[发明专利]基于改进的遗传小波神经网络的短期电力负荷预测方法

说明书

技术领域

本发明涉及一种基于改进的遗传小波神经网络的短期电力负荷预测方法，属于电力系统负荷预测技术领域。

背景技术

电力系统负荷预测是电力系统的调度运行和生产计划的基础工作，负荷预测关系到电力系统的安全和稳定运行，对于实际生产生活有着不可估量的作用。

负荷预测是通过考虑到相关因素的影响，对未来用电量或者发电量进行预测，电力生产部门和管理部门以此为依据制定生产计划和发展规划。负荷预测按时间期限分为长期、中期、短期和超短期。电力负荷虽然是不确定的、随机的，易受到气候、意外事故等各种条件的干扰，但在一定条件下，仍存在明显的变化趋势。

当前，作为人工智能学科理论，人工神经网络预测方法逐渐得到了成功应用。目前用于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)等。但是BP神经网络存在容易陷入局部最小等问题。因此，需要在BP神经网络的基础上，对神经网络进行改进和优化。

发明内容

本发明要解决的技术问题是：如何更准确地拟合电力负荷系统的非线性、时变性和动态性，更好地预测电力负荷。

为了解决上述技术问题，本发明的技术方案是提供一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：

步骤1：确定神经网络的输入输出量；

神经网络的输入量为预测时刻对应的前N个小时的负荷值，10≤N≤20，N为正整数；神经网络的输出量为预测时刻的负荷值；

步骤2：样本预处理；

以电力系统历史负荷数据为样本，对历史负荷数据中的异常数据进行修复处理；并将修复处理后的历史负荷数据进行归一化处理；

步骤3：建立改进的遗传小波神经网络；

利用遗传算法选出小波神经网络最优的初始权值，并将其用于小波神经网络；同时在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；从而构成改进的遗传小波神经网络；

步骤4：利用改进的遗传小波神经网络进行短期电力负荷预测；

使用预测日前的历史负荷数据和日期类型数据作为训练样本，进行样本预处理后，对改进的遗传小波神经网络进行训练，用训练好的改进的遗传小波神经网络进行短期电力负荷预测，得到预测数据；将预测数据反归一化，从而得到实际的预测负荷值。

优选地，所述步骤1中，N取16。

优选地，所述步骤2中，异常数据是指：电力系统历史负荷数据由于干扰因素，会存在缺失的或错误的数据，这些数据称为异常数据。

优选地，所述步骤2中，对历史负荷数据中的异常数据进行修复处理的方法如下：

对于缺失数据的处理：如果缺失数据的前后时间间隔小于等于设定阈值，采用线性插值的方法将其补上；如果缺失数据的前后时间间隔大于设定阈值，采用相邻几天的数据来代替，此时一定要采用相同日期类型的数据；

对于错误数据的处理：将某一时刻的负荷和其前后负荷值进行比较，如果负荷数据的变化范围大于某一阈值，则取前后负荷值的平均值代替；对大事故日负荷或明显负荷曲线异常的日负荷用与其日类型相似的正常曲线置换。

优选地，所述步骤2中，归一化处理是使用归一化公式将样本数据归一化为[0，1]之间，使负荷数据处于同一数量级别。

优选地，所述步骤3中，随机初始化遗传算法中的种群，遗传算法将小波神经网络得到的随机初始权值进行编码；使用训练样本数据训练小波神经网络，并把预测输出和期望输出之间的误差绝对值和作为个体适应度值，然后经过选择、交叉、以及变异操作后得到最优的小波神经网络初始权值。

优选地，所述步骤3的具体步骤如下：

步骤3.1：小波神经网络的拓扑结构

小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层和输入层、输出层之间分别有连接权值，传递函数为小波基函数；

步骤3.2：利用遗传算法获得小波神经网络的最优初始权值

先获得小波神经网络的随机初始化权值，并将网络初始权值编码为实数串；

训练小波神经网络，得到小波神经网络初始预测值，将训练误差和输出节点24个小时的负荷值作为遗传算法种群个体的适应度值，如公式(1)所示；

F＝abs(y-o) (1)

上式中，F为适应度值，y为小波神经网络预测输出的24小时负荷值，o为期望输出的24小时负荷值，abs表示取绝对值；

确定了个体的适应度值后，在种群内部进行选择、交叉、变异操作，分别见公式(2)、公式(3)、公式(4)；