電網(wǎng)短期負(fù)荷預(yù)測(cè)方法
【專利摘要】本發(fā)明涉及一種電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，步驟1、獲取歷史數(shù)據(jù)并對(duì)數(shù)據(jù)作預(yù)處理；步驟2、利用小波分解將歷史負(fù)荷樣本數(shù)據(jù)分解成多個(gè)不同頻率的子序列；步驟3、對(duì)各子序列進(jìn)行單支重構(gòu)；步驟4、動(dòng)態(tài)選擇訓(xùn)練樣本，建立縱橫交叉算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；步驟5、對(duì)各子序列均用優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行提前24h預(yù)測(cè)；步驟6、疊加各子序列的預(yù)測(cè)值，獲得完整預(yù)測(cè)結(jié)果。本發(fā)明使用全新的群智能算法——縱橫交叉算法而非傳統(tǒng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，能克服神經(jīng)網(wǎng)絡(luò)固有的缺陷；處理沖擊負(fù)荷引起的毛刺問題采用小波分解，解決了對(duì)毛刺進(jìn)行預(yù)處理把有效負(fù)荷去除而導(dǎo)致精度下降的問題，混合算法的預(yù)測(cè)值更接近實(shí)測(cè)負(fù)荷值。
【專利說明】電網(wǎng)短期負(fù)荷預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，特別涉及一種利用混合小波變換和縱橫 交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法。

【背景技術(shù)】
[0002] 目前，負(fù)荷預(yù)測(cè)中使用最為廣泛的方法是人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。其中，BP神經(jīng)網(wǎng)絡(luò) 由于具有自組織、自學(xué)習(xí)能力，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，因而在預(yù)測(cè)領(lǐng)域 得到了廣泛應(yīng)用。然而，BP算法采用梯度下降法調(diào)整權(quán)值和閾值，導(dǎo)致收斂速度慢，容易陷 入局部最優(yōu)。隨著更多的影響因素和學(xué)習(xí)樣本考慮在內(nèi)，神經(jīng)網(wǎng)絡(luò)的計(jì)算量和權(quán)值數(shù)將急 劇增加。此外，當(dāng)大量沖擊性負(fù)荷接入電網(wǎng)，該地區(qū)的負(fù)荷曲線會(huì)產(chǎn)生較多毛刺，但沖擊負(fù) 荷引起的毛刺并非壞值，利用濾波或其它技術(shù)手段對(duì)沖擊負(fù)荷引起毛刺進(jìn)行預(yù)處理會(huì)把有 效負(fù)荷去除而導(dǎo)致精度下降。常規(guī)的神經(jīng)網(wǎng)絡(luò)模型幾乎無法捕捉這些毛刺的變化規(guī)律，所 以需要尋求一種新的預(yù)測(cè)方法。
[0003] 隨著人們不斷對(duì)短期負(fù)荷預(yù)測(cè)的深入研究，各種進(jìn)化算法被廣泛應(yīng)用于優(yōu)化神經(jīng) 網(wǎng)絡(luò)參數(shù)，例如遺傳算法（GA)、模擬退火法（SA)、粒子群算法（PSO)和蟻群算法(ACO)等等。 其中，使用PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，雖然收斂速度快，但當(dāng)考慮負(fù)荷因素增多，決策變量 規(guī)模將會(huì)急速增長(zhǎng)，而PSO在求解大規(guī)模優(yōu)化問題時(shí)容易出現(xiàn)早熟現(xiàn)象；使用ACO對(duì)BP神 經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，同樣沒有解決早熟問題，雖然ACO改善了神經(jīng)網(wǎng)絡(luò)的泛化能力，但為保持 種群的多樣性，蟻群算法采用了復(fù)雜的算法結(jié)構(gòu)和較多的控制參數(shù)，從而影響了其實(shí)用性。
[0004] 以上算法各有優(yōu)缺點(diǎn)，在一定程度上改善了神經(jīng)網(wǎng)絡(luò)的性能，但是它們通常要共 同面對(duì)的挑戰(zhàn)是過早收斂問題。到目前為止，大規(guī)模神經(jīng)網(wǎng)絡(luò)優(yōu)化問題仍然是啟發(fā)式算法 解決大規(guī)模多峰優(yōu)化問題的一大挑戰(zhàn)。因此，尋找一種能解決大規(guī)模神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化問 題，使優(yōu)化后的神經(jīng)網(wǎng)絡(luò)能有效捕捉?jīng)_擊負(fù)荷引起的毛刺，以提高負(fù)荷預(yù)測(cè)精度是解決含 大量沖擊負(fù)荷的同類地區(qū)亟待解決的技術(shù)難題。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的主要目的在于，針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種電網(wǎng)短期負(fù)荷預(yù) 測(cè)方法，完整保留沖擊負(fù)荷信息，提高了預(yù)測(cè)模型的準(zhǔn)確性和穩(wěn)定性。
[0006] 本發(fā)明解決現(xiàn)有技術(shù)問題所采用的技術(shù)方案是：一種電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，包 括以下步驟： 51、 獲取歷史數(shù)據(jù)并對(duì)數(shù)據(jù)作預(yù)處理； 52、 利用小波分解將歷史負(fù)荷樣本數(shù)據(jù)分解成多個(gè)不同頻率的子序列； 53、 對(duì)各子序列進(jìn)行單支重構(gòu)； 54、 動(dòng)態(tài)選擇訓(xùn)練樣本，建立縱橫交叉算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型； 55、 對(duì)各子序列均用優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行提前24h預(yù)測(cè)； 56、 疊加各子序列的預(yù)測(cè)值，獲得完整預(yù)測(cè)結(jié)果。
[0007] 優(yōu)選地，在所述步驟S4中，建立縱橫交叉算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，具體包 括以下步驟： 541、 根據(jù)給定的訓(xùn)練樣本，確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和各層的節(jié)點(diǎn)數(shù)，并確定橫向交叉 概率A、縱向交叉概率A、種群規(guī)模、最大迭代次數(shù)和粒子維數(shù)，其中每個(gè)粒子維數(shù)為所要 優(yōu)化的連接權(quán)值和閾值的總數(shù)量； 542、 對(duì)所要優(yōu)化的連接權(quán)值和閾值進(jìn)行粒子編碼，并隨機(jī)產(chǎn)生初始種群Z，其中第4立 子為：Xi = [wlir...Ma,I? 2!..i>2Mf，n分別是輸入層，隱含層和輸出 層的節(jié)點(diǎn)數(shù)，wli--表不輸入層第^/個(gè)節(jié)點(diǎn)到隱含層第！個(gè)節(jié)點(diǎn)的權(quán)值，表不隱含層第：個(gè) 節(jié)點(diǎn)到輸出層第A個(gè)節(jié)點(diǎn)的權(quán)值，冰表不隱含層第！個(gè)節(jié)點(diǎn)的閾值、I?2.t表不輸出層第灸個(gè) 節(jié)點(diǎn)的閾值； 543、 將每個(gè)粒子轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)各層對(duì)應(yīng)的權(quán)值和閾值，根據(jù)BP網(wǎng)絡(luò)的前向算法，隱 含層第i個(gè)節(jié)點(diǎn)輸出值為：

【權(quán)利要求】
1. 一種電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，包括以下步驟： 51、 獲取歷史數(shù)據(jù)并對(duì)數(shù)據(jù)作預(yù)處理； 52、 利用小波分解將歷史負(fù)荷樣本數(shù)據(jù)分解成多個(gè)不同頻率的子序列； 53、 對(duì)各子序列進(jìn)行單支重構(gòu)； 54、 動(dòng)態(tài)選擇訓(xùn)練樣本，建立縱橫交叉算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型； 55、 對(duì)各子序列均用優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行提前24h預(yù)測(cè)； 56、 疊加各子序列的預(yù)測(cè)值，獲得完整預(yù)測(cè)結(jié)果。
2. 根據(jù)權(quán)利要求1所述的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，在所述步驟S4中，建立 縱橫交叉算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，具體包括以下步驟： 541、 根據(jù)給定的訓(xùn)練樣本，確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和各層的節(jié)點(diǎn)數(shù)，并確定橫向交叉 概率A、縱向交叉概率A、種群規(guī)模、最大迭代次數(shù)和粒子維數(shù)，其中每個(gè)粒子維數(shù)為所要 優(yōu)化的連接權(quán)值和閾值的總數(shù)量； 542、 對(duì)所要優(yōu)化的連接權(quán)值和閾值進(jìn)行粒子編碼，并隨機(jī)產(chǎn)生初始種群X，其中第！粒 子為
分別是輸入層，隱含層和輸出 層的節(jié)點(diǎn)數(shù)，表示輸入層第彳個(gè)節(jié)點(diǎn)到隱含層第，個(gè)節(jié)點(diǎn)的權(quán)值，w2K表示隱含層第：個(gè) 節(jié)點(diǎn)到輸出層第々個(gè)節(jié)點(diǎn)的權(quán)值，札表示隱含層第r個(gè)節(jié)點(diǎn)的閾值、&2A表示輸出層第A個(gè) 節(jié)點(diǎn)的閾值； 543、 將每個(gè)粒子轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)各層對(duì)應(yīng)的權(quán)值和閾值，根據(jù)BP網(wǎng)絡(luò)的前向算法，隱 含層第i個(gè)節(jié)點(diǎn)輸出值為：
輸出層第A個(gè)節(jié)點(diǎn)輸出值為：
激活函數(shù)選定為Sigmoid函數(shù)，如下：
544、 根據(jù)下式計(jì)算初始種群中每個(gè)個(gè)體的適應(yīng)值；
式中：A、A分別是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和目標(biāo)輸出，iV為訓(xùn)練樣本數(shù)； 545、執(zhí)行橫向交叉，產(chǎn)生的中庸解保存在矩陣￥5^中，然后計(jì)算1€5^中每個(gè)解的適應(yīng) 值，與其父代種群I(即At,第一代除外）進(jìn)行比較，只有適應(yīng)度更好的粒子才能保留在 D,% 中； 546、 執(zhí)行縱向交叉并將產(chǎn)生的解保存在矩陣中，然后計(jì)算中每個(gè)解的適應(yīng) 值，與其父代種群if(即)進(jìn)行比較，擇優(yōu)保留在中； 547、 判斷終止條件是否滿足，如果迭代次數(shù)大于設(shè)定的最大值時(shí)，則迭代終止并將 中適應(yīng)值最好的一組解轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值和閾值，否則，轉(zhuǎn)到步驟5進(jìn)行新 一輪迭代。
3. 根據(jù)權(quán)利要求1所述的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，在所述步驟S1中，歷史 數(shù)據(jù)包括過去兩年的負(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)；其中，負(fù)荷數(shù)據(jù)的時(shí)間分辨率均為5min，即一 天擁有288個(gè)數(shù)據(jù)樣本；對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，數(shù)據(jù)的時(shí)間分辨率轉(zhuǎn)為lh，以每小時(shí)平均 功率為該時(shí)刻的功率，天氣數(shù)據(jù)包括過去兩年的最高溫度、最低溫度和降雨量。
4. 根據(jù)權(quán)利要求1所述的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，在所述步驟S2和步驟 S3中，對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行小波分解和重構(gòu)具體公式為： 小波分解公式為：
式中，/?為原信號(hào)，a= 2氣& = .t2^'e及，并且a賽〇 ,神）為母小波； 小波重構(gòu)公式為：
式中，4為相容性條件，且C； <〇〇 在Matlab平臺(tái)中實(shí)行小波分解與重構(gòu)的函數(shù)是'wavedec'和'wrcoef'，本發(fā)明中小波 分解把歷史負(fù)荷數(shù)據(jù)分解成3個(gè)層次，得到4個(gè)子序列，分別是低頻分量43，高頻分量D3 、D2、m。
5. 根據(jù)權(quán)利要求1所述的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，在所述步驟S4中，所述 動(dòng)態(tài)選擇訓(xùn)練樣本為預(yù)測(cè)日前90天數(shù)據(jù)樣本。
6. 根據(jù)權(quán)利要求1所述的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，在所述步驟S5中，執(zhí)行 橫向交叉的具體步驟為： 551、 獲取父代種群（即縱向交叉的占優(yōu)解，第一代除外）； 552、 對(duì)父代種群中的所有個(gè)體進(jìn)行兩兩不重復(fù)配對(duì)(共有F/2對(duì))，并按編號(hào)； 553、 按順序依次取出每一對(duì)，設(shè)粒子X?和AX/)被取出； 554、 在橫向交叉概率A下對(duì)粒子if?和if(j)的第J維執(zhí)行橫線交叉，公式如下：
式中，de(l,D) ;q，5為[〇，1]上的均勻分布隨機(jī)數(shù)；c!，4為[-1，1]之間的均勻 分布隨機(jī)數(shù)；3)和分別為粒子：和J的第d維；和分別為 橫向交叉后的中庸解； 555、 重復(fù)步驟（3)和步驟（4)iV/2次； 556、 執(zhí)行競(jìng)爭(zhēng)算子，獲得橫向交叉后的占優(yōu)解。
7.根據(jù)權(quán)利要求1所述的電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟S6執(zhí)行縱向 交叉的具體步驟為： (1) 獲取父代種群I(即橫向交叉的占優(yōu)解; (2) 對(duì)父代個(gè)體的每一維進(jìn)行歸一化處理，公式如下：
式中，；€(1，奶，;巧ail和分別為第j維控制變量的上、下限；i為當(dāng)前 代數(shù)； (3) 對(duì)種群中所有維進(jìn)行兩兩不重復(fù)配對(duì)(共有F/2對(duì))，并按編號(hào)； (4) 按順序依次取出每一對(duì)，設(shè)<，名兩維被選中； (5) 在縱向交叉率A下，粒子尤(0的第4和4維執(zhí)行縱向交叉，公式如下：
式中'為[〇，1]上的均勻分布隨機(jī)數(shù)；為粒子X(〇的第< 維子代； (6) 重復(fù)步驟（4)和步驟（5)d/2次； (7) 對(duì)進(jìn)行反歸一化，得到中庸解，公式如下：
(8 )執(zhí)行競(jìng)爭(zhēng)算子，獲得縱向交叉后的占優(yōu)解。
【文檔編號(hào)】G06Q10/04GK104408529SQ201410671664
【公開日】2015年3月11日 申請(qǐng)日期:2014年11月21日 優(yōu)先權(quán)日:2014年11月21日
【發(fā)明者】孟安波, 盧海明, 郭壯志, 殷豪, 周永旺 申請(qǐng)人:廣東工業(yè)大學(xué)