，包括如下步骤：s1.1随机选取数据样本中的k个点作为k个聚类的初始聚类中心；s1.2计算每个数据样本到k个聚类中心的距离，按距离最近划分为k个聚类；s1.3找出k个聚类的平均向量，并使用k个平均向量作为每个聚类的新聚类中心；s1.4重复s1.2和s1.3，直到聚类中心不再发生改变。
23.作为本实施例的一种实现方式，基于epps对人工神经网络节点数优化模型求解，得到每一类负荷曲线最优匹配节点数方案的过程为：基于进化捕食智能优化算法对k类负荷预测模型分别进行求解，得到针对k类负荷曲线结构为4层的arnn的最优节点数方案。基于进化捕食智能优化算法详见期刊《information sciences》第327卷217~232页上名称为《evolutionary predator and prey strategy for global optimization》的内容。
24.作为本实施例的一种实现方式，基于动态识别算法建立数据种类识别模型，并重构输入矩阵的方法，包括如下步骤：s2.1输入数据分别与k类负荷数据在对应时刻值比较大小，确定输入数据在该类对应时间的最大最小值之间，即：；其中，，为第 k 类的所有负荷曲线，为输入负荷序列。
25.找出满足条件的类别，若只有一个聚类中心满足，则输入数据属于该类，否则进行下一步；s2.2输入数据分别与第一步所得出的聚类中心在相同时间段进行斜率相似性比较；输入数据的斜率方向和第k类负荷聚类中心的斜率和斜率方向分别为：
；；其中，为输入负荷序列的斜率，为第 k 类负荷聚类中心的斜率。
26.假设为二进制变量。每个相邻时间间隔内，哪一类的斜率方向与输入负荷序列的斜率方向相同，哪一类对应的计为1，其余计为0，求和得到。
27.；；其中，，t为输入数据的数量；斜率条件为，其中为相似度。
28.找出满足条件的类别，其中为相似度，若只有一个聚类中心满足，则输入数据属于该类，否则进行步骤s2.3；s2.3输入数据分别与第二步所得出的聚类中心在相同时刻进行功率大小相似性比较：；其中，为输入负荷序列与第k类负荷的聚类中心功率的差值。
29.假设为二进制变量。在某一时刻t，最小功率差对应类别的计为1，其余类别计为0，求和得到。
30.；
；其中，输入负荷序列与第 k 类负荷的聚类中心功率的最小功率差；功率条件为：。
31.找出满足条件的类别，若只有一个聚类中心满足，则输入数据属于该类，否则进行s2.4。
32.s2.4输入数据分别与第三步所得出的聚类中心在相同时间段进行步长相似性比较：；；其中，为相邻时间间隔，为输入负荷序列两点间步长距离，为第k类负荷的聚类中心两点间步长距离，为两者之差。
33.假设为二进制变量。在某一时刻t，最小步长距离差对应类别的计为1，其余类别计为0，求和得到。
34.；；其中，输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离的最小步长距离差；步长条件为；找出满足条件的类别，若只有一个聚类中心满足，则输入数据属于该类，否则增加相似度系数，并执行步骤s2.2，直至跳出循环。
35.根据动态识别算法的结果，输入数据与所属类别的所有数据构成新的输入矩阵，并选择该类最优节点数。
36.作为本实施例一种可能的实现方式，建立基于改进的arnn建立短期高维负荷动态
预测模型的方法包括如下步骤：根据前述聚类、识别及节点优化结果，重构输入数据矩阵，并判断arnn使用哪一类对应的节点数。arnn的过程即为迭代求解的过程，输入数据矩阵的即为所求的目标预测变量，重构输入矩阵，其中为输入序列，为输入序列所属类别的负荷。
37.；；s4.1根据输入数据矩阵构建基于arnn的sti（spatiotemporal information）方程：；其中， ，为的权重矩阵，为的权重矩阵，为的单位矩阵，为预测步长，为维数，在此案例中表示天数，为的重构输入数据矩阵，t为时刻，t=m，f为一前馈神经网络。经过f转换为维变量，和为已知的，u、v与中包含的待预测值为未知的。另外，神经网络f的权重值是随机给定并固定的，与最初设为空矩阵，并在s5.2和s5.3中更新，初始化为0。
38.s4.2更新矩阵，在中随机抽取k维变量（），为：
；其中，是权重矩阵的一部分，是权重矩阵的一部分；s4.3更新矩阵u和r：；及中的未知部分由以下解出：；其中，与均为增广矩阵；s4.4检查收敛性：该算法的收敛条件为：；其中，，为任意自然数，为迭代次数，为欧几里得范数；若不满足收敛条件，则执行步骤s4.2并更新v矩阵，经过足够多的这样的迭代后，若收敛条件满足，则确定矩阵及中的未知部分，并由s4.5输出目标变量；s4.5输出预测值；从s4.3的收敛结果中获得目标变量的位置未来值。
39.本发明通过基于聚类与动态识别arnn策略能够有效应对短期高维园区负荷预测问题，实现了短期高维负荷在类中进行预测，提高了短期负荷预测的准确性。
40.下面以一个实例具体说明本发明基于改进arnn的用户侧电力负荷数据处理方法，在该实例中以某园区232天负荷数据为研究对象，每分钟取一个负荷值，每天共1440个数据。首先将第1天到第231天的数据按天数进行聚类，共分为三类，其中第一类包含65天，第二类包含121天，第三天包含45天，利用epps分别得出三类数据集对应的神经网络f的最优节点数，其次设定输入长度，此处设定为30，输入第232天前30个时刻的数据，利用聚类识别对其与三类数据进行比较，判断其属于哪一类，并与同类别数据集相同时间段的数据构成
，作为arnn的输入，预测出第31到33个时刻的数据，下一刻则输入第2个时刻到第31个时刻的数据，过程同理，预测出第32到34个时刻的数据，以此建立滚动预测模型。
41.经过聚类和动态识别，输入序列与同类的负荷组成输入矩阵，在改进的arnn框架中，储层组件包含一个权值随机固定，但节点数为最优的多层神经网络f，其有时变输入。基于延迟嵌入理论，预测目标向量通过两个权重矩阵u和v和神经网络f的处理形成。该结构在聚类和动态识别的预处理下，解决了传统的arnn在数据突变情况下进行短期负荷预测不准确的弊端，增强鲁棒性，即使在短期时间序列下也能准确预测目标变量r的未来信息。
42.表1 不同预测模型在淄博园区232天数据集上的性能评估
43.表一给出了采用不同预测模型的预测精度对比，本发明采用了四种常用指标来评估预测误差：归一化平均绝对误差（normalized mean absolute error, nmae）、归一化均方根误差（normalized root mean square error, nrmse）、平均绝对百分比误差（mean absolute percentage error, mape）和willmott一致性指数（willmott index of agreement, ia）。计算公式如下：；；；。
44.其中，num=1440，为真实值，为预测值，为真实值的平均值，为真实值的最大值。在这四个指标中，nmae、nrmse或mape的值越小，说明预测结果越准确或稳定，ia是模型预测误差程度的标准化度量，在0到1范围内波动，其值越接近1，说明预测值
与实际值越匹配，预测误差越小。
45.从表1可以看出，基于聚类与动态识别arnn的nmae、nrmse和mape值最小，相比于elman神经网络、反向传播神经网络（back-propagation，bp）和广义回归神经网络（generalized regression neural network，grnn），误差减少了一半及以上，且ia值高达0.9666，最接近1，说明基于聚类与动态识别的arnn预测结果最准确。其中，grnn采取了四次交叉验证方法训练神经网络，并用循环找出了最佳spread值，但效果仍然不如本发明的方法效果理想， elman和bp依靠不同的训练集测试集的划分，需要先用训练集训练网络，然后将训练好的网络进行预测，预测结果不稳定，容易出现过拟合现象，不确定性因素较多，而arnn不需要进行训练，本质上没有训练过程，依靠sti与储层计算的结合，输入数据一经输入，经过聚类动态识别后就可预测出下一时刻的负荷值，无论从效果还是投入应用方面本发明的预测性能都优于其他算法。
46.以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

技术特征：
1.一种基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：包括如下步骤：s1基于k-means聚类算法将负荷数据进行分类；s2基于epps对人工神经网络节点数优化模型求解，得到每一类负荷曲线最优匹配节点数方案；s3基于动态识别算法建立数据种类识别模型，重构输入矩阵，并选择对应最优节点数；s4基于改进的arnn建立短期高维负荷动态预测模型。2.根据权利要求1所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：步骤s1中基于k-means聚类算法将负荷数据进行分类的方法包括如下步骤：s1.1随机选取数据样本中的k个点作为k个聚类的初始聚类中心；s1.2计算每个数据样本到k个聚类中心的距离，按距离最近划分为k个聚类；s1.3找出k个聚类的平均向量，并使用k个平均向量作为每个聚类的新聚类中心；s1.4重复s1.2和s1.3，直到聚类中心不再发生改变。3.根据权利要求1所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：所述方法还包括，基于进化捕食智能优化算法k类负荷预测模型分别进行求解，得到针对k类负荷曲线结构为4层的arnn的最优节点数方案。4.根据权利要求1所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：步骤s3中基于动态识别算法建立数据种类识别模型，重构输入矩阵的方法包括如下步骤：s3.1输入数据分别与k类负荷数据在对应时刻值比较大小，确定输入数据是否在该类对应时间的最大最小值之间，找出满足数值大小条件的类别，若只有一个聚类中心满足，则输入数据属于该类；否则执行步骤s3.2；s3.2输入数据分别与第一步所得出的聚类中心在相同时间段进行斜率相似性比较，找出满足斜率条件的类别，若只有一个聚类中心满足，则输入数据属于该类；否则执行步骤s3.3；s3.3输入数据分别与第二步所得出的聚类中心在相同时刻进行功率大小相似性比较，找出满足功率条件的类别，若只有一个聚类中心满足，则输入数据属于该类；否则执行步骤s3.4；s3.4输入数据分别与第三步所得出的聚类中心在相同时间段进行步长相似性比较，找出满足步长条件的类别，若只有一个聚类中心满足，则输入数据属于该类，否则增加相似度系数，并再次执行s3.2，直至跳出循环。5.根据权利要求4述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：所述方法还包括，输入数据的斜率方向和第k类负荷聚类中心的斜率方向分别为：；
；其中，为输入负荷序列的斜率，为第 k 类负荷聚类中心的斜率。6.根据权利要求5所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：所述方法还包括，二进制变量以及二进制变量的和分别为：；；其中，，t为时刻；斜率条件为，其中为相似度。7.根据权利要求4所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：所述方法还包括，输入负荷序列与第k类负荷的聚类中心功率的差值为：。8.根据权利要求7所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：所述方法还包括，二进制变量和二进制变量的和分别为：；；其中，输入负荷序列与第 k 类负荷的聚类中心功率的最小功率差；功率条件为：。9.根据权利要求4所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：所述方法还包括，输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离分别为：
；；其中，为相邻时间间隔；输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离的差为：；二进制变量以及二进制变量的和为：；；其中，输入负荷序列两点间步长距离和第k类负荷的聚类中心两点间步长距离的最小步长距离差；步长条件为。10.根据权利要求1所述的基于改进arnn的用户侧电力负荷数据处理方法，其特征在于：基于改进的arnn建立短期高维负荷动态预测模型包括如下步骤：s4.1根据输入数据矩阵构建基于arnn的sti方程：；其中， ，为的权重矩阵，为的权重矩阵，为的单位矩阵，为预测步长，为维数，为的重构输入数据矩阵，t=m，f为一前馈神经网络， =；s4.2更新矩阵，在中随机抽取k维变量，为：
；其中，是权重矩阵的一部分，是权重矩阵的一部分；s4.3更新矩阵u和r：；其中，为输入数据矩阵，及中的未知部分由以下解出：；其中，与均为增广矩阵；s4.4检查收敛性；收敛条件为：；其中，，为任意自然数，为迭代次数，为欧几里得范数；若不满足收敛条件，则执行步骤s4.2，若收敛条件满足，则确定矩阵及中的未知部分，并由s4.5输出目标变量；s4.5输出预测值；从s4.3的收敛结果中获得目标变量的位置未来值。

技术总结
本发明提供了一种基于改进ARNN的用户侧电力负荷数据处理方法，属于数据处理技术领域。S1基于K-means聚类算法将负荷数据进行分类；S2基于EPPS对人工神经网络节点数优化模型求解，得到每一类负荷曲线最优匹配节点数方案；S3基于动态识别算法建立数据种类识别模型，重构输入矩阵，并选择对应最优节点数；S4基于改进的ARNN建立短期高维负荷动态预测模型。本发明能准确有效的针对短期高维负荷数据实现多步预测，同时考虑了聚类动态识别特性，能够剔除与目标变量无关的变量，并利用EPPS优化出适用于各自类的神经网络节点数，使得输入数据在所属类中进行预测，适应于解决短期高维园区负荷预测问题。区负荷预测问题。区负荷预测问题。


技术研发人员：陈佳佳 刘璟瑶 闫贵金 徐丙垠 陈文钢 丛新棚 王敬华 赵艳雷
受保护的技术使用者：山东科汇电力自动化股份有限公司
技术研发日：2023.04.17
技术公布日：2023/7/13