一种基于BFA-Elman的电力负荷预测方法技术

本发明专利技术公开了一种基于BFA‑Elman的电力负荷预测方法。该方法步骤如下：获取原始负荷数据，对原始负荷数据进行负荷数据预处理和归一化，去除不规则数据和填补缺失数据；构建Elman神经网络拓扑结构，确定网络的参数，初始化Elman神经网络的权值和阈值；设置细菌觅食算法BFA的参数，通过细菌解码，求取最优解，得到最优权值阈值；更新Elman神经网络的权值阈值，训练基于BFA算法优化的Elman神经网络，并对未来电力负荷进行预测。本发明专利技术提出的基于BFA‑Elman的电力负荷预测方法，预测精度高，满足了电力系统对电力负荷预测的需要。

【技术实现步骤摘要】
一种基于BFA-Elman的电力负荷预测方法
本专利技术涉及电力
，特别是一种基于BFA-Elman的电力负荷预测方法。
技术介绍
电力负荷预测作为电力系统重要工作内容之一。短期电力负荷预测是针对短期负荷随机性和不确定性的特点，充分研究和利用历史数据，建立一套符合历史数据连续性、周期性等特点的数学模型，在满足较高精度的意义上，确定未来一天或几天的电力负荷，了解未来负荷的发展变化。因此，电力负荷预测是电力系统安全、经济运行的有效保障。目前大多电力负荷预测系统使用的趋势外推、回归分析等传统预测技术较为落后，预测精度不高，不能很好的满足高预测精度的要求。在电力生产和消费市场化的趋势中，随着电力系统规模不断扩大，对负荷预测的准确性、实时性、可靠性和智能型的需求与日俱增。相应地，提高电力负荷预测精度已成为电力企业的重要研究课题。
技术实现思路
本专利技术的目的在于提供一种基于BFA-Elman的电力负荷预测方法，从而对电力负荷进行准确、实时、可靠的预测。实现本专利技术目的的技术解决方案为：一种基于BFA-Elma本文档来自技高网...

【技术保护点】
1.一种基于BFA-Elman的电力负荷预测方法，其特征在于，包括：/n步骤S1：获取原始负荷数据，对原始负荷数据进行负荷数据预处理和归一化，去除不规则数据和填补缺失数据；/n步骤S2：构建Elman神经网络拓扑结构，确定网络的参数，初始化Elman神经网络的权值和阈值；/n步骤S3：设置细菌觅食算法BFA的参数，通过细菌解码，求取最优解，得到最优权值阈值；/n步骤S4：更新Elman神经网络的权值阈值，训练基于BFA算法优化的Elman神经网络，并对未来电力负荷进行预测。/n

【技术特征摘要】
1.一种基于BFA-Elman的电力负荷预测方法，其特征在于，包括：
步骤S1：获取原始负荷数据，对原始负荷数据进行负荷数据预处理和归一化，去除不规则数据和填补缺失数据；
步骤S2：构建Elman神经网络拓扑结构，确定网络的参数，初始化Elman神经网络的权值和阈值；
步骤S3：设置细菌觅食算法BFA的参数，通过细菌解码，求取最优解，得到最优权值阈值；
步骤S4：更新Elman神经网络的权值阈值，训练基于BFA算法优化的Elman神经网络，并对未来电力负荷进行预测。


2.根据权利要求1所述的基于BFA-Elman的电力负荷预测方法，其特征在于，步骤S1所述获取历史原始负荷数据，对原始负荷数据进行负荷数据预处理和归一化，去除不规则数据和填补缺失数据，具体包括：
步骤11：对于缺失数据的处理；
如果缺失数据的前后时间间隔在设定阈值内，采用线性插值的方法填补缺失数据，已知n时刻、n+i时刻的负荷值fn和fn+1，缺少中间的数据，则中间时刻n+j的负荷值为：



如果时间间隔大于设定阈值，则采用相邻的数据代替；
步骤12：对于错误数据的处理；
将时刻t的负荷和其前一时刻t-1、后一时刻t+1负荷值进行比较，如果差值大于阈值，即当前负荷数据的变化范围超出前、后负荷值的±10％以外，采用水平处理：

则
其中，y(d,t)为第d天t时刻的负荷值，y(d,t-1)为第d天t-1时刻的负荷值，y(d,t+1)为第d天t+1时刻的负荷值，θ1、θ2为设置的范围参数；
电力负荷具有周期性，历史数据中相同时刻的负荷值应维持在设定的范围内，对于超出范围的数据进行修正，采用垂直处理：

则
其中，y(d,t)为第d天t时刻的负荷值，为历史数据同一时刻负荷的平均值，θ为设置的范围参数；
步骤13：对历史负荷数据进行归一化，具体包括：
x′ij＝lg(xij)
其中，xij为历史负荷，x′ij为规格化后的负荷，对负荷采用对数处理，即得到连续时间序列的归一化负荷数据。


3.根据权利要求1所述的基于BFA-Elman的电...

【专利技术属性】
技术研发人员：李军，李浩，王茂琦，郑伟伦，徐康民，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32