[发明专利]基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法

权利要求书

1.一种基于改进F-score特征选择及粒子群BP神经网络的负荷调度方法，其特征在于，该方法包括以下步骤：

步骤1：根据改进的F-score特征评价准则对影响负荷的因素进行衡量；

步骤2：利用F-score_Area法通过设定阈值选取最优特征子集；

步骤3：将最优特征子集作为输入通过粒子群BP神经网络后得到负荷预测结果；

步骤4：根据负荷预测结果对电网运行作出匹配负荷调度。

2.根据权利要求1所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的步骤1具体包括：对影响负荷的因素按比例获取训练样本，计算训练样本中数据的F-score值，计算完毕后将计算得到的F-score值进行降序排列，即对影响负荷的因素进行衡量。

3.根据权利要求2所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的F-score值的计算公式为：

式中，F_i表示F-score值，和分别表示第i个特征在整个数据集上的平均值以及在第j类数据集上的平均值，表示第j类第k个样本第i个特征的特征值。

4.根据权利要求1所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的步骤2具体包括：对经过降序排列的所有特征的F-score值将其中相邻两个特征的F-score值与坐标轴围成的面积进行积分并累加，得到S曲线后将阈值确定问题转变为求曲线S拐点问题，并将阈值定义为S二阶差分的最大值以最终选取最优特征子集。

5.根据权利要求4所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的S曲线的描述公式为：

式中，S_n表示S曲线函数值，f_i,i＝1,2,...,n表示各个特征的F-score值。

6.根据权利要求4所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的S二阶差分的最大值的描述公式为：

f(i)＝(S_i1+1-S_i1)-(S_i1-S_i1-1),i1＝1,2,...,n-1,S₀＝0

式中，f(i)表示S二阶差分的最大值。

7.根据权利要求1所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的步骤3包括以下分步骤：

步骤31：根据选取的最优特征子集，初始化BP神经网络，并对输入的特征子集进行归一化处理；

步骤32：初始化粒子群参数并获取各个粒子的适应度值；

步骤33：选取各个粒子的适应度值中的最优个体极值作为粒子群的最优值，并判断该值或迭代次数是否满足结束条件，若满足条件，将此时的粒子位置作为BP神经网络的权值和阈值，完成对BP神经网络的优化；

步骤34：若不满足条件，更新惯性权重和学习因子对粒子位置进行更新并再次转入步骤33；

步骤35：利用优化后的BP神经网络建立基于MPSO-BP神经网络并得到最优特征子集对应的负荷预测结果。

8.根据权利要求7所述的一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法，其特征在于，所述的步骤34中的惯性权重的计算公式为：

式中，ω表示惯性权重，ω_max和ω_min分别表示惯性权重的最大值和最小值，t表示当前迭代次数，N表示最大迭代次数；

所述的步骤34中的学习因子的计算公式为：

式中，c₁和c₂表示学习因子，c_1s和c_2s表示学习因子的初始值，c_1e和c_2e表示学习因子的最终值。