电力负荷非线性调和综合预测方法、装置及存储介质.pdf

《电力负荷非线性调和综合预测方法、装置及存储介质.pdf》由会员分享，可在线阅读，更多相关《电力负荷非线性调和综合预测方法、装置及存储介质.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911216709.4 (22)申请日 2019.11.29 (71)申请人 南方电网能源发展研究院有限责任 公司 地址 510000 广东省广州市南沙区丰泽东 路106号(自编1号楼)X1301-G4524(集 群注册)(JM) (72)发明人 董楠席云华杨少瑞 (74)专利代理机构 广州三环专利商标代理有限 公司 44202 代理人 郭浩辉麦小婵 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 17/18。

2、(2006.01) G06N 3/00(2006.01) (54)发明名称 电力负荷非线性调和综合预测方法、 装置及 存储介质 (57)摘要 本发明公开了基于人工免疫算法的电力负 荷非线性调和综合预测方法、 装置及存储介质， 所述方法： 建立基于AIS的调和平均综合预测模 型， 将电力负荷预测综合模型中各个单一电力负 荷预测模型的最优权重作为抗原， 将权重的解作 为抗体， 模拟生物免疫系统的工作原理； 使用以 下4种模型得到预测结果： 计量经济模型、 逐步回 归模型、 灰色指数平滑模型、 模糊聚类模型； 搜索 最优权重； 即， 通过抗体的初始化、 目标函数的计 算、 免疫遗传评价和免疫遗传操作。

3、选择、 交叉和 变异等过程来搜索得到全局最优解。 本发明具有 较强的、 鲁棒的信息处理能力， 并且在对问题进 行求解时， 不要求目标函数具有可导等高附加信 息， 在搜索过程中效率更高。 权利要求书5页 说明书12页 附图3页 CN 111079995 A 2020.04.28 CN 111079995 A 1.一种电力负荷非线性调和综合预测方法， 其特征在于， 包括： S1.建立基于AIS的调和平均综合预测模型， 将电力负荷预测综合模型中各个单一电力 负荷预测模型的最优权重作为抗原， 将权重的解作为抗体， 模拟生物免疫系统的工作原理； S2.使用以下4种模型得到预测结果： 计量经济模型、 逐步。

4、回归模型、 灰色指数平滑模 型、 模糊聚类模型； S3.搜索最优权重； 即， 通过抗体的初始化、 目标函数的计算、 免疫遗传评价和免疫遗传 操作选择、 交叉和变异等过程来搜索得到全局最优解。 2.根据权利要求1所述的电力负荷非线性调和综合预测方法， 其特征在于， 步骤S1， 包 括： S11.设某一预测问题的某个指标实际值序列为yt(t1,2,n， n表示序列的长度)， fjt(t1,2,n； j1,2,m； m表示对此预测问题存在的单项预测方法数)为第j种单项 预测方法在第t时刻的预测值， 根据加权调和平均数计算公式， 令： 其中， 为第t时刻的加权调和平均综合预测值， j为第j种单项预测方。

5、法的加权系 数， 且j满足归一化约束条件： S12.为了计算加权调和平均综合预测的权系数， 可将上式变化为： S13.假设在理想的情况下：即预测的误差不存在， 则有： 然而， 在预测实践中， 综合预测的误差一般均存在； 因此， 定义预测误差et： 其中， et称为加权调和平均综合预测的在第t时刻的预测误差； S14.建立最优化问题数学表达式； 综合预测的预测误差平方和越小越好， 因此， 以预测 误差平方和为准则的非负权系数的调和平均综合预测模型为下列最优化问题： 权利要求书 1/5 页 2 CN 111079995 A 2 记Rm(1,1,1)T为m维全1向量， e(e1,e2,en)T 则有。

6、： 矩阵形式记为： 3.根据权利要求1所述的电力负荷非线性调和综合预测方法， 其特征在于， 步骤S2， 包 括： S21.计量经济模型： 设置如下计量经济模型， 采用最小二乘法确定参数模型而做出预测： Q1A1+A2*CGDP+u； 其中， A1， A2为常数， u为随机扰动项， CGDP为地区生产总值， u为随机扰动项； S22.逐步回归模型： 对全部自变量， 按它们对预测结果贡献的大小进行比较， 并通过F检验法， 选择偏回归 平方和显著的变量进入回归方程， 每一步只引入一个变量， 同时建立一个偏回归方程； 当一个变量被引入后， 对原已引入回归方程的变量， 逐个检它们的偏回归平方和； 如果由。

7、于引入新的变量而使得已进入方程的变量变为不显著时， 则及时从偏回归方程 权利要求书 2/5 页 3 CN 111079995 A 3 中剔除； 不断重复这一过程， 直至无法剔除已引入的变量， 也无法引入新的自变量时， 逐步回归 模型结束； S23.灰色指数平滑模型： 当数据具有持续的曲线增长或下降趋势时， 采用三次指数平滑预测模型， 三次指数平 滑的计算公式为： 其中，为第t时期的i次指数平滑值， x(0)(t)为第t时期预测对象的实际值， (0 1)为加权系数； 从而可建立二次曲线预测模型： 参数at， bt， ct满足： 加权系数 既代表了预测模型时间序列变化的反映速度， 又决定了预测模型。

8、的修匀能 力； S24.模糊聚类模型： 从原始数据集Xxijn*s中找到一个隶属度矩阵Uuijc*n和聚类中心Vv1,v2 vc， 使得目标函数最小， 表示为： (uki0,1,k1,c,i1,n)； 约束条件： 其中， uki表示的是第i类数据隶属于第k类聚类中心的程度； 在原FCM的目标函数中引入模糊熵约束， 使得每一个数据对象隶属于某个聚类中心的 程度不仅受距离影响而且还受制于模糊熵， 最终可得到引入模糊熵约束的FCM算法的拉格 朗日函数定义为： 其中，是待聚类数据集的平均值， 体现出待聚类数据集的分布特性， 能增强 算法的抗噪性， 迭代运算过程中不容易陷入局部极值， 使用上述模型进行聚。

9、类。 4.根据权利要求1所述的电力负荷非线性调和综合预测方法， 其特征在于， 步骤S3， 包 括： 权利要求书 3/5 页 4 CN 111079995 A 4 S31.读取历史值， 抗原识别， 即， 理解待优化的问题， 对问题进行可行性分析， 提取先验 知识， 构造出合适的亲和度函数， 并制定各种约束条件； S32.产生初始抗体群， 通过编码把问题的可行解表示成解空间中的抗体， 在解的空间 内随机产生一个初始种群； S33.j归一化， 使得： S34.计算残差： S35.计算目标函数： S36.对种群中的每一个可行解进行亲和度评价； 即， 记忆单元的更新： 将与抗原亲和性 高的抗体加入到记忆。

10、单元， 并用新加入的抗体取代与其亲和性最高的原有抗体， 进行抗体 和抗体的亲和性计算； 抗体和抗体之间的亲和力反映抗体的相似程度， 当亲和力比较大时， 抗体就越相似， 反 之， 则相似程度较差， 采用下列公式计算抗体u与抗体v的亲和力： 其中， quv取值介于0和1之间， quv越小表明抗体u、 抗体v相似度越小； huv表示两个抗体u 与v的信息熵， 可用抗体之间的距离表示， M表示抗体基因的长度； S37.计算抗体浓度： 抗体u的浓度L(u)的计算公式， 如下， 其中， 其中， N为抗体个数， h2为设定的抗体亲和力阈值； 该计算公式将满足一定近似程度的抗 体看作同一抗体， 抗体浓度用来促。

11、进或抑制相似解的产生， 从而调节维持抗体的多样性； S38.计算个体的期望生存率； 抗体的选择通过盘轮旋转法按期望生存率来实现， 期望生存率高的抗体被选择到的可 能性越大， 反之， 可能性越小； 抗体u期望生存能率为： 权利要求书 4/5 页 5 CN 111079995 A 5 其中， 其中， h2为抗体浓度阈值； 在上式的设计中当抗体的适应度值较大、 且浓度较低时， 抗体 被选择的概率较大， 充分体现了保护较好抗体的同时， 也促进浓度较低的抗体， 保证了解抗 体在进化中的多样性。 S39.计算个体的亲和度fitness(u)； 抗原和抗体之间的适应度值反映可行解对目标函数的贴近能力， 它由。

12、优化问题的目标 函数变换得到； 抗体u与抗原的适应度值， 如下表示， Qufittness(u)； 其中， u为一抗体， fitness(u)为优化问题(抗原)和抗体(解)间的适应值函数(目标函 数)， 其值越大， 表示抗原和抗体越贴近， 该抗体对应的解方案越优秀； S310.判断是否达到循环终止条件， tT， 若满足则得到最优解输出， 若为满足， 种群刷 新， 以随机生成的新抗体替代种群中激励度较低的抗体， 形成新一代抗体， 找到本代中最优 个体， 更新全局最优个体； S311.进行免疫处理， 包括免疫选择、 克隆、 变异和克隆抑制； 重复执行步骤S33至S311。 5.一种电力负荷非线性调。

13、和综合预测装置， 其特征在于， 包括： 建模单元， 用于建立基于AIS的调和平均综合预测模型， 将电力负荷预测综合模型中各 个单一电力负荷预测模型的最优权重作为抗原， 将权重的解作为抗体， 模拟生物免疫系统 的工作原理； 预测单元， 用于使用以下4种模型得到预测结果： 计量经济模型、 逐步回归模型、 灰色指 数平滑模型、 模糊聚类模型； 搜索单元， 用于搜索最优权重； 即， 通过抗体的初始化、 目标函数的计算、 免疫遗传评价 和免疫遗传操作选择、 交叉和变异等过程来搜索得到全局最优解。 6.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计。

14、算机程序运行时控制所述计算机可读存储介质所在设备执行如权 利要求1-4任一项所述的电力负荷非线性调和综合预测方法。 权利要求书 5/5 页 6 CN 111079995 A 6 电力负荷非线性调和综合预测方法、 装置及存储介质 技术领域 0001 本发明涉及电力系统技术领域， 尤其涉及基于人工免疫算法的电力负荷非线性调 和综合预测方法、 装置及存储介质。 背景技术 0002 负荷预测是电力系统规划、 运营、 需求侧管理等工作开展的基础， 电力负荷预测工 作的水平已成为一个电力企业的管理是否走向现代化的显著标志之一。 尤其在我国电力事 业空前发展的今天， 用电管理走向市场， 电力负荷预测问题已经。

15、成为我们面临的重要而又 艰巨的任务。 0003 现有技术下的预测方法虽然研究的成果比较成熟， 但是各种不同的预测方法是在 一定假设条件下提出来的， 往往含有系统独立的信息， 这就意味着如果简单地将预测误差 较大的一些方法舍弃掉， 将会丢失一些有用的信息， 使预测精度受到影响。 发明内容 0004 本发明所要解决的技术问题在于， 提供基于人工免疫算法的电力负荷非线性调和 综合预测方法、 装置及存储介质， 具有较强的、 鲁棒的信息处理能力， 并且在对问题进行求 解时， 不要求目标函数具有可导等高附加信息， 在搜索过程中效率更高。 0005 为解决上述问题， 本发明实施例提供一种电力负荷非线性调和综。

16、合预测方法， 包 括： 0006 S1.建立基于AIS的调和平均综合预测模型， 将电力负荷预测综合模型中各个单一 电力负荷预测模型的最优权重作为抗原， 将权重的解作为抗体， 模拟生物免疫系统的工作 原理； 0007 S2.使用以下4种模型得到预测结果： 计量经济模型、 逐步回归模型、 灰色指数平滑 模型、 模糊聚类模型； 0008 S3.搜索最优权重； 即， 通过抗体的初始化、 目标函数的计算、 免疫遗传评价和免疫 遗传操作选择、 交叉和变异等过程来搜索得到全局最优解。 0009 优选地， 步骤S1， 包括： 0010 S11.设某一预测问题的某个指标实际值序列为yt(t1,2,n， n表示序。

17、列的 长度)， fjt(t1,2,n； j1,2,m； m表示对此预测问题存在的单项预测方法数)为第j 种单项预测方法在第t时刻的预测值， 根据加权调和平均数计算公式， 令： 0011 0012其中， 为第t时刻的加权调和平均综合预测值， j为第j种单项预测方法的加权 说明书 1/12 页 7 CN 111079995 A 7 系数， 且j满足归一化约束条件： 0013 0014 S12.为了计算加权调和平均综合预测的权系数， 可将上式变化为： 0015 0016S13.假设在理想的情况下：即预测的误差不存在， 则有： 0017 0018 然而， 在预测实践中， 综合预测的误差一般均存在； 因。

18、此， 定义预测误差et： 0019 0020 其中， et称为加权调和平均综合预测的在第t时刻的预测误差； 0021 S14.建立最优化问题数学表达式； 综合预测的预测误差平方和越小越好， 因此， 以 预测误差平方和为准则的非负权系数的调和平均综合预测模型为下列最优化问题： 0022 0023 记Rm(1,1,1)T为m维全1向量， 0024 e(e1,e2,en)T 0025 0026 0027 则有： 说明书 2/12 页 8 CN 111079995 A 8 0028 0029 矩阵形式记为： 0030 0031 优选地， 步骤S2， 包括： 0032 S21.计量经济模型： 0033 。

19、设置如下计量经济模型， 采用最小二乘法确定参数模型而做出预测： 0034 Q1A1+A2*CGDP+u； 0035 其中， A1， A2为常数， u为随机扰动项， CGDP为地区生产总值， u为随机扰动项； 0036 S22.逐步回归模型： 0037 对全部自变量， 按它们对预测结果贡献的大小进行比较， 并通过F检验法， 选择偏 回归平方和显著的变量进入回归方程， 每一步只引入一个变量， 同时建立一个偏回归方程； 0038 当一个变量被引入后， 对原已引入回归方程的变量， 逐个检它们的偏回归平方和； 0039 如果由于引入新的变量而使得已进入方程的变量变为不显著时， 则及时从偏回归 方程中剔除。

20、； 0040 不断重复这一过程， 直至无法剔除已引入的变量， 也无法引入新的自变量时， 逐步 回归模型结束； 0041 S23.灰色指数平滑模型： 0042 当数据具有持续的曲线增长或下降趋势时， 采用三次指数平滑预测模型， 三次指 数平滑的计算公式为： 0043 0044其中，为第t时期的i次指数平滑值， x(0)(t)为第t时期预测对象的实际值， (0 1)为加权系数； 从而可建立二次曲线预测模型： 0045 0046 参数at， bt， ct满足： 0047 0048 加权系数 既代表了预测模型时间序列变化的反映速度， 又决定了预测模型的修 匀能力； 0049 S24.模糊聚类模型： 0。

21、050 从原始数据集Xxijn*s中找到一个隶属度矩阵Uuijc*n和聚类中心Vv1, v2vc， 使得目标函数最小， 表示为： 说明书 3/12 页 9 CN 111079995 A 9 0051 0052约束条件： 0053 其中， uki表示的是第i类数据隶属于第k类聚类中心的程度； 0054 在原FCM的目标函数中引入模糊熵约束， 使得每一个数据对象隶属于某个聚类中 心的程度不仅受距离影响而且还受制于模糊熵， 最终可得到引入模糊熵约束的FCM算法的 拉格朗日函数定义为： 0055 0056其中，是待聚类数据集的平均值， 体现出待聚类数据集的分布特性， 能 增强算法的抗噪性， 迭代运算过。

22、程中不容易陷入局部极值， 使用上述模型进行聚类。 0057 优选地， 步骤S3， 包括： 0058 S31.读取历史值， 抗原识别， 即， 理解待优化的问题， 对问题进行可行性分析， 提取 先验知识， 构造出合适的亲和度函数， 并制定各种约束条件； 0059 S32.产生初始抗体群， 通过编码把问题的可行解表示成解空间中的抗体， 在解的 空间内随机产生一个初始种群； 0060 S33.j归一化， 使得： 0061 0062 S34.计算残差： 0063 0064 S35.计算目标函数： 0065 0066 S36.对种群中的每一个可行解进行亲和度评价； 即， 记忆单元的更新： 将与抗原亲 和性。

23、高的抗体加入到记忆单元， 并用新加入的抗体取代与其亲和性最高的原有抗体， 进行 抗体和抗体的亲和性计算； 0067 抗体和抗体之间的亲和力反映抗体的相似程度， 当亲和力比较大时， 抗体就越相 似， 反之， 则相似程度较差， 采用下列公式计算抗体u与抗体v的亲和力： 0068 0069 其中， quv取值介于0和1之间， quv越小表明抗体u、 抗体v相似度越小； huv表示两个抗 体u与v的信息熵， 可用抗体之间的距离表示， M表示抗体基因的长度； 0070 S37.计算抗体浓度： 说明书 4/12 页 10 CN 111079995 A 10 0071 抗体u的浓度L(u)的计算公式， 如下。

24、， 0072 0073 其中， 0074 0075 其中， N为抗体个数， h2为设定的抗体亲和力阈值； 该计算公式将满足一定近似程 度的抗体看作同一抗体， 抗体浓度用来促进或抑制相似解的产生， 从而调节维持抗体的多 样性； 0076 S38.计算个体的期望生存率； 0077 抗体的选择通过盘轮旋转法按期望生存率来实现， 期望生存率高的抗体被选择到 的可能性越大， 反之， 可能性越小； 0078 抗体u期望生存能率为： 0079 0080 其中， 0081 0082 其中， h2为抗体浓度阈值； 在上式的设计中当抗体的适应度值较大、 且浓度较低 时， 抗体被选择的概率较大， 充分体现了保护较好。

25、抗体的同时， 也促进浓度较低的抗体， 保 证了解抗体在进化中的多样性。 0083 S39.计算个体的亲和度fitness(u)； 0084 抗原和抗体之间的适应度值反映可行解对目标函数的贴近能力， 它由优化问题的 目标函数变换得到； 0085 抗体u与抗原的适应度值， 如下表示， 0086 Qufittness(u)； 0087 其中， u为一抗体， fitness(u)为优化问题(抗原)和抗体(解)间的适应值函数(目 标函数)， 其值越大， 表示抗原和抗体越贴近， 该抗体对应的解方案越优秀； 0088 S310.判断是否达到循环终止条件， tT， 若满足则得到最优解输出， 若为满足， 种 群。

26、刷新， 以随机生成的新抗体替代种群中激励度较低的抗体， 形成新一代抗体， 找到本代中 最优个体， 更新全局最优个体； 0089 S311.进行免疫处理， 包括免疫选择、 克隆、 变异和克隆抑制； 0090 重复执行步骤S33至S311。 0091 本发明实施例还提供一种电力负荷非线性调和综合预测装置， 包括： 0092 建模单元， 用于建立基于AIS的调和平均综合预测模型， 将电力负荷预测综合模型 中各个单一电力负荷预测模型的最优权重作为抗原， 将权重的解作为抗体， 模拟生物免疫 系统的工作原理； 说明书 5/12 页 11 CN 111079995 A 11 0093 预测单元， 用于使用以。

27、下4种模型得到预测结果： 计量经济模型、 逐步回归模型、 灰 色指数平滑模型、 模糊聚类模型； 0094 搜索单元， 用于搜索最优权重； 即， 通过抗体的初始化、 目标函数的计算、 免疫遗传 评价和免疫遗传操作选择、 交叉和变异等过程来搜索得到全局最优解。 0095 本发明实施例还提供一种计算机可读存储介质， 所述计算机可读存储介质包括存 储的计算机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备 执行如上述的电力负荷非线性调和综合预测方法。 0096 实施本发明实施例具有如下有益效果： 0097 本发明的方法采用人工免疫算法通过模拟免疫系统的学习、 记忆等功能来进行模。

28、 式识别和寻优搜索， 并将生物免疫系统的多样性调节机制运用到算法设计中， 使算法在搜 索过程中避免陷入局部最优。 本发明的模型从实验结果上对比计量经济模型， 逐步回归模 型， 灰色指数平滑模型和模糊聚类模型， 具有较高的预测精度。 而且本发明在人工免疫算法 基础模型上引入了种群的多样性控制， 提出了调和平均综合预测模型， 经实际系统负荷数 值验证， 表明了基于AIS的综合预测模型具有较高的预测精度。 在计算搜索的效率上比传统 的遗传算法有了很大提高， 具有进一步深入研究的价值。 附图说明 0098 图1是本发明一个实施例提供的基于人工免疫算法的电力负荷非线性调和综合预 测方法的流程示意图； 0。

29、099 图2是本发明一个实施例提供的免疫算法的基本流程图； 0100 图3是本发明一个实施例提供的逐步回归模型的流程图； 0101 图4是本发明一个实施例提供的预测模型的基本流程图。 具体实施方式 0102 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 本发明中的实施例， 本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。 0103 应当理解， 当在本说明书和所附权利要求书中使用时， 术语 “包括” 和 “包含” 指示 所描述特征。

30、、 整体、 步骤、 操作、 元素和/或组件的存在， 但并不排除一个或多个其它特征、 整 体、 步骤、 操作、 元素、 组件和/或其集合的存在或添加。 0104 还应当理解， 在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目 的而并不意在限制本发明。 如在本发明说明书和所附权利要求书中所使用的那样， 除非上 下文清楚地指明其它情况， 否则单数形式的 “一” 、“一个” 及 “该” 意在包括复数形式。 0105 还应当进一步理解， 在本发明说明书和所附权利要求书中使用的术语 “和/或” 是 指相关联列出的项中的一个或多个的任何组合以及所有可能组合， 并且包括这些组合。 0106 请参阅图。

31、1-4。 0107 一种电力负荷非线性调和综合预测方法， 包括： 0108 S1.建立基于AIS的调和平均综合预测模型， 将电力负荷预测综合模型中各个单一 说明书 6/12 页 12 CN 111079995 A 12 电力负荷预测模型的最优权重作为抗原， 将权重的解作为抗体， 模拟生物免疫系统的工作 原理。 0109 S2.使用以下4种模型得到预测结果： 计量经济模型、 逐步回归模型、 灰色指数平滑 模型、 模糊聚类模型。 0110 S3.搜索最优权重； 即， 通过抗体的初始化、 目标函数的计算、 免疫遗传评价和免疫 遗传操作选择、 交叉和变异等过程来搜索得到全局最优解。 0111 步骤S1。

32、， 包括： 0112 S11.设某一预测问题的某个指标实际值序列为yt(t1,2,n， n表示序列的 长度)， fjt(t1,2,n； j1,2,m； m表示对此预测问题存在的单项预测方法数)为第j 种单项预测方法在第t时刻的预测值， 根据加权调和平均数计算公式， 令： 0113 0114其中， 为第t时刻的加权调和平均综合预测值， j为第j种单项预测方法的加权 系数， 且j满足归一化约束条件： 0115 0116 S12.为了计算加权调和平均综合预测的权系数， 可将上式变化为： 0117 0118S13.假设在理想的情况下：即预测的误差不存在， 则有： 0119 0120 然而， 在预测实践。

33、中， 综合预测的误差一般均存在； 因此， 定义预测误差et： 0121 0122 其中， et称为加权调和平均综合预测的在第t时刻的预测误差； 0123 S14.建立最优化问题数学表达式； 综合预测的预测误差平方和越小越好， 因此， 以 预测误差平方和为准则的非负权系数的调和平均综合预测模型为下列最优化问题： 说明书 7/12 页 13 CN 111079995 A 13 0124 0125 记Rm(1,1,1)T为m维全1向量， 0126 e(e1,e2,en)T 0127 0128 0129 则有： 0130 0131 矩阵形式记为： 0132 0133 如图3。 步骤S2， 包括： 01。

34、34 S21.计量经济模型： 0135 设置如下计量经济模型， 采用最小二乘法确定参数模型而做出预测： 0136 Q1A1+A2*CGDP+u； 0137 其中， A1， A2为常数， u为随机扰动项， CGDP为地区生产总值， u为随机扰动项； 0138 S22.逐步回归模型： 0139 对全部自变量， 按它们对预测结果贡献的大小进行比较， 并通过F检验法， 选择偏 回归平方和显著的变量进入回归方程， 每一步只引入一个变量， 同时建立一个偏回归方程； 0140 当一个变量被引入后， 对原已引入回归方程的变量， 逐个检它们的偏回归平方和； 0141 如果由于引入新的变量而使得已进入方程的变量变。

35、为不显著时， 则及时从偏回归 方程中剔除； 0142 不断重复这一过程， 直至无法剔除已引入的变量， 也无法引入新的自变量时， 逐步 说明书 8/12 页 14 CN 111079995 A 14 回归模型结束； 0143 S23.灰色指数平滑模型： 0144 当数据具有持续的曲线增长或下降趋势时， 采用三次指数平滑预测模型， 三次指 数平滑的计算公式为： 0145 0146其中，为第t时期的i次指数平滑值， x(0)(t)为第t时期预测对象的实际值， (0 1)为加权系数； 从而可建立二次曲线预测模型： 0147 0148 参数at， bt， ct满足： 0149 0150 加权系数 既代表。

36、了预测模型时间序列变化的反映速度， 又决定了预测模型的修 匀能力； 0151 S24.模糊聚类模型： 0152 从原始数据集Xxijn*s中找到一个隶属度矩阵Uuijc*n和聚类中心Vv1, v2vc， 使得目标函数最小， 表示为： 0153 0154约束条件： 0155 其中， uki表示的是第i类数据隶属于第k类聚类中心的程度； 0156 在原FCM的目标函数中引入模糊熵约束， 使得每一个数据对象隶属于某个聚类中 心的程度不仅受距离影响而且还受制于模糊熵， 最终可得到引入模糊熵约束的FCM算法的 拉格朗日函数定义为： 0157 0158其中，是待聚类数据集的平均值， 体现出待聚类数据集的分。

37、布特性， 能 增强算法的抗噪性， 迭代运算过程中不容易陷入局部极值， 使用上述模型进行聚类。 0159 优选地， 步骤S3， 包括： 0160 S31.读取历史值， 抗原识别， 即， 理解待优化的问题， 对问题进行可行性分析， 提取 先验知识， 构造出合适的亲和度函数， 并制定各种约束条件； 0161 S32.产生初始抗体群， 通过编码把问题的可行解表示成解空间中的抗体， 在解的 说明书 9/12 页 15 CN 111079995 A 15 空间内随机产生一个初始种群； 0162 S33.j归一化， 使得： 0163 0164 S34.计算残差： 0165 0166 S35.计算目标函数： 。

38、0167 0168 S36.对种群中的每一个可行解进行亲和度评价； 即， 记忆单元的更新： 将与抗原亲 和性高的抗体加入到记忆单元， 并用新加入的抗体取代与其亲和性最高的原有抗体， 进行 抗体和抗体的亲和性计算； 0169 抗体和抗体之间的亲和力反映抗体的相似程度， 当亲和力比较大时， 抗体就越相 似， 反之， 则相似程度较差， 采用下列公式计算抗体u与抗体v的亲和力： 0170 0171 其中， quv取值介于0和1之间， quv越小表明抗体u、 抗体v相似度越小； huv表示两个抗 体u与v的信息熵， 可用抗体之间的距离表示， M表示抗体基因的长度； 0172 S37.计算抗体浓度： 01。

39、73 抗体u的浓度L(u)的计算公式， 如下， 0174 0175 其中， 0176 0177 其中， N为抗体个数， h2为设定的抗体亲和力阈值； 该计算公式将满足一定近似程 度的抗体看作同一抗体， 抗体浓度用来促进或抑制相似解的产生， 从而调节维持抗体的多 样性； 0178 S38.计算个体的期望生存率； 0179 抗体的选择通过盘轮旋转法按期望生存率来实现， 期望生存率高的抗体被选择到 的可能性越大， 反之， 可能性越小； 0180 抗体u期望生存能率为： 0181 0182 其中， 说明书 10/12 页 16 CN 111079995 A 16 0183 0184 其中， h2为抗体。

40、浓度阈值； 在上式的设计中当抗体的适应度值较大、 且浓度较低 时， 抗体被选择的概率较大， 充分体现了保护较好抗体的同时， 也促进浓度较低的抗体， 保 证了解抗体在进化中的多样性。 0185 S39.计算个体的亲和度fitness(u)； 0186 抗原和抗体之间的适应度值反映可行解对目标函数的贴近能力， 它由优化问题的 目标函数变换得到； 0187 抗体u与抗原的适应度值， 如下表示， 0188 Qufittness(u)； 0189 其中， u为一抗体， fitness(u)为优化问题(抗原)和抗体(解)间的适应值函数(目 标函数)， 其值越大， 表示抗原和抗体越贴近， 该抗体对应的解方案。

41、越优秀； 0190 S310.判断是否达到循环终止条件， tT， 若满足则得到最优解输出， 若为满足， 种 群刷新， 以随机生成的新抗体替代种群中激励度较低的抗体， 形成新一代抗体， 找到本代中 最优个体， 更新全局最优个体； 0191 S311.进行免疫处理， 包括免疫选择、 克隆、 变异和克隆抑制； 0192 重复执行步骤S33至S311。 0193 相对于现有技术， 本发明： 0194 遗传算法是一种基于多点随机搜索的启发式算法， 与传统的算法相比具有很多优 点， 但是在具体实施遗传算法的应用时， 往往会面临一些相互矛盾的问题， 如： 在迭代计算 后期， 种群中适应值大的个体数量上绝对占。

42、优， 失去了个体的多样性， 有时会出现早熟现象 而陷入局部最优。 尽管可以通过加大交叉率和变异率来避免种群的过早成熟现象， 但是过 大的交叉率和变异率将导致搜索效率降低， 从而降低收敛速度。 0195 考虑遗传算法的这些问题和免疫系统的特点， 一种新的算法被发掘出来： 人工免 疫算法。 人工免疫算法的研究始于20世纪80年代后期， 目前其研究还处于初级阶段。 其思想 来源于生物的免疫系统， 它通过模拟免疫系统的学习、 记忆等功能来进行模式识别和寻优 搜索。 并将生物免疫系统的多样性调节机制运用到算法设计中， 使算法在搜索过程中避免 陷入局部最优。 0196 使用的方法与4种模型对比， 模型(1。

43、)为计量经济模型， (2)为逐步回归模型， (3)为 灰色指数平滑模型， (4)为模糊聚类模型， 利用某地区的20002009年的预测结果作为历史 数据， 采用本文提出的模型对20102013年该地区的负荷进行综合预测测试， 所提出应用 AIS进行电力负荷的综合预测的调和平均预测模型能够获得较高的预测精度， 同时由于引 入了种群的多样性控制在计算搜索的效率上比传统的遗传算法有了很大提高， 具有进一步 深入研究的价值。 0197 建立的人工免疫算法预测模型对于地区负荷预测具有参考、 研究价值， 同样也可 以推广到区域电网(省、 市级电网)的负荷预测， 具有较广的适用性。 0198 本发明实施例还。

44、提供一种电力负荷非线性调和综合预测装置， 包括： 0199 建模单元， 用于建立基于AIS的调和平均综合预测模型， 将电力负荷预测综合模型 说明书 11/12 页 17 CN 111079995 A 17 中各个单一电力负荷预测模型的最优权重作为抗原， 将权重的解作为抗体， 模拟生物免疫 系统的工作原理； 0200 预测单元， 用于使用以下4种模型得到预测结果： 计量经济模型、 逐步回归模型、 灰 色指数平滑模型、 模糊聚类模型； 0201 搜索单元， 用于搜索最优权重； 即， 通过抗体的初始化、 目标函数的计算、 免疫遗传 评价和免疫遗传操作选择、 交叉和变异等过程来搜索得到全局最优解。 0。

45、202 本发明实施例还提供一种计算机可读存储介质， 所述计算机可读存储介质包括存 储的计算机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备 执行如上述的电力负荷非线性调和综合预测方法。 0203 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以 通过计算机程序来指令相关的硬件来完成， 所述的程序可存储于一计算机可读取存储介质 中， 该程序在执行时， 可包括如上述各方法的实施例的流程。 其中， 所述的存储介质可为磁 碟、 光盘、 只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(Random Access Memory， RAM)等。 0204 以上所述是本发明的优选实施方式， 应当指出， 对于本技术领域的普通技术人员 来说， 在不脱离本发明原理的前提下， 还可以做出若干改进和润饰， 这些改进和润饰也视为 本发明的保护范围。 说明书 12/12 页 18 CN 111079995 A 18 图1 图2 说明书附图 1/3 页 19 CN 111079995 A 19 图3 说明书附图 2/3 页 20 CN 111079995 A 20 图4 说明书附图 3/3 页 21 CN 111079995 A 21 。