[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

说明书

本发明涉及一种基于改进F‑score特征选择及粒子群BP神经网络的负荷调度方法，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。与现有技术相比，本发明具有误差更小，计算稳定性好等优点。

技术领域

本发明涉及配用电大数据技术领域，尤其是涉及一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法。

背景技术

电力系统的建设宗旨是安全、经济地发供电，科学合理地分配电能，保证电力质量指标，为电力用户提供经济可靠的电能，为随时满足其负荷需求。随着我国经济的高速发展，电力供需矛盾不断加剧，用电结构不断变化，电力系统的负荷特性发生了明显变化。各地区电网的各时段最大负荷持续快速增长，峰谷差逐渐加大，用电高峰期电力供需矛盾日益尖锐，系统负荷率和年最大负荷利用小时数逐渐减小，这些负荷特性的变化使得电网调峰困难，同时对系统的安全性、稳定性造成了极大的威胁，也给电力市场分析、市场营销、负荷预测和电网规划等一系列电网工作带来诸多的困难。负荷特性的变化与负荷预测密切相关，因此基于用户负荷特性研究的结果研究电力负荷预测，进一步去研发电力负荷特性分析以及负荷预测系统具有非常重要的意义。同时，随着我国智能电网的快速发展，智能电网下信息通信技术(Information Communications Technology，ICT)技术的快速应用和推广，加上智能终端设备的投入使用，用户积极参与需求响应，电力供应实现双向互动，为寻求用电的经济性，用户的用电策略发生着较大改变，使得用户的负荷特性发生较大的变化。这就使得对负荷预测的精度越来越高，若要强化智能电网的发展，则应提高电力负荷预测的水平。近几年，我国不断推进电力体制改革，逐步实现电力市场，这对超短期的负荷预测提出了更高的要求，为更好的适应我国电力的快速发展，需不断的深化对负荷预测技术的研究，使得预测的精度更高。

用电预测是基于多元用电数据，利用大数据挖掘和机器学习方法，在满足一定精度的情况下确定未来某特定时段的用电负荷情况。用电预测是中低压配网规划、运行、节能管理等方面的重要工作之一，提高用电预测技术水平，有利于中低压配网的节能运行管理和错峰调度，有利于合理安排配电网规划建设，有利于综合能源服务公司购售电业务。因此，用电预测已成为实现智能电力现代化管理的重要内容。目前，电力用电预测普遍存在着算法较多基于经验法、预测准确率不高等难度等问题，同时随着海量用电数据的大集中，传统的数据分析手段不足以应对海量数据挖掘的需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法。

本发明的目的可以通过以下技术方案来实现：

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，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。

进一步地，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。

进一步地，所述的F-score值的计算公式为：