[发明专利]一种基于优化RBF的7日电力负荷峰值预测方法

权利要求书

1.一种基于优化RBF的7日电力负荷峰值预测方法，其特征在于，包括如下步骤：

步骤S1、获取历史电力负荷数据集；

步骤S2、数据分析；

步骤S3、数据预处理；

步骤S4、划分数据集为训练集和验证集；

步骤S5、优化RBF神经网络电力负荷日峰值预测模型：基于GA算法对RBF神经网络进行参数优化，得到优化RBF神经网络模型电力负荷日峰值预测模型；待优化参数包括：中心向量、中心点宽度和权重；

参数优化流程如下：

S51：将RBF神经网络中的待优化参数进行初始化，采用实数方式对其编码，使其变为长度为10的染色体序列；

S52：确定遗传算法中个体的适应度函数，利用预测与验证数据之间的均方根误差作为个体的适应度值，适应度函数的计算方式如下：

其中，N为预测数据集大小，x_i′为预测数据，y_i为验证数据；

S53：初始化遗传算法中的概率p_c、概率p_m，种群数量，确定自适应度值函数；

S54：以概率p_c对当前种群中的染色体进行交换产生子代染色体，未进行交换的染色体直接进行复制；

S55：以概率p_m根据当代染色体突变为子代染色体，并将新的个体插入种群中；

S56：计算个体的适应度值，若达到跳出条件则进行下一步，否则跳转到S55；

S57：输出遗传算法中的最优解，将其解码，将所得值作为RBF网络的参数；

其中，遗传算法的具体迭代步骤如下:

(1)将特征进行编码，一组特征对应一个染色体，染色体即为对应的解；

(2)初始化染色体，设置染色体数量；

(3)计算个体的适应度值；

(4)交换：由交换概率p_c选择两个染色体作为父代进行交换，交换的部分为两者相异的部分，产生子代染色体；

(5)选择：根据适应度值，从当前种群中选择优良个体进行下一代繁殖，使得最优的前几个解均被保留在种群中；

(6)变异：以较小的概率p_m随机改变染色体中的某个值，模仿自然界中新个体的产生；

(7)判断是否达到最大迭代次数或最小适应度值；若是，继续下一步；否则跳转到(3)；

(8)终止迭代，将染色体解码，得到最优解；

其中，RBF神经网络结构由输入层、隐含层、输出层构成，其中隐含层仅有一层，其隐含层节点采用径向基函数作为激活函数；RBF神经网络中，输入层节点仅负责信息传输；输入层到隐含层之间通过非线性变化实现数据从低维到高维的映射，隐含层利用径向基函数构成高维的映射空间，确定了径向基函数的中心点即可确定映射关系；隐含层到输出层之间使用线性映射，即根据隐含层节点输出进行权重加权得到输出层节点输出；

径向基函数为高斯函数，计算公式如下：

其中，x表示n维输入向量，c_i为第i个函数的中心，维度同n，σ_i为第i个中心点的宽度，||·||表示欧式范数；

设隐含层节点个数为I，输出层第k个节点的输出为O_k，则其计算公式如下：

其中，ω_ik为隐含层到输出层的映射权重；

步骤S6、利用训练集作为输入，至优化RBF神经网络模型电力负荷日峰值预测模型，模型预测输出为7天的电力负荷峰值；再根据模型输出的7天电力负荷峰值与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，计算得到模型的预测准确度。

2.根据权利要求1所述的基于优化RBF的7日电力负荷峰值预测方法，其特征在于，数据分析包括：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑。