[发明专利]基于蚁群神经网络的负荷预测方法及包含该方法的系统、存储器

说明书

本发明公开了一种基于蚁群神经网络的负荷预测方法及包含该方法的系统、存储器，该方法将影响电力负荷的因素和对应的时间段的历史负荷数据作为训练样本，对数据进行预处理后，建立蚁群算法优化的BP神经网络预测模型。本发明利用蚁群算法寻找最优值作为BP神经网络的参数，使得BP神经网络的收敛速度提升，同时有效的改善了预测的准度。并且本发明依据该方法设计了包含该方法的系统及存储器。

技术领域

本发明涉及智能电网预测领域，尤其涉及一种基于蚁群神经网络的负荷预测方法及包含该方法的系统、存储器。

背景技术

自17世纪电磁学问世以来，电在人们生活中起着越来越重要的作用。电能具有不易存储的特性，如果生产的电能多于使用的电能，则会造成浪费，如果生产的电能少于使用的电能，则会造成电能紧缺。因此，电力负荷预测自始至终是一个重要的研究课题。

BP神经网络是近年来广泛使用的电力基于蚁群神经网络的负荷预测方法之一，其对温度、湿度、风级数等因素的处理较为方便，且对非结构性数据具有极强的自适应性，在大数据领域使用广泛。利用BP神经网络进行电力负荷预测，计算速度较快，但是误差也较大。

同时，有大量的文献研究了蚁群算法优化BP神经网络，但是蚁群算法通常会使得蚂蚁陷入局部最优解，无法获得实质的最优解，而部分文献中的蚁群算法将算法分为局部搜索及全局搜索两个部分，从一定程度上解决了蚁群算法陷入局部最优解的问题，但产生了两个不同层次的搜索，提高了算法的复杂度，致使算法效率低。

发明内容

为解决BP神经网络预测模型预测精度较差的问题，解决蚁群算法最优解及算法复杂度匹配的问题，本发明的目的采用以下技术方案

一种基于蚁群神经网络的负荷预测方法，其特征在于包括以下步骤：

S1:选取历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据相关的历史气象数据；

S2:建立BP神经网络，将气象数据作为输入量，负荷数据作为输出量，设定隐含神经元个数，并确认学习规则；

S3:根据所述的神经网络包含的权值个数n建立检索地图，所检索地图由n个权值生成的数据集合构成；

S4:初始化检索地图上的所有元素的概率相等，并初始化蚂蚁个数；

S5:驱动每一个蚂蚁按概率在n个权值集合的元素间爬行；

S6:计算每一个蚂蚁在所述权值集合的元素中留下的信息素；

S7:计算权值的元素所经过蚂蚁留下的信息素总和，获得累积信息素；

S8:根据所述信息素更新蚂蚁经过权值的元素的概率：

其中，α表示信息素的相对重要程度，β表示启发式因子的相对重要程度；J_a(i)表示蚂蚁a下一步选择的权值元素集合，t为时刻；η_ij(t)表示t时刻的启发式因子，反映蚂蚁从元素i到元素j的启发程度；τ_is(t)表示在t时刻在i集合中s元素上的信息素；

S9:重新执行步骤S5，至最大迭代次数或终止条件；

S10:输出最优值的蚂蚁所爬行进过的权值元素；

S11:将所述权值元素代入BP神经网络对应权值，并将历史负荷数据及其相关的历史气象数据代入神经网络完成训练。

进一步地，步骤S6中，蚂蚁爬过的元素留下的信息素：