[发明专利]一种电网负荷预测方法

说明书

本发明提供过了一种电网负荷预测方法，用于预测动态电网的指定区域的符合，包括步骤：S100，建立一个区域的电网负荷与电力价格之间的关系模型；S200，获取所述区域内的一个电力价格序列；S300，根据所述关系模型代入所述电力价格序列，求解获得所述区域的电网负荷序列。本发明对于一个分区区域的电力价格进行整理采集，并建立基于机器学习的关于电力价格与电网负荷的动态的关系模型，以便在获取一个电力价格序列后，基于该关系模型获得该区域的电网负荷序列。

技术领域

本发明涉及电气工程技术领域，尤其设计一种用于动态分区下的电网负荷预测方法。

背景技术

负荷预测是影响电网调度与电量平衡的关键，准确的负荷预测对于优化电力机组安排，减少机组备用容量以及电力市场的交易具有重要意义。现有技术中扶负荷预测在一个地理意义上的固定分区中，提取该地区的历史天气数据和当前天气数据或者预测天气数据对该分区下负荷进行预测，天气本身随机性较强，并且与地理位置唯一绑定，当分区区域动态改变时，难以提供一个误差稳定的预测结果。

强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习的常见模型是标准的马尔可夫决策过程（MarkovDecisionProcess,MDP）。按给定条件，强化学习可分为基于模式的强化学习（model-basedRL）和无模式强化学习（model-freeRL），以及主动强化学习（activeRL）和被动强化学习（passiveRL）。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数（valuefunction）算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习。强化学习理论受到行为主义心理学启发，侧重在线学习并试图在探索-利用（exploration-exploitation）间保持平衡。不同于监督学习和非监督学习，强化学习不要求预先给定任何数据，而是通过接收环境对动作的奖励（反馈）获得学习信息并更新模型参数。强化学习问题在信息论、博弈论、自动控制等领域有得到讨论，被用于解释有限理性条件下的平衡态、设计推荐系统和机器人交互系统[3]。一些复杂的强化学习算法在一定程度上具备解决复杂问题的通用智能，可以在围棋和电子游戏中达到人类水平。

粒子群优化算法(ParticleSwarmOptimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarmintelligence,SI)的一种。它可以被纳入多主体优化系统(MultiagentOptimizationSystem,MAOS)。粒子群优化算法是由Eberhart博士和kennedy博士发明。PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略，即最简单有效的就是搜寻离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。

发明内容

本发明目的在于提供一种电网负荷预测方法，能够提高预测结果的准确率。

本发明提供方案是一种电网负荷预测方法包括步骤：