[发明专利]一种基于樽海鞘群和BP神经网络的电力负荷预测方法

说明书

本发明公开了一种基于樽海鞘群和BP神经网络的电力负荷预测方法，解决了目前预测算法、方法精度不高的问题，其技术方案要点是通过获取完整原始数据，并进行预处理，再构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数，然后参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值，最后运行BP神经网络进行预测，本发明的一种基于樽海鞘群和BP神经网络的电力负荷预测方法，能更加科学、可靠的实现短期预测，保障电力系统安全稳定运行。

技术领域

本发明涉及电力负荷预测技术，特别涉及一种基于樽海鞘群和BP神经网络的电力负荷预测方法。

背景技术

电力负荷预测是制定电力供应计划和电网电量供需平衡的关键挑战之一。电力负荷预测是在与时刻相关的气温、相对湿度等历史数据的基础上，挖掘出电力负荷的变化规律，继而预测出未来某个时间段内的电力负荷。根据预测的时间段的长短可分为超短期、短期、中期和长期预测。现有的电力负荷预测方法大致可分为两类，一类是以多元线性回归、时间序列分析、灰色预测等为代表的传统预测方法；另一类是以神经网络、专家系统等为代表的人工智能算法。由于电力负荷变化是一个高度复杂的非线性过程，因此传统的预测方法及常规的人工智能算法在预测精度上有待提高。

发明内容

本发明的目的是提供一种基于樽海鞘群和BP神经网络的电力负荷预测方法，能更加科学、可靠的实现短期预测，保障电力系统安全稳定运行。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于樽海鞘群和BP神经网络的电力负荷预测方法，包括有以下步骤：

S1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理；

S2、构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数；

S3、参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值；

S4、运行BP神经网络预测未来某短期时间段内的电力负荷。

综上所述，本发明具有以下有益效果：

基于对樽海鞘群算法的改进，动态权重融入到樽海鞘群算法当中，能克服樽海鞘群算法前期全局搜索能力不足，后期局部搜索能力不足的缺陷，同时保障了算法的收敛性，继而提升了算法的整体性能，用改进的樽海鞘群算法来优化BP神经网络的初始值，解决了传统BP神经网络在训练时依赖于网络初始值的问题，提升了网络训练时的速度，避免了训练时陷入局部最优，进而可获得更加科学、可靠的预测模型，实现短期预测，保障电力系统安全稳定运行。

附图说明

图1为箱形图对数据进行处理示意图；

图2为BP神经网络结构图；

图3为实例中预测效果图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

传统预测方法中的多元线性回归模型，选用的何种因子和该因子采用何种表达式只是一种推测，这影响了电力负荷因子的多样性和某些因子的不可测性，从而使得该模型在复杂情况下的应用受到限制。时间序列分析和灰色预测模型，未考虑到气温等外部因素对电力负荷的影响，并且后者在多数情况下只能做超短期预测，且越往后预测精度越低。人工智能算法中的BP神经网络算法依赖于网络的初始值和阈值且在训练时存在收敛速度慢、易陷入局部最优的缺点。