一种基于改进ABC算法的Elman神经网络的短期负荷预测方法技术

本发明专利技术公开了一种基于改进ABC算法的Elman神经网络的短期负荷预测方法，本发明专利技术在充分解析传统Elman神经网络的输入信号的正向传递、误差信号的反向传播和承接层的延时算子过程之后，针对人工蜂群(ABC)算法收敛速度慢、搜索方程的开发能力较弱等缺点进行了一系列的改进措施，包括重新设计搜索方程、调整蜜蜂搜索频率和改变较优解的选择机制等方面；再将改进ABC算法产生的最优权值与阈值用于Elman神经网络实现电力系统短期负荷预测，提高负荷预测速度，最后在MATLAB中实现负荷预测功能，由实验结果得出采用改进ABC算法进行权值和阈值寻优处理，使得最大预测绝对误差明显减少。

A short-term load forecasting method based on improved ABC algorithm and Elman neural network

The invention discloses a short-term load forecasting method of Elman neural network based on improved ABC algorithm. After fully analyzing the forward transmission of input signal, the reverse propagation of error signal and the delay operator process of connection layer of traditional Elman neural network, the method has slow convergence speed and search speed for artificial bee colony (ABC) algorithm. A series of improvement measures have been taken to overcome the weakness of the equation development ability, including redesigning the search equation, adjusting the bee search frequency and changing the selection mechanism of the better solution, etc. Then the optimal weight and threshold generated by the improved ABC algorithm are applied to Elman neural network to realize short-term load forecasting of power system and improve the load. Finally, load forecasting function is realized in MATLAB. The experimental results show that the improved ABC algorithm is used to optimize the weights and thresholds, so that the maximum absolute error of forecasting is significantly reduced.

【技术实现步骤摘要】
一种基于改进ABC算法的Elman神经网络的短期负荷预测方法
本专利技术电力
，具体是一种基于改进ABC算法的Elman神经网络短期负荷预测方法。
技术介绍
供电低压台区负荷预测是供电部门的新兴工作之一，通过准确的负荷预测，可以经济合理地调整运行方式，减少上级电站备用容量、合理安排检修计划、降低运营成本、提高经济效益。根据电力系统负荷预测理论，在形成电力交易市场的过程中，负荷预测的研究更具重要意义，低压供电台区的负荷预测亦然。相对而言，中短区负荷预测对低压台区管理的价值更为重要。首先，中期负荷预测的结果，可以作为运行方式调整、低压电网工程施工的决策性依据。其次，24小时的短期负荷预测，可以作为供电企业提供设备过载预警。低压台区负荷预测可以分为长期预测、中期预测、短期预测、超短期预测，对应的时间段为年度、月度、日和时。其中，周预测、日预测、小时预测归为短期预测。目前，由于其负荷发展变化规律趋于稳定缘故，国外的学者关于中长期预测的研究远远多于短期预测，国内则基本上两者并重，但对于供电低压台区的预测还很少。目前，有学者对低压台区电网负荷预测进行了研究，提出了诸多负荷预测方法，如：中国专利(201410453192.1)提出来利用小波原理选取负荷数据中的特殊点作为插值点，同时根据Hurst参数与小波系数之间的关系确定迭代函数系统中的垂直比例因子。在此基础上对历史负荷数据进行仿射变换，得到未来时刻的数据，从而实现负荷预测。但是该方法收敛速度慢，易陷入局部极小值等缺点。中国专利(201610815893.4)获取个区域在待预测日的负荷预测值机近期一个样本空间的负荷、气象历史数据并根据基于概率距离的同步回代消除技术得到全天负荷预测序列。但是该方法忽视了季节天气的多样性，保存的正常数据难以覆盖所有类型的天气，所以负荷预测结果可信度不高。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于改进人工蜂群(简称ABC)算法的Elman神经网络对短期负荷进行预测的方法。该方法是基于Elman神经网络强大的非线性映射能力，利用人工蜂群训练神经网络的权值和阈值，再将改进ABC算法产生的最优权值与阈值用于Elman神经网络电力系统短期负荷预测，提高负荷预测速度。为解决上述技术问题，本专利技术采用的技术方案是：一种基于改进人工蜂群的Elman神经网络的短期负荷预测方法，包括以下步骤：步骤1：获取原始数据(包括初始负荷和气象数据集)，并对原始数据利用式(1)和式(2)进行预处理和归一化处理。气象数据包括每小时降水量、气压、湿度、温度、风速，其中温度又分为一个小时内的最高温、最低温和平均温，风速又分为瞬时风、最大风和极大风。步骤2：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于改进的ABC算法的Elman神经网络。网络结构由输入、输出参数的个数决定，隐含层个数按循环设置不同的个数寻找最优个数n。步骤3：确定适应度函数，每个食物源的位置为一组输入层权值、输出层权值和隐含层阈值。适应度值fiti计算公式为：式中ei为第i个食物源对应的权值和阈值训练时的均方误差。ei的计算公式如下：式中，yi为实际输出值，Ti为目标输入向量。步骤4：初始化人工蜂群，设定ABC算法中的参数limit；limit是记录某个解更新次数的上限定义计数变量t的初始值为1，蜂群种族数目NP为所有权值和阈值的总和。步骤5：引领蜂采用最优逼近的邻域搜索方法产生新的侦查蜂(基于式(3)和式(4)计算)，利用式(5)计算当前种群的反向种群，并在当前种群及其反向种群中选择保留较优的部分个体作为新种群。步骤6：根据式(6)和式(7)基于适应度排序的选择策略计算引领蜂的转移概率Pk，根据Pk选择食物源(解)，并采用随机邻域搜索方法产生新的跟随蜂，计算其适应度值。如果新的跟随蜂适应度值优于原个体，则进行替换，否则保留原个体不变。步骤7：对于循环次数limit后仍未被更新的蜜源位置，其对应的跟随蜂转化为侦查蜂，并由式(8)随机产生一个新的蜜源位置。步骤8：将计数变量t＝t+1；判断算法是否满足终止条件，若满足则输出最优解；如果不满足，则返回步骤5。所述终止条件是指t的值达到用户设定的上限值。步骤9：找到全局最优解，将改进的ABC算法计算得到的最优权值、阈值赋予Elman神经网络，将训练样本输入到网络中对Elman神经网络进行训练学习。步骤10：利用训练步骤9训练好的Elman神经网络进行短期负荷预测。进一步，所述步骤1中直接从电网中获取的原始数据以及对应的天气数据是十分杂乱的，会存在一些重复数据以及缺失数据。如果将这些数据进行建模会对负荷预测的结果产生很大的影响。所以在算法执行之前，需要对原始数据进行预处理。数据填充及异常数据处理的公式为：x(d,t)＝ω1x(d1,t)+ω2x(d2,t)(1)式中x(d,t)表示第d天第t个小时对应的负荷值，ω1x(d1,t)表示第d-1天第t个小时的负荷值，ω2x(d2,t)表示第d+1天第t个小时的负荷值。其中ω1＝ω2＝0.5分别表示前一天及后一天负荷的权重。进一步，所述步骤1中输入样本信息为负荷、气象、天气、湿度等量，这些量的量纲不一、数值各异、差异甚大。为避免因输入量值域范围的较大差异而导致某些负荷影响因素在总体映射效果中歪曲甚至淹没现象的发生，必须对输入的有关变量数据进行所述S2的归一化处理，具体处理公式为：x＝(xmax-xmin)/2+(xmax+xmin)/2式中，xmax和xmin代表训练样本集中负荷的最大值和最小值，x表示训练样本。进一步，所述步骤5中的邻域搜索可以有效改善原始ABC算法中算法收敛速度慢的问题,使算法具有较好的开发能力。通过引入一个控制参数MR以改变蜜蜂的搜索频率，进而加快算法的收敛速度。具体地，对于解xi的每一维向量xij，将产生一个均匀的随机数Rij(0≤Rij≤1)，如果随机数Rij小于控制参数MR，则分量xij将由以下方式更新：其中，g为当前循环数，φ是[-1,1]间的随机数，决定扰动幅度，MRmin是MR的下限值，MRmax是MR的上限值。在全体采蜜蜂邻域搜索完毕产生新的种群后，按照一般反向学习(GeneralizedOpposition-BasedLearning，简称GOBL)计算得到其反向种群，公式如下：其中，是第g代种群的第i个个体的第j维向量，是的反向个体，和分别是第g代种群中第j维向量的最小值和最大值，和分别是搜索空间中第j维向量的下界和上界，D为解的维数。进一步，所述步骤6中基于适应度排序策略，将种族个体按适应度大小进行排序，选择概率仅取决于个体在种群中的序位，而不是实际的适应度大小。该方法克服了比例适应度计算的缺点，具有更好的鲁棒性。选择概率定义如下：其中NP为种族数目，a(t)为自适应系数，定义为：其中N为迭代次数。进一步，步骤7中控制参数“limit”用来记录某个解未被更新的次数。在所有跟随蜂完成搜索过程之后，如果某个解通过limit次循环不能被进一步改良，表明这个解陷入局部最优，该位置会被舍弃。设蜜源位置xi被舍弃，则此蜜源对应的采蜜蜂变成一个侦查蜂，此侦查蜂按照下式产生一个新的蜜源代替它。公式如下：xij＝xmin,j+rand(0,1)(xma本文档来自技高网...

【技术保护点】
1.一种基于改进ABC算法的Elman神经网络的短期负荷预测方法，其特征在于，包括如下步骤：步骤1：获取原始数据并对原始数据进行预处理和归一化处理；所述原始数据包括初始负荷和气象数据集；步骤2：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于改进的ABC算法的Elman神经网络；步骤3：确定适应度函数，每个食物源的位置为一组输入层权值、输出层权值和隐含层阈值；步骤4：初始化人工蜂群，设定ABC算法中的参数limit；最大迭代次数；t＝1，蜂群种族数目N为所有权值和阈值的总和；步骤5：引领蜂采用最优逼近的邻域搜索方法产生新的侦查蜂，计算当前种群的反向种群，并在当前种群及其反向种群中选择保留较优的部分个体作为新种群；步骤6：基于适应度排序的选择策略计算引领蜂的转移概率Pk，根据Pk选择食物源(解)，并采用随机邻域搜索方法产生新的跟随蜂，计算其适应度值。如果新的跟随蜂适应度值优于原个体，则进行替换，否则保留原个体不变；步骤7：对于循环次数limit后仍未被更新的蜜源位置，其对应的跟随蜂转化为侦查蜂，并随机产生一个新的蜜源位置；步骤8：t＝t+1；判断算法是否满足终止条件，若满足则输出最优解；如果不满足，则返回步骤5；步骤9：找到全局最优解，将改进的ABC算法计算得到的最优权值、阈值赋予Elman神经网络，将训练样本输入到网络中对Elman神经网络进行训练学习；步骤10：利用训练步骤9训练好的Elman神经网络进行短期负荷预测。...

【技术特征摘要】
1.一种基于改进ABC算法的Elman神经网络的短期负荷预测方法，其特征在于，包括如下步骤：步骤1：获取原始数据并对原始数据进行预处理和归一化处理；所述原始数据包括初始负荷和气象数据集；步骤2：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于改进的ABC算法的Elman神经网络；步骤3：确定适应度函数，每个食物源的位置为一组输入层权值、输出层权值和隐含层阈值；步骤4：初始化人工蜂群，设定ABC算法中的参数limit；最大迭代次数；t＝1，蜂群种族数目N为所有权值和阈值的总和；步骤5：引领蜂采用最优逼近的邻域搜索方法产生新的侦查蜂，计算当前种群的反向种群，并在当前种群及其反向种群中选择保留较优的部分个体作为新种群；步骤6：基于适应度排序的选择策略计算引领蜂的转移概率Pk，根据Pk选择食物源(解)，并采用随机邻域搜索方法产生新的跟随蜂，计算其适应度值。如果新的跟随蜂适应度值优于原个体，则进行替换，否则保留原个体不变；步骤7：对于循环次数limit后仍未被更新的蜜源位置，其对应的跟随蜂转化为侦查蜂，并随机产生一个新的蜜源位置；步骤8：t＝t+1；判断算法是否满足终止条件，若满足则输出最优解；如果不满足，则返回步骤5；步骤9：找到全局最优解，将改进的ABC算法计算得到的最优权值、阈值赋予Elman神经网络，将训练样本输入到网络中对Elman神经网络进行训练学习；步骤10：利用训练步骤9训练好的Elman神经网络进行短期负荷预测。2.根据权利要求1所述的一种基于改进ABC算法的Elman神经网络的短期负荷预测方法，其特征在于，所述步骤1中预处理的表达式为：x(d,t)＝ω1x(d1,t)+ω2x(d2,t)式中x(d,t)表示第d天第t个小时对应的负荷值，ω1x(d1,t)表示第d-1天第t个小时的负荷值，ω2x(d2,t)表示第d+1天第t个小时的负荷值。3.根据权利要求1所述的一种基于改进ABC算法的Elman神经网络的短期负荷预测方法，其特征在于，所述步骤1中归一化处理的表达式为：x＝(xmax-xmin)/2+(xmax+xmin)/2式中xmax和xmin代表训练样本集中负荷的最大值和最小值。4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：汪洋，陈凤云，王满商，李正明，闫天一，潘天红，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32