[发明专利]一种基于SLSO-BP的电力负荷预测方法

说明书

本发明涉及一种基于SLSO‑BP的电力负荷预测方法，包括如下步骤：获取电力负荷数据，将其进行归一化处理，得到优化电力负荷数据；使用聚类算法对优化后的电力负荷数据将变化特性相似的数据归聚同类；将聚类处理后的数据带入到神经网络模型中建立电力负荷预测模型，并用改进的狮群算法对神经网络进行改进，得到更新后电力负荷预测模型，并得到预测后的电力负荷。本发明克服了单一预测模型无法综合考虑电力负荷的周期性变化与影响因素导致预测结果易发生较大误差的问题，提升了预测精确度与鲁棒性。

技术领域

本发明涉及电力系统负荷预测技术领域，尤其涉及一种基于SLSO-BP的电力负荷预测方法。

背景技术

电力系统的总负荷就是系统中所有用电设备消耗总功率的总和；将工业、农业、邮电、交通、市政、商业以及城乡居民所消耗的功率相加，就得电力系统的综合用电负荷；综合用电负荷加网络损耗的功率就是系统中各发电厂应供应的功率，称为电力系统的供电负荷。电负荷再加各发电厂本身消耗的功率，就是系统中各发电机应发的功率，称为系统的发电负荷。

近年来，随着科技的快速发展，电能的需求量越来越多，负荷的预测变得越来越重要。电价的制定和短期的发电计划都要求对负荷预测要有更好的精度。负荷预测是电力部门的主要任务之一，预测结果的精度与调度计划的制定以及输电方案的提出等工作密切相关，理想的预测结果可以在制定发电计划时对备用容量进行合理的安排，减少机组的启停次数，在满足各类用户需求的前提下降低电能的成本和电价。所以，负荷预测的精度非常重要。

狮群优化算法是在狮群协作捕猎的基础上提出的一种群智能优化算法，狮群算法将狮群分成3个部分：狮王、母狮、幼狮，狮王是具有最佳适应度值的个体，一定数量的个体分配为母狮，一只母狮和另一只母狮合作进行捕猎，在捕食猎物时，先大范围地进行勘探，靠近猎物时，逐步缩小包围圈，猎杀食物的幼狮也称为跟随狮，主要跟随狮王和母狮进行活动。

发明内容

本发明所要解决的技术问题是提供一种预测精度高，使用范围广的一种基于SLSO-BP的电力负荷预测方法。

为解决上述问题，本发明所采取的技术方案是：获取电力负荷数据，将其进行归一化处理，得到优化电力负荷数据；使用聚类算法对优化后的电力负荷数据将变化特性相似的数据归聚同类；将聚类处理后的数据带入到神经网络模型中建立电力负荷预测模型，并用改进的狮群算法对神经网络进行改进，得到更新后电力负荷预测模型，并得到预测后的电力负荷。

优选的，所述电力负荷数据，包含获取气象历史数据，包括历史所有日的天气类型、最高温度、天气类别、电价和用电户负荷信息。

优选的，使用的聚类方法为Kmeans聚类算法，为一种无监督聚类算法，目标是将n个对象依据对象间的相似性聚集到指定的k个类簇中，每个对象属于且仅属于一个其到类簇中心距离最小的类簇中，首先需要初始化k个聚类中心， 然后通过计算每一个对象到每一个聚类中心的欧式距离，其计算公式如下所示：

其中，X_i代表数据样本，C_j代表聚类中心，dis代表欧式距离，X_it代表第i个对象的第t个属性，C_jt 表示第j个聚类中心的第t个属性，依次比较每一个对象到每一个聚类中心的距离，将对象分配到距离最近的聚类中心的类簇中，得到k个类簇，类簇中心C_t就是类簇内所有对象在各个维度的均值，其计算公式如下：

表示第l个类簇中对象的个数，其值的大小在（1，i）之间。

优选的，改进的狮群算法（SLSO）是在原有的狮群算法上引进牵涉的理念，迁徙操作是在现有的位置的基础上进行位移，目的是为了不和其他个体进行碰撞，移动到新的位置后，幼狮会向最优位置靠近，攻击操作指狮幼狮在捕食猎物的过程中不断改变角度和攻击速度并进行螺旋形状运动进行位置更新，其改进后幼狮位置的表达式为：

其中：