一种基于樽海鞘群和BP神经网络的电力负荷预测方法

一种基于樽海鞘群和bp神经网络的电力负荷预测方法
技术领域
1.本发明涉及电力负荷预测技术，特别涉及一种基于樽海鞘群和bp神经网络的电力负荷预测方法。


背景技术：

2.电力负荷预测是制定电力供应计划和电网电量供需平衡的关键挑战之一。电力负荷预测是在与时刻相关的气温、相对湿度等历史数据的基础上，挖掘出电力负荷的变化规律，继而预测出未来某个时间段内的电力负荷。根据预测的时间段的长短可分为超短期、短期、中期和长期预测。现有的电力负荷预测方法大致可分为两类，一类是以多元线性回归、时间序列分析、灰色预测等为代表的传统预测方法；另一类是以神经网络、专家系统等为代表的人工智能算法。由于电力负荷变化是一个高度复杂的非线性过程，因此传统的预测方法及常规的人工智能算法在预测精度上有待提高。


技术实现要素：

3.本发明的目的是提供一种基于樽海鞘群和bp神经网络的电力负荷预测方法，能更加科学、可靠的实现短期预测，保障电力系统安全稳定运行。
4.本发明的上述技术目的是通过以下技术方案得以实现的：
5.一种基于樽海鞘群和bp神经网络的电力负荷预测方法，包括有以下步骤：
6.s1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理；
7.s2、构建并确定bp神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据bp神经网络参数的个数确定樽海鞘群的维数；
8.s3、参照建立的bp神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为bp神经网络的初始值；
9.s4、运行bp神经网络预测未来某短期时间段内的电力负荷。
10.综上所述，本发明具有以下有益效果：
11.基于对樽海鞘群算法的改进，动态权重融入到樽海鞘群算法当中，能克服樽海鞘群算法前期全局搜索能力不足，后期局部搜索能力不足的缺陷，同时保障了算法的收敛性，继而提升了算法的整体性能，用改进的樽海鞘群算法来优化bp神经网络的初始值，解决了传统bp神经网络在训练时依赖于网络初始值的问题，提升了网络训练时的速度，避免了训练时陷入局部最优，进而可获得更加科学、可靠的预测模型，实现短期预测，保障电力系统安全稳定运行。
附图说明
12.图1为箱形图对数据进行处理示意图；
13.图2为bp神经网络结构图；
14.图3为实例中预测效果图。
具体实施方式
15.以下结合附图对本发明作进一步详细说明。
16.传统预测方法中的多元线性回归模型，选用的何种因子和该因子采用何种表达式只是一种推测，这影响了电力负荷因子的多样性和某些因子的不可测性，从而使得该模型在复杂情况下的应用受到限制。时间序列分析和灰色预测模型，未考虑到气温等外部因素对电力负荷的影响，并且后者在多数情况下只能做超短期预测，且越往后预测精度越低。人工智能算法中的bp神经网络算法依赖于网络的初始值和阈值且在训练时存在收敛速度慢、易陷入局部最优的缺点。
17.本发明为了更精确地预测出未来短期时间段内的电力负荷，针对相关技术中的上述技术问题，本发明提出了一种基于改进的樽海鞘群优化bp神经网络的短期电力负荷预测方法。它能够为电力调度部门制定电力供应计划提供科学、可靠的依据，继而保障电力系统安全稳定地运行。
18.根据一个或多个实施例，公开了一种基于樽海鞘群和bp神经网络的电力负荷预测方法，包括有以下步骤：
19.s1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理。
20.对原始数据的预处理包括：
21.s11、将6类原始数据的每类数据按照从小到大的顺序排列。
22.s12、对排列后的数据位于中间、居于25％位置处、居于75％位置处分别定位为中位数、下四分位、上四分位。
23.s13、如图1所示，用箱形图将已获得的每类完整原始数据中的异常值筛选出来，定义正常数值区间，判断每类数据中的每个数值是否都位于正常数值区间，进行筛选，对不在正常数值区间内的数值标记为异常值；
24.定义正常数值区间[q
l-k
×
iqr，qh k
×
iqr]，其中k为控制区间长度的一个正数，取1.5；iqr定义为：iqr＝q
h-q
l
；
[0025]
其中，qm表示中位数、q
l
表示下四分位、qh表示上四分位。
[0026]
s14、对筛选出来的异常值用每类数据中的正常值的均值进行替换，再对数据进行归一化处理。归一化处理为：
[0027][0028]
其中，a
ij
表示第i类指标中的第j个参数值，a
i min
表示第i类指标中的最小参数值，a
i max
表示第i类指标中的最大参数值，表示第i类指标中的第j个参数值经归一化处理后的值。
[0029]
s2、如图2所示，构建并确定bp神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据bp神经网络
参数的个数确定樽海鞘群的维数。
[0030]
bp神经网络的确立和构建具体为：
[0031]
确定输入层的输入量：
[0032]
其中，
[0033]
隐含层的输入量为：
[0034]
隐含层的输出量为：
[0035]
隐含层的sigmoid函数为：
[0036]
输出层的输入量为：
[0037]
输入层的输出量为：
[0038]
反向传播误差函数为：
[0039]
其中，r(k)为网络模型输出值，y(k)为实际输出值；
[0040]
误差反向传播阶段通过将反向传播误差函数计算得到的值对隐含层及输出层的权值系数进行负梯度修正，从而得到隐含层到输出层加权系数的增量为
[0041]
其中，η为学习效率，α为惯性系数；
[0042]
输出层的加权系数修正增量为
[0043][0044]
其中，
[0045][0046]
隐含层的加权系数修正增量为
[0047][0048]
其中，
[0049][0050]
对于樽海鞘群算法的优化具体为：
[0051]
将樽海鞘群体分为领导者和跟随者两类，群体中每个樽海鞘个体以链的形式首尾两节依次向前移动。
[0052]
领导者和跟随者在搜索过程中不断更新自身位置，
[0053]
领导者位置更新公式为
[0054][0055]
其中，表示第d为链中第一个位置；fd表示第d维食物位置，ubd表示搜索空间的上界，lbd表示搜索空间的下界，c2表示区间[0，1]内的随机数，c1表示收敛因子，表达式为；l表示当前迭代次数，l
max
表示最大迭代次数。
[0056]
跟随者位置更新公式为
[0057][0058]
其中，表示更新后第d维的位置，表示更新前第d维的位置。
[0059]
通过不断计算更新适应度值，对领导者和跟随者位置不断进行更新，直到满足最优条件。
[0060]
s3、参照建立的bp神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为bp神经网络的初始值。
[0061]
基于樽海鞘群优化bp神经网络具体为：
[0062]
s31、设置樽海鞘群的数量n，空间维数d，bp神经网络的结构：输入层节点个数，隐含层节点个数，输出节点的个数，权值以及阈值；
[0063]
s32、样本数据处理，包含异常值的替代和数据的归一化；选取训练数据和测试数据；
[0064]
s33、以反向传播误差函数作为适应度函数，当适应度函数的数值达到设定值时，即为最优解；
[0065]
s34、樽海鞘群初始化，将权值和阈值进行有序排列作为位置值，根据其位置随机产生初始位置；
[0066]
s35、通过适应度函数计算，当前排在最优樽海鞘设置为当前食物的位置，选定食物位置后确定种群的领导者和跟随者；
[0067]
s36、领导者和跟随者位置的更新，通过改进后的领导者位置更新公式进行移动，同时根据跟随者位置更新公式对跟随者位置进行更新；
[0068]
s37、对更新后群体的适应度值进行计算，通过对比樽海鞘个体与当前作为食物的樽海鞘个体适应度值后，取两者之间最优的群体作为食物的位置；
[0069]
s38、重复步骤s35至步骤s37，直到适应度函数的数值达到设定的标准值，此时模型输出的结果即为全局最优解；
[0070]
s39、bp神经网络训练，将经过改进的樽海鞘群优化的初始权值和阈值带入bp神经网络进行数据训练，形成电力负荷预测模型。
[0071]
s4、运行bp神经网络即通过形成的电力负荷预测模型预测未来某短期时间段内的电力负荷。
[0072]
为说明清楚，现举一实例：
[0073]
以某地区的数据为例来测试本发明的可行性和优越性，原始数据(部分)如下表1所示：
[0074]
表1 某地区2012.1.1～2015.1.10六项指标原始数据
[0075][0076]
基于本发明的方法进行处理，获得的预测效果如图3所示，分析附图3可知，bp神经网络预测出的2015年1月6日这一天的电力负荷与实际相差最大，相对实际负荷的误差百分比为25.06％，1月10日这一天与实际相差最小，但与之对应的相对误差也高达12.63％。樽海鞘群优化bp神经网络算法预测出来的最大相对误差只有5.92％，最小可达1.29％，与实际负荷变化更吻合。由此可见，基于樽海鞘群优化的bp神经网络能够有效地对电力负荷进行预测。
[0077]
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。