【技术实现步骤摘要】
一种花授粉算法优化神经网络的楼宇微网负荷预测方法
本专利技术涉及楼宇微网的负荷预测领域，更确切的说是涉及一种花授粉算法优化神经网络的楼宇微网负荷预测方法。
技术介绍
在电网技术飞速发展的今天，越来越多的分布式供能系统在楼宇侧集成，逐渐形成了一种楼宇微网。楼宇微网是以楼宇为主体部分，由直流构成的微电网，是未来智能配用电系统的重要组成部分。毋庸置疑，楼宇微网中的最重要的能量来源就是电能。但电能有难以储存的致命缺点，这就要求对负荷需求量进行较为精确的预测。电力负荷预测本身具有不准确性、条件性、时间性、多方案性、内部相关性等特点，这也使得负荷预测的精度是个有挑战性的工作。目前，负荷预测方法主要采用有灰色预测法、模糊预测法，支持向量机，时间序列法和神经网络等方法。其中，有着较强自适应能力和学习能力，且可以以任意精度逼近任何非线性函数的BP神经网络在负荷预测领域被广泛应用。但是，这种方法也存在着一定缺陷，比如学习能力和泛化能力存在着矛盾，反向传播算法容易陷入局部极值等，这些都是急需解决的问题。
技术实现思路
本专利技术的主要目的是提出一种花授粉算法优化神经网络的楼宇微网负荷预测方...
【技术保护点】
1.一种花授粉算法优化神经网络的楼宇微网负荷预测方法，其特征在于，包括以下步骤：Step1收集楼宇微网历史负荷数据和局地气象要素数据，对收集获取的数据进行预处理，并将其生成训练样本集和测试样本集；Step2使用训练样本集建立神经网络预测模型；Step3采用训练样本集对神经网络进行训练，训练的过程中通过花授粉算法对神经网络的权值和阈值进行优化调整；Step4在Step3训练好的网络中输入测试样本集，得到楼宇微网负荷预测的结果。
【技术特征摘要】
1.一种花授粉算法优化神经网络的楼宇微网负荷预测方法，其特征在于，包括以下步骤：Step1收集楼宇微网历史负荷数据和局地气象要素数据，对收集获取的数据进行预处理，并将其生成训练样本集和测试样本集；Step2使用训练样本集建立神经网络预测模型；Step3采用训练样本集对神经网络进行训练，训练的过程中通过花授粉算法对神经网络的权值和阈值进行优化调整；Step4在Step3训练好的网络中输入测试样本集，得到楼宇微网负荷预测的结果。2.如权利要求1所述的生成训练样本集和测试样本集，其特征在于，所述的Step1的具体步骤为：训练样本集Trainn包含n个输入样本Pn和n个输出样本Tn，输入样本是采集得来的连续的楼宇微网历史负荷数据和局地气象要素数据，可记作其中m为历史负荷数据的个数，a为局地气象要素数据的个数(考虑范围内)，m+a为预测模型的输入个数；输出样本集是采集得来的连续的历史负荷数据，可记作l的取值由模型输出节点的个数决定；n为样本集的第n个样本；选取测试样本集Testn的方式与选取训练样本集Trainn的方式相同。3.如权利要求1所述的建立神经网络预测模型，其特征在于，所述的Step2包括以以下步骤：神经网络预测模型的输入层节点数inputnum设为3个，隐藏层节点数hiddennum设为10个，输出层节点数量outputnum设为1个；选择隐藏层和输出层的传输函数分别为tansig函数和pureline函数；神经网络需要优化的变量个数为：nvar＝inputnum×hiddennum+hiddennum×outputnum+hiddennum+o...
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。