[发明专利]一种短期负荷预测方法

说明书

本发明公开了一种短期负荷预测方法。通过多轮训练获得一系列弱学习器，然后补偿弱学习器的缺点，构建强学习器，最终最小化浅层神经网络的输出误差，从而提高浅层神经网络的预测精度。设计的损失函数对异常负载数据具有鲁棒性，因此适合于AC/DC配电系统中的负荷预测。改进了神经网络、灰色理论和支持向量机等传统的短期负荷预测方法的精度。

技术领域

本发明涉及电网技术，特别是涉及交直流配电系统短期负荷预测方法。

背景技术

随着配电网络中电子电气设备的高速发展，新能源的整合使能源结构发生了变化，因此不同能源和新型负荷的接入导致负荷的急剧变化。交流配电网很难满足新能源并网发电和大规模直流负载的需求。所以准确的负荷预测对于交直流配电系统的调度非常重要。

发明内容

本发明的目的是针对交流直流配电系统，提出一种集成学习的交直流配电系统短期负荷预测方法。优化了负荷预测精度和鲁棒性。

为达到此目的，本发明采用以下技术方案：

一种短期负荷预测方法，包括以下步骤：

步骤1：选取初始数据；

步骤2：通过多轮训练来获得一系列的弱学习器；

步骤3：将每个弱学习器的预测结果添加到强学习器中，得到最终的强学习器，并获得预测结果。

上述步骤2还包括如下步骤：

步骤2.1：建立L(y,f(x))为损失函数，弱学习器初始化为f₀(x)

步骤2.2：对于k＝1,2,…,K，计算负梯度如(2)所示

步骤2.3：基于建立一个迭代过程中的弱学习器h_k(x)，其中最优学习率γ_k由线性搜索计算得出，如(3)所示

步骤2.4：更新弱学习器f_k(x)

f_k(x)＝f_k-1(x)+γ_kh_k(x)  (4)

上述损失函数细分定义如下：

当a的值小时，该函数为二次函数，当a的值较大时该函数为线性函数，而当|a|＝δ时，则为线性函数，并且这两个函数具有相等的值和不同的斜率。

本发明具有以下的有益效果：

(1)与传统的神经网络，灰色理论以及支持向量机等传统的预测方法相比，具有较高的精度；

(2)设计的损失函数对异常的负载具有较强的鲁棒性，可减小泛化误差。

附图说明

图1为本发明一具体实施方式的流程图；

图2为图1中步骤S2的具体流程图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步的介绍。

本具体实施方式公开了一种短期负荷预测方法，其基于浅层神经网络的梯度提升方法(gradient boosting method based on shallow neural network,GBSNN)，参考图1所示，本发明主要包括以下步骤：