【技术实现步骤摘要】
本专利技术涉及地区电网短期负荷预测方法,特别涉及一种利用混合小波变换和纵横交叉算法优化神经网络的电网短期负荷预测方法。
技术介绍
目前,负荷预测中使用最为广泛的方法是人工神经网络预测。其中,BP神经网络由于具有自组织、自学习能力,可以实现从输入到输出的任意非线性映射,因而在预测领域得到了广泛应用。然而,BP算法采用梯度下降法调整权值和阈值,导致收敛速度慢,容易陷入局部最优。随着更多的影响因素和学习样本考虑在内,神经网络的计算量和权值数将急剧增加。此外,当大量冲击性负荷接入电网,该地区的负荷曲线会产生较多毛刺,但冲击负荷引起的毛刺并非坏值,利用滤波或其它技术手段对冲击负荷引起毛刺进行预处理会把有效负荷去除而导致精度下降。常规的神经网络模型几乎无法捕捉这些毛刺的变化规律,所以需要寻求一种新的预测方法。随着人们不断对短期负荷预测的深入研究,各种进化算法被广泛应用于优化神经网络参数,例如遗传算法(GA)、模拟退火法(SA)、粒子群算法(PSO)和蚁群算法(ACO)等等。其中,使用PSO优化BP神经网络参数,虽然收敛速度快,但当考虑负荷因素增多,决策变量规模将会急速增长,而PSO在求解大规模优化问题时容易出现早熟现象;使用ACO对BP神经网络进行优化,同样没有解决早熟问题,虽然ACO改善了神经网络的泛化能力,但为保持种群的多样性,蚁群算法采用了复杂的算法结构和较多的控制参数,从而影响了其实用性。以上算法各有优缺点,在一定程度上改善了神经网络的性能,但是它们通常要共同面对的挑战是过早收敛问题。到目前为止,大规模神经网络 ...
【技术保护点】
一种电网短期负荷预测方法,其特征在于,包括以下步骤:S1、获取历史数据并对数据作预处理;S2、利用小波分解将历史负荷样本数据分解成多个不同频率的子序列;S3、对各子序列进行单支重构;S4、动态选择训练样本,建立纵横交叉算法优化的神经网络预测模型;S5、对各子序列均用优化的神经网络模型进行提前24h预测;S6、叠加各子序列的预测值,获得完整预测结果。
【技术特征摘要】
1.一种电网短期负荷预测方法,其特征在于,包括以下步骤:
S1、获取历史数据并对数据作预处理;
S2、利用小波分解将历史负荷样本数据分解成多个不同频率的子序列;
S3、对各子序列进行单支重构;
S4、动态选择训练样本,建立纵横交叉算法优化的神经网络预测模型;
S5、对各子序列均用优化的神经网络模型进行提前24h预测;
S6、叠加各子序列的预测值,获得完整预测结果。
2.根据权利要求1所述的电网短期负荷预测方法,其特征在于,在所述步骤S4中,建立纵横交叉算法优化的神经网络预测模型,具体包括以下步骤:
S41、根据给定的训练样本,确定神经网络拓扑结构和各层的节点数,并确定横向交叉概率 、纵向交叉概率、种群规模、最大迭代次数和粒子维数,其中每个粒子维数为所要优化的连接权值和阈值的总数量;
S42、对所要优化的连接权值和阈值进行粒子编码,并随机产生初始种群,其中第粒子为:,,,分别是输入层,隐含层和输出层的节点数,表示输入层第个节点到隐含层第个节点的权值,表示隐含层第个节点到输出层第个节点的权值,表示隐含层第个节点的阈值、表示输出层第个节点的阈值;
S43、将每个粒子转换为神经网络各层对应的权值和阈值,根据BP网络的前向算法,隐含层第个节点输出值为:
输出层第个节点输出值为:
激活函数选定为Sigmoid函数,如下:
S44、根据下式计算初始种群中每个个体的适应值;
式中:、分别是神经网络的实际输出和目标输出,为训练样本数;
S45、执行横向交叉,产生的中庸解保存在矩阵中,然后计算中每个解的适应值,与其父代种群(即,第一代除外)进行比较,只有适应度更好的粒子才能保留在中;
S46、执行纵向交叉并将产生的解保存在矩阵中,然后计算中每个解的适应值,与其父代种群(即)进行比较,择优保留在中;
S47、判断终止条件是否满足,如果迭代次数大于设定的最大值时,则迭代终止并将中适应值最好的一组解转换为神经网络对应的权值和阈值,否则,转到步骤5进行新一轮迭代。
3.根据权利要求1所述的电网短期负荷预测方法,其特征在于,在所述步骤S1中,历史数据包括过去两年...
【专利技术属性】
技术研发人员:孟安波,卢海明,郭壮志,殷豪,周永旺,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东;44
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。