首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 面向电力需求分析的多源数据处理算法设计

面向电力需求分析的多源数据处理算法设计

2025-03-11 50 上传者：管理员

摘要：针对电力需求端复杂度提高所带来的电力负荷预测精度差的问题，文中基于电力系统数供平台的多源数据提出了一种面向电力需求分析的负荷预测算法，以此辅助提高电网的运行控制水平。该算法利用SVM算法提取输入数据特征，对于SVM算法参数较为复杂的缺点，通过引入GWO算法对SVM的初始化参数进行优化。利用LightGBM模型在搜索和分割领域的性能优势，对数据特征展开训练并输出负荷预测结果，同时基于Stacking集成学习框架，将所提算法进行融合，从而有效提升了算法的运算效率及预测精度。在实验结果中，所提算法的计算效率较原算法有显著提升，迭代次数减少了近50%，性能参数也在对比算法中处于领先，体现了算法性能的优越性。

关键词：
LightGBM
多源数据分析
支持向量机
灰狼优化算法
电力负荷预测
加入收藏

在用电需求日益增长的背景下,小范围精确供电是电力分配科学规划的前提｡准确可靠的用电量预测方法是精确供电的基础,也是近年来小区智能电网的关键技术之一｡然而,面向需求侧的电力负荷预测方法实施难度较大,易受极端天气､重要节日和突发事件影响｡随着电网异质能源种类的不断增加,数据的分析过程愈发复杂[1-3]｡

随着能源互联网技术的推进以及电网数供平台的应用,用户可以通过数供平台与客服交流,电力运营企业就能通过平台获取客户的需求｡同时,凭借数供平台的跨平台连接能力和环境感知能力,也能够获取用户的消费数据(用电量､平均用电负荷)､系统运行信息(电流､电压)､天气信息(温度､湿度､光照强度)以及其他信息(位置､所在区块)等｡这其中包含着多种多源数据,通过数据深度分析流程就能够从中提取用户需求侧特征,从而为制定､分析响应政策提供有力支持｡文中基于人工智能算法从数供平台的多源数据中提取数据特征,进而对负荷的模式和趋势进行分析与识别,以辅助制定更加积极的需求响应策略｡

1、电网负荷预测算法设计

1.1基于支持向量机的特征提取模型

支持向量机(SupportVectorMachine,SVM)[4-6]是一种基于超平面进行数据分类和回归分析的机器学习算法,其定义与超平面密切相关｡

图1SVM算法示意图

如图1所示,假设存在一个线性或非线性的函数S可以将实线所示的超平面g(x)分开,样本点x到超平面的距离为γ｡同时,样本点x到g(x)的投影为x0,ω为g(x)的法向量｡此时的映射关系如式(1)所示:

由此可以得到样本点到g(x)的几何距离为:

在样本数据分类的平面中,最优超平面的目标函数可以定义为minγˉ｡此时,目标函数的求解过程可以表示为:

式中,C为惩罚因子,ξi为定义的松弛因子,b为偏置,s.t.表示的是限制条件｡使用拉格朗日算子可求得超平面最优参数,如式(4)所示:

式中,xr和xs均为支持向量｡

以上为线性超平面的求解过程,若样本集合为线性不可分集合,则需要引入径向基核函数代替原来超平面的内置坐标,如式(5)所示:

式中,σ为自由参数｡由此可以得到所求解的问题如式(6)所示:

最终可得到线性不可分超平面,如式(7)所示:

1.2基于LightGBM的负荷预测模型

LightGBM(LightGradientBoostingMachine)[7-9]是一种基于GBDT的算法模型,GBDT(GradientBoostingDecisionTree)算法[10]是一种基于分类回归树的模型,模型输出通常由k棵树组成,如式(8)所示:

式中,F为树集合空间,fi为第i棵树,xi为样本输入数据｡树的迭代过程如式(9)所示:

在上述迭代过程中可知,GBDT采用梯度下降法创建树,随着迭代的进行,模型残差值下降,但该方法仅关注一阶函数信息,对二阶函数关注不足｡

因此,LightGBM通过GOSS(Gradient-basedOne-SideSampling)算法和直方图算法对搜索区域进行加速,同时使用不同的树叶生长策略对树的深度进行限制｡

GOSS算法首先将所有样本数据的绝对值进行降序排列,将梯度最大的数据作为子集合P,剩余部分随机抽取数据作为子集合Q,大小梯度数据的采样率分别为a和b｡对于分割特征j而言,若损失函数为S(·),则节点v的增益如下所示:

LightGBM使用了直方图排布进一步寻找最优的分割点,同时还降低了算法的内存占用,如图2所示｡图中的特征j被切分成多个子特征,然后对多个子特征的直方图进行重新排序｡

图2直方图排布算法

文中还使用了树叶生长搜索策略来避免树深度较大而导致的过拟合,生长策略如图3所示｡在图3(a)所示的按层生长策略中,算法对每一层的节点进行搜索以及分割,计算资源效率较低;而LightGBM使用图3(b)所示的按层生长策略,对树的层深进行限制,避免了因为树的层数过多所造成的过度拟合问题｡

图3不同生长策略对比

1.3基于GWO的模型参数优化算法

灰狼优化算法(GreyWolfOptimizer,GWO)[11-13]是一种基于仿生学的启发式优化算法,其通过设置多个最优解进而得到种群个体最优位置｡相较于其他智能算法,GWO可以显著降低算法陷入局部最优解的概率｡

GWO算法的狼群个体可以分为α､β､δ和ω这4种,假定个体与猎物间距为D,则距离公式以及位置优化公式分别如式(13)和式(14)所示:

式中,X为狼群个体的位置向量,---Xp为目标的位置向量,A和C为系数向量,t为迭代次数｡GWO算法流程如图4所示｡

1.4短期电力负荷预测模型

Stacking集成学习框架[14-16]是双层的算法集成架构,该框架可以融合多个算法进而有效提升学习效果,同时也可以避免算法串行和结构复杂导致的过拟合现象｡

Stacking集成学习框架主要执行过程为:分割数据原始集合,以多个子数据集作为第一层算法基础模型,将其预测结果作为第二层模型输入,这样可以大幅增强输入数据特征挖掘程度,且第二层模型可纠正第一层模型预测误差,提升整体预测准确度｡所提算法模型如图5所示｡

在图5所示的算法模型中,输入数据为从智能电表终端提取的多源数据,第一层预测模型使用3个并行的GWO-SVM算法进行特征提取,第二层预测模型使用LightGBM进行特征分类,最终得到预测结果｡

2、实验分析

2.1数据集以及运行环境介绍

为更客观地对所提算法性能进行评估,文中使用了RMSE和MAPE两项作为评估指标｡两项指标数值越小,表示算法的预测误差越小｡

图5算法模型的总体架构

数据集使用某地区电网数供平台2019—2022年度的多源异构数据,该数据包括从客服对话中提取的客户侧用电需求以及电网侧相关使用数据｡将2019—2021年数据作为训练集,2022年的数据作为验证数据集｡同时,按照用电量的不同分为两个数据集,春秋季作为数据集1,夏冬季作为数据集2｡该算法的运行环境以及使用的实验平台如表1所示｡

表1算法运行环境

2.2算法测试

首先,需要确定该算法所对应的最优变量个数,以不同变量个数进行的预测实验结果如表2所示｡根据实验结果可以看出,当变量个数达到40时,MAPE和RMSE均不再有下降趋势,因此设定算法的变量个数为40｡

表2变量个数误差对比结果

SVM算法由GWO进行优化并同时采用了双层集成结构,为验证算法在迭代次数方面的优势,以同类型算法PSO(ParticleSwarmOptimization)､ABC(ArtificialBeeColony)､ACO(AntColonyOptimization)､FA(Fire-wordsAlgorithm)对迭代次数进行对比测试分析,实验分别进行10次再取平均值,结果如表3所示｡

表3算法迭代次数

由表3可以看出,同类型算法迭代次数差别较小,而所提算法使用集成算法,采用并行的方式提高了算法的运行效率,使模型在训练相同量级数据的情形下,具有更快的收敛速度｡相较原始算法,所提算法的迭代次数减小了约17次,充分体现了算法改进的有效性｡

为了验证所提算法预测性能的优越性,以电力负荷预测中常用算法LSTM(LongShort-TermMemoryNetwork)､ELM(ExtremeLearningMachine)､XGBoost(eXtremeGradientBoosting)､MLP(MultilayerPerceptron)以及CNN(ConvolutionalNeuralNetworks)作为对比,实验结果如表4所示｡

表4模型预测结果

在相同测试条件下,由表4可知,所提算法在所有对比算法中处于领先地位,其RMSE和MAPE指标均最小｡该算法借助双层结构获取特征更丰富的输入数据集,从而实现高精度电力负荷预测｡

3、结束语

针对我国电网用户需求侧分析能力不足的问题,此次使用数供平台的多源数据提取出用户需求侧特征对电力负荷进行预测｡首先,通过SVM算法模型提取输入数据的特征｡同时使用GWO优化SVM的参数,以此提升了算法运行效率｡接着,利用LightGBM在搜索和分割领域的优势对算法特征进行学习,然后输出预测结果｡实验结果表明,算法可以深入学习输入数据特征,进而通过分析用户需求实现高精度的电力负荷预测,具有工程实用价值｡

参考文献:

[1]马爽,王绎.基于用户用电行为预测的需求侧负荷调控[J].北京信息科技大学学报(自然科学版),2022,37(5):35-39.

[2]朱珂言,王玮,李雪寒.计及需求侧资源主动响应的含风电互联系统负荷频率控制[J].科学技术与工程,2022,22(20):8708-8717.

[3]朱健安,魏云冰,朱鹏杰,等.基于优化灰色傅里叶残差修正的中长期负荷预测[J].电子科技,2021,34(12):49-55.

[4]胡乙丹,姜吉祥,董霞.基于结合聚类与SVM参数寻优的短期电力负荷预测方法[J].电力信息与通信技术,2022,20(5):54-60.

[5]王宁,田家英,董宁,等.基于改进SVM的智能电网调控系统实时风险评估与预警技术[J].沈阳工业大学学报,2022,44(1):7-13.

[6]姜雯,吴陈.基于自适应粒子群的SVM参数优化研究[J].计算机与数字工程,2021,49(7):13021304,1309.

[7]唐朝飞,努尔布力,艾壮.基于LightGBM的网络入侵检测研究[J].计算机应用与软件,2022,39(8):298-303,311.

[8]李占山,姚鑫,刘兆赓,等.基于LightGBM的特征选择算法[J].东北大学学报(自然科学版),2021,42(12):1688-1695.

[9]刘中强,邹维维.基于采样技术和LightGBM的用户用电异常检测模型[J].计算机系统应用,2021,30(9):232-236.

[10]余佶成,周峰,王江储,等.基于多维特征和GBDT模型的输电线路线损率预测[J].计算机应用与软件,2022,39(6):82-86,126.

[11]王玉婷,李春华.基于GWO的微电网能源调度管理研究[J].计算机与数字工程,2022,50(8):16911695.