The invention relates to a load forecasting method for microgrid based on LSSVM neural network, belonging to the field of microgrid load. A load forecasting method is proposed based on least squares support vector machine technology and neural network. Firstly, the model parameters of least squares support vector regression machine are optimized by using ant colony algorithm, and then the regression machine is trained to provide a better structure and parameters for RBF neural network. Finally, the load forecasting method is obtained by MATLAB simulation training. Result. The invention improves the accuracy of the prediction of the microgrid.
【技术实现步骤摘要】
一种基于LSSVM的神经网络的微电网负荷预测方法
本文提出的微电网负荷预测的目标是兼顾算法效率和网络性能,提高电力预测的精准度,使预测达到全局最优。
技术介绍
随着现代信息技术的快速发展和电力系统自动化水平的不断提高,电力负荷预测方法也在不断改进和完善。现有的电力负荷预测方法大致可分为两类:传统的预测方法和人工智能预测方法。传统的预测方法有时间序列法、趋势外推法、灰色模型法和回归模型法等。人工智能预测方法包括模糊推理法、神经网络法、小波分析法和专家系统方法等。微电网负荷具有明显的波动性和突变型,导致其负荷特性曲线并不平滑,对于负荷预测来说,负荷特性变动越大,预测精度就越低。国内外学者对微电网的研究涉及范围比较广泛,但仍然存在太多不确定性因素;有些方法提高了收敛速速,解决局部优化问题,但会随着预测周期的增大,预测误差也会增大。
技术实现思路
为解决对于微电网负荷预测的不确定性和数据的复杂性,本专利技术提出一种基于LSSVM的神经网络的微电网负荷预测方法。本专利技术所采用的技术方案是:一种基于LSSVM的神经网络的微电网负荷预测方法:包括如下具体步骤:Step1对微电网的历史数据进行归一化预处理,形成训练样本集;Step2初始化最小二乘支持向量机和蚁群算法的各参数,采用蚁群算法对最小二乘支持向量机进行优化,具体为选择最小二乘支持向量机的最佳参数组合,包括核函数参数σ和惩罚因子C;利用蚁群算法对最小二乘支持向量机进行优化时,将最小均方误差MSE作为优化问题的目标函数F,通过蚁群算法迭代搜索最优的目标函数F值,以获得最优一组参数(C,σ)组合,具体步骤如下:a对参数进 ...
【技术保护点】
1.一种基于LSSVM的神经网络的微电网负荷预测方法,其特征在于:包括如下步骤:Step1对微电网的历史数据进行归一化预处理,形成训练样本集;Step2初始化最小二乘支持向量机和蚁群算法的各参数,采用蚁群算法对最小二乘支持向量机进行优化,具体为选择最小二乘支持向量机的最佳参数组合,包括核函数参数σ和惩罚因子C;Step3对训练样本集进行学习,得到学习后的最小二乘支持向量机;Step4利用学习后的最小二乘支持向量机确定RBF网络的结构和参数并生成RBF预测模型;Step5利用RBF预测模型对微电网的电力负荷进行预测。
【技术特征摘要】
1.一种基于LSSVM的神经网络的微电网负荷预测方法,其特征在于:包括如下步骤:Step1对微电网的历史数据进行归一化预处理,形成训练样本集;Step2初始化最小二乘支持向量机和蚁群算法的各参数,采用蚁群算法对最小二乘支持向量机进行优化,具体为选择最小二乘支持向量机的最佳参数组合,包括核函数参数σ和惩罚因子C;Step3对训练样本集进行学习,得到学习后的最小二乘支持向量机;Step4利用学习后的最小二乘支持向量机确定RBF网络的结构和参数并生成RBF预测模型;Step5利用RBF预测模型对微电网的电力负荷进行预测。2.根据权利要求1所述的基于LSSVM的神经网络的微电网负荷预测方法,其特征在于:所述Step2中利用蚁群算法对最小二乘支持向量机进行优化时,将最小均方误差MSE作为优化问题的目标函数F,通过蚁群算法迭代搜索最优的目标函数F值,以获得最优一组参数(C,σ)组合,具体步骤如下:a对参数进行初始化假设问题规模大小为l,蚂蚁群规模大小为n,最大循环次数为tmax,信息素挥发系数ρ∈[0,1];在C∈[Cmin,Cmax]和σ∈[σmin,σmax]和的范围内,将一组参数序列(C,σ)作为蚁群算法中蚂蚁的初始位置参数向量Xi=(xi1,xi2,…,xid),i=1,2,…,l,其中d为序列个数,代表有d组序列,在初始时间t0时刻把n只蚂蚁随机放置在问题l的第i个位置上;b计算信息素浓度通过计算每个蚂蚁个体的目标函数值,再计算每个蚂蚁的信息素浓度,目标函数值越小,信息素浓度越大;式中,e为数学常数,即自然对数的底数,F为优化问题的目标函数,Xi为蚂蚁的初始位置向...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。