一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法技术

本发明专利技术公开了一种基于K‑means聚类与蝙蝠优化神经网络的负荷预测方法，涉及电力负荷预测技术领域；其包括S1数据采集及预处理、S2用K‑means聚类分析获得电力负荷类型、S3确定每类电力负荷群模型构建输入的数据特征集合、S4训练BA‑BP神经网络预测模型及参数优化和S5对聚类后的电力负荷群进行预测的步骤；其通过S1数据采集及预处理、S2用K‑means聚类分析获得电力负荷类型、S3确定每类电力负荷群模型构建输入的数据特征集合、S4训练BA‑BP神经网络预测模型及参数优化和S5对聚类后的电力负荷群进行预测的步骤等，实现了电力负荷预测。

【技术实现步骤摘要】
一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
本专利技术涉及电力负荷预测
，尤其涉及一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法。
技术介绍
电力负荷预测连接电网能源与用户需求，对于电能调度和绿色用电意义重大，精准的电网短期电力负荷预测方法能够实现电网能量的精细管理，是居民稳定用电、经济稳定发展的重要保障。电网短期电力负荷是依靠历史电力负荷波动规律，结合外部环境因素的影响对未来几个小时或者几天的负荷状态进行预测。时间序列是与电网相关的各种活动的综合结果，存在一定的周期性，准确及时有效地对电力负荷进行预测可以辅助电网进行电力调度安排，防止出现电力事故从而造成大规模停电或者严重的经济损失，同时BP神经网络是一种具由有泛化能力、非线性映射能力、自学习以及强大的自适应能力预测方法。但是BP神经网络具有算法收敛速度缓慢、容易陷入局部最优的缺点，会使得预测的结果存在预测精度和实用性低的问题。现有技术问题及思考：如何解决电力负荷预测的技术问题。
技术实现思路
<br>本专利技术所要本文档来自技高网...

【技术保护点】
1.一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法，其特征在于：包括S1数据采集及预处理、S2用K-means聚类分析获得电力负荷类型、S3确定每类电力负荷群模型构建输入的数据特征集合、S4训练BA-BP神经网络预测模型及参数优化和S5对聚类后的电力负荷群进行预测的步骤，所述S4训练BA-BP神经网络预测模型及参数优化步骤包括S401初始化神经网络结构、S402初始化蝙蝠群参数、S403计算BA优化的BP适应度函数、S404更新及计算参数值并且更新历史最优解及全局最优解、S405计算适应度、S406调整当前全局最优个体和S407确定优化后的神经网络预测模型参数并得出最终预测模型的步...

【技术特征摘要】
1.一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法，其特征在于：包括S1数据采集及预处理、S2用K-means聚类分析获得电力负荷类型、S3确定每类电力负荷群模型构建输入的数据特征集合、S4训练BA-BP神经网络预测模型及参数优化和S5对聚类后的电力负荷群进行预测的步骤，所述S4训练BA-BP神经网络预测模型及参数优化步骤包括S401初始化神经网络结构、S402初始化蝙蝠群参数、S403计算BA优化的BP适应度函数、S404更新及计算参数值并且更新历史最优解及全局最优解、S405计算适应度、S406调整当前全局最优个体和S407确定优化后的神经网络预测模型参数并得出最终预测模型的步骤。


2.根据权利要求1所述的一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法，其特征在于：在S4训练BA-BP神经网络预测模型及参数优化步骤中，训练BA-BP神经网络预测模型及其参数优化具体如下：
S401初始化神经网络结构
初始化神经网络结构；
S402初始化蝙蝠群参数
初始化蝙蝠种群规模N，脉冲频率fi，蝙蝠位置以及参数；
S403计算BA优化的BP适应度函数
计算适应度函数；引入蝙蝠算法对BP神经网络的初始值、阈值进行优化，BA优化的适应度函数是式9：



式9中，Fitness(i)为BP神经网络的适应度函数，单位无；l代表样本个数；为第i个样本对应输出点的预测值，单位为千瓦；yi,j为第i个样本对应输出点的实际值，单位为千瓦；
S404更新及计算参数值并且更新历史最优解及全局最优解
更新计算式1回声频率fi、式2蝙蝠位置和式3速度并计算新的适应度值公式9，更新历史最优解和全局最优解；



式10中，是蝙蝠个体i在t+1时刻的速度，单位无；是蝙蝠个体i在t时刻的速度，单位无；为蝙蝠个体i在t时刻的位置，单位无；xbest为此时的所有蝙蝠的最优位置，单位无；fi为脉冲频率，单位hz；蝙蝠优化算法是仿生原理将种群数量为的蝙蝠个体映射为D维问题空间中的NP个可行解,将优化过程和搜索模拟成种群蝙蝠个体移动过程和搜寻猎物利用求解问题的适应度函数值来衡量蝙蝠所处位置的优劣，将个体的优胜劣汰过程类比为优化和搜索过程中用好的可行解替代较差可行解的迭代过程，参数没有单位；
fi＝fmin+(fmax-fmin)β,β∈[0,1](11)
式11中，fmin为最小可发声频率，单位khz；fmax为最大可发声频率，单位khz；β为脉冲发射率，单位无；



式12中，为蝙蝠个体i在t+1时刻的位置；
其中，fi∈[fmin,fmax]；
S405计算适应度
若随机数在当前个体中选择全局最优个体位置；其中，rand为随机数，单位无；rit为脉冲发射率，单位无；
根据xnew＝xold+θAt运用随机扰动产生一个局部个体，计算适应度值Fnew，其中，xnew为当前最优解，单位无；xold为上一时刻的最优解，单位无；θ代表[0,1]之间的随机数；At是所有蝙蝠在t时刻的平均响度，单位无；
S406调整当前全局最优个体
若随机数同时Fnew优于之前的空间位置Fb，则把该解设为当前全局最优个体，并根据rit+1＝ri0(1-e-μt)和调节rit和
其中，为t+1时刻响应度，单位无；Fnew为新的空间位置，单位无；Fb为间位置，单位无；rit+1为t+1的脉冲发射率，单位无；ri0为脉冲发射率的初始值，单位无；μ为脉冲发射率增加系数，单位无；为t+1时刻响应度，单位无；a为脉冲响度衰减系数，单位无；通常取a＝μ＝0.9；
S407确定优化后的神经网络预测模型参数并得出最终预测模型
判断算法是否满足终止条件确定神经网络的权值阈值参数。


3.根据权利要求1所述的一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法，其特征在于：在S1数据采集及预处理步骤中，
以样本时刻时间间隔t划分电压数据和电流数据，计算每个样本时刻时间间隔t内的电压平均值和电流平均值，将每个样本时刻时间间隔t的中间时刻作为样本时刻，将每个样本时刻时间间隔t内的电压平均值和电流平均值作为样本时刻的电压值和电流值，将每个样本时刻电压值与电流值的乘积作为样本时刻的功率值；每个电力检测设备对应一段由所有样本时刻的功率值组成的功率序列，所有电力检测设备的功率序列组成功率训练样本为式1；



式1中，i为样本编号，范围从1～N，N为样本数量，xi为第i个样本值，单位是千瓦；
对异常值进行处理，采用3σ准则进行异常点检测，若测量值满足下面式2或者式3中任意一个，则为异常值，将其剔除；






式2中，为测量值历史数据的平均值，单位为千瓦；σ为测量值历史数据的标准...

【专利技术属性】
技术研发人员：李飞，高波，王鸿玺，张旭东，王学婧，孙毅，
申请(专利权)人：国网河北省电力有限公司电力科学研究院，国网河北能源技术服务有限公司，国家电网有限公司，
类型：发明
国别省市：河北;13