一种基于LSSVM的神经网络的微电网负荷预测方法技术

技术编号:20945109 阅读:26 留言:0更新日期:2019-04-24 02:38
本发明专利技术涉及一种基于LSSVM的神经网络的微电网负荷预测方法,属于微电网负荷领域。本发明专利技术基于最小二乘支持向量机技术结合神经网络提出了一种负荷预测方法,首先使用蚁群算法对最小二乘支持向量回归机的模型参数进行寻优,以优化后的模型训练出回归机,由这个回归机来为RBF神经网络提供较优的结构和参数,最后通过matlab仿真训练得到预测结果。本发明专利技术提高了微电网符合预测的准确度。

A Load Forecasting Method for Microgrid Based on LSSVM Neural Network

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量;c信息素更新从蚁群中随机抽取p只蚂蚁,由每只蚂蚁所在位置的信息素浓度大小,选择蚂蚁目标函数值最小的位置为Xbest,并将该蚂蚁作为头蚁Xobj;d全局搜索蚁群中其他蚂蚁根据下式向头蚁位置移动进行全局搜索Xi=(1-λ)Xi+λXobjλ∈(0,1)式中,λ∈(0,1)范围的可调节系数,Xobj为目标函数最小的头蚁位置;e局部搜索对于上次迭代中产生的头蚁Xbest,按照下式在其邻域内进行局部搜索式中,hmax和hmin分别为搜索步长的最大值和最小值,tmax为最大循环次数,X′i为头蚁进行局部搜索后的位置,当F(Xbest)≤F(Xbest+0.001Xbest)时,X′i的计算式中取“+”,否则取“-”,随着算法迭代,动态调整搜索步长,引导精细搜索方向以避免略过全局最优值;f迭代过程中对每个位置上蚂蚁信息素浓度进行更新。g检查是否满足迭代终止条件若满足迭代终止条件即目标函数F的值最小,则停止迭代并输出最佳的核函数参数σ和惩罚因子C的最优组合;若不满足迭代终止条件,则返回步骤d,直到满足条件。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;设最小二乘支持向量机训练得到的支持向量的个数为g个,分别为v1,v2…vg,权值为ω1,ω2…ωg,偏置系数为b,RBF神经网络的径向基函数采用高斯函数,输入节点个数为输入矩阵的维数,隐层节点个数为g,输出节点与最小二乘支持向量机输出节点相同,各向基函数中心分别为v1,v2…vg,其宽度与最小二乘支持向量机所选宽度一致,网络权值为ω1,ω2…ωg,偏置为b。Step5利用RBF预测模型对微电网的电力负荷进行预测。本专利技术的有益效果:本专利技术针对于负荷预测的不确定性和数据的复杂性,结合RBF核函数可以保证最小二乘支持向量机训练的二次规划问题是凸优化问题可提高精准度的优点。由于最小二乘向量机在初始化模型时,参数时随机的,而蚁群算法具有很强的全局搜索能力,所以首先使用蚁群算法对最小二乘支持向量回归机的模型参数进行寻优,以优化后的模型训练出回归机,由这个回归机来为RBF神经网络提供较优的结构和参数,最后通过Matlab仿真训练得到预测结果。由于最小二乘支持向量机的学习训练为一个线性方程组的求解问题,学习效率高、全局最优,从而由它确定的RBF网络能具有更好的性能。附图说明图1是本专利技术的基于蚁群算法对LSSVM进行寻优的流程图图2是本专利技术的最小二乘支持向量机确定的RBF的神经网络结构。具体实施方式下面结合附图和具体实施例对本专利技术进行详细的描述。实施例1:一种基于LSSVM的神经网络的微电网负荷预测方法,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;由于特性指标的量纲和数量级不尽相同,在运算过程中可能突出某数量级特别大的特性指标对分类的作用。为了消除特性指标单位的差别和特性指标数量级不同的影响,必须对其规格化,从而使得每一指标值均统一于某种共同的数值特性范围。(1)负荷数据的规格化对负荷采用对数处理:x′ab=lg(xab)(2.1)其中,xab为原始负荷,x′ab为规格化后的负荷。(2)日类型的划分与规格化用数字来表征负荷对不同日类型的响应,根据负荷的周周期性,将周一取为0.7,周二到周五取为0.8,周六取为0.4,周日取为0.3。(3)温度数据的规格化本文采用的归一化公式为:T′cd=(Tcd-Tdmin)/(Tdmax-Tdmin),c=1,2,...,p;d=1,2,...,q(2.2)其中,Tcd为原始温度℃;Tdmin,Tdmax分别为T1d,T2d,…,Tpd中的最小值、最大值;T′cd为规格化后的温度系数。(4)湿度因素的规格化将湿度因素化为[0,1]之间的值。这样,每一个数据都经过线性变换到[O,1]的取值范围,且是具有相同尺度的无量纲量。最后,对于输出的训练、测试和预测数据,再进行反归一化处理,经还原计算回复为实际值。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;蚁群个数m:本文取120个,蚂蚁数目越多,分布就越广,搜索的空间范围就越大,因而更容易发现全局最优解,但是相应的运行时间也越长。因此选择一个适中的数字,选择120只个。最大迭代次数tmax取100。搜索步长最下值和最大值分别为hmin=0.1,hmax=10,α=0.4,β=1。信息素挥发系数为ρ=0.6,0≤C≤150,0.1≤σ≤10。如图1所示,蚁群优化LSSVM的具体步骤如下: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]和本文档来自技高网...

【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...

【专利技术属性】
技术研发人员:唐菁敏马含
申请(专利权)人:昆明理工大学
类型:发明
国别省市:云南,53

网友询问留言 已有0条评论
  • 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。

1