[发明专利]基于MBG优化的电力负荷时间序列预测方法

说明书

本发明公开了一种基于小批量梯度下降优化(MBG)算法的电力负荷时间序列预测方法。该方法首先采用一种组合(CM)模型对电力负荷时间序列进行建模，然后采用一种小批量梯度下降优化(MBG)算法对CM模型的参数集进行在线优化，最后通过定义的最小信息量准则来选择用于对电力负荷时间序列进行在线预测的CM模型阶次。本发明提出方法可有效提高电力负荷时间序列预测的实时性和精确性。

技术领域

本发明涉及电力系统的负荷时间序列预测技术领域，尤其涉及一种基于小批量梯度下降优化(MBG)算法的电力负荷时间序列预测方法。

背景技术

对电力负荷进行准确的预测，尤其是短期预测，可用来改善负载对电力系统的影响，其对电厂制定更合理的发电计划、减少成本以及风电场参与发电竞争等都具有重要的作用。传统的短期电力负荷预测模型有ARIMA模型、参数回归模型、卡尔曼滤波模型等。目前，伴随着计算机技术的高速发展和人工智能技术在电力系统中的广泛应用，神经网络、专家系统、支持向量机等模型也已被应用于电力负荷时间序列的预测上。随着能源互联网的发展、新能源的接入、负荷之间信息的加强，电网对负荷预测中数据处理的实时性和准确性提出了更高的要求，如何解决神经网络、专家系统、支持向量机等复杂非线性模型的预测实时性和准确性之间的矛盾依然是一个关键科学问题。

以往的研究表明，采用神经网络模型和自回归模型相结合而建立的组合(CM)模型可以很好的综合二者之间的优点。建立的CM模型可以有效避免单独采用神经网络模型来优化电力负荷时间序列而造成的神经网络非线性参数过多、阶次较高及实时性较差的问题，同时也可以有效避免仅仅采用自回归模型而造成的非线性逼近能力弱的缺陷。目前，针对CM模型的参数优化方法有列文伯格-马夸尔特法、结构化的非线性优化方法和变量投影算法等，但该类方法均为离线参数优化方法，在线预测过程中模型的参数均固定不变，因此模型的精度和实时性较差。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提出一种基于小批量梯度下降优化(MBG)算法的电力负荷时间序列预测方法。该方法首先采用一种组合(CM)模型对电力负荷的时间序列进行建模，然后采用MBG算法对CM模型的参数进行在线优化，该方法可显著提高CM模型对电力负荷时间预测的实时性和准确性。

为解决上述技术问题，本发明所采用的技术方案是：基于MBG优化的电力负荷时间序列预测方法，包括以下步骤：

1)对电力系统的负荷数据进行实时采集，获得电力负荷时间序列数据；

2)采用一种CM模型对电力负荷时间序列进行建模；

3)采用小批量梯度下降优化(MBG)算法对步骤2)中设计的CM模型的参数集θ进行在线优化；

4)采用最小信息量准则来选择最优CM模型的阶次p和m。

步骤2)中，用于对电力负荷时间序列进行建模的CM模型结构如下：