基于蜉蝣优化算法的短期负荷预测系统及方法技术方案

本发明专利技术公开了电网能源控制预测技术领域的基于蜉蝣优化算法的短期负荷预测系统及方法，包括：获取待预测区域的温度特征变量；将温度特征变量输入极限学习机模型进行训练；基于蜉蝣优化算法确定极限学习机模型的隐含层神经元个数；基于隐含层神经元个数确定训练参数解；基于训练参数解输出待预测区域的电力负荷数据。本发明专利技术通过温度的多形式变量策略，可有效提高在气象敏感性较高地区的负荷预测精度，通过采用改进蜉蝣算法对极限学习机进行参数寻优，可有效避免因参数设置不当而引起的过拟合问题。合问题。合问题。

【技术实现步骤摘要】
基于蜉蝣优化算法的短期负荷预测系统及方法


[0001]本专利技术涉及基于蜉蝣优化算法的短期负荷预测系统及方法，属于电网能源控制预测


技术介绍

[0002]目前在电力负荷的预测领域多采用将单一气温与湿度变量作为负荷预测模型的输入，然而在部分气象敏感性较强的地区，单一气象因素不能充分反应负荷的变化趋势，在气象敏感性较强的特殊时节，其预测效果将会受到影响。利用温湿度之间的耦合技术可有效缓解单一变量反映不充分带来的缺陷。然而该方法人为设定的参数较多，会弱化原始变量给负荷带来的影响，降低模型的预测精度。通过以湿度和温度为基础，构建多形式变量策略有效解决了上述问题。然而该策略仅凭人为设定忽视湿度的低相关性，导致输入干扰问题，降低预测精度。此外，该文献在模型参数上采用枚举搜索法，工作量较大，不适用于短期负荷预测工作。此外，采用人工选择参数会导致模型预测效果无法达到最优，大部分人工智能寻优算法易陷入过拟合问题。

技术实现思路

[0003]本专利技术的目的在于克服现有技术中的不足，提供基于蜉蝣优化算法的短期负荷预测系统及方法，可有效提高模型的预测效率。
[0004]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0005]第一方面，本专利技术提供了基于蜉蝣优化算法的短期负荷预测方法，包括：
[0006]获取待预测区域的温度特征变量；
[0007]将温度特征变量输入极限学习机模型进行训练；
[0008]基于蜉蝣优化算法确定极限学习机模型的隐含层神经元个数；
>[0009]基于隐含层神经元个数确定训练参数解；
[0010]基于训练参数解输出待预测区域的电力负荷数据。
[0011]进一步的，所述温度特征变量包括：高低阶变量，延时变量和交互变量。
[0012]进一步的，所述高低阶变量包括：当前时刻温度值、当前时刻温度值的多次方值和整个数据集中历史温度变量的均值。
[0013]进一步的，所述延时变量包括：当前时刻前一小时的温度变量和当前时刻前二十四小时的温度均值。
[0014]进一步的，所述交互变量包括：各月份的量化变量和各高低阶变量的乘积以及各月份的量化变量和各延时变量的乘积。
[0015]进一步的，所述蜉蝣优化算法包括引入柯西逆积累分布函数的改进速度公式，表达式为：
[0016][0017]式中：为第i只蜉蝣在j维度t时刻的速度，为该蜉蝣在下一刻时刻的速度，d为婚舞距离系数，r为范围[
‑
1，1]的随机参数。
[0018]进一步的，所述蜉蝣优化算法包括引入非线性递减与随机因子结合的动态惯性权重公式，表达式为：
[0019]w(t)＝ω
min
+(ω
max
‑
ω
min
)r
·
e
‑
t/Tmax
[0020]式中，ω
min
为最小惯性权重，ω
max
表示最大惯性权重，t为当前迭代次数，T
max
为最大迭代次数，r为范围[
‑
1，1]的随机参数，e为自然对数的底数。
[0021]第二方面，本专利技术提供了基于蜉蝣优化算法的短期负荷预测系统，包括：
[0022]采集模块：用于获取待预测区域的温度特征变量；
[0023]模型训练模块：用于将温度特征变量输入极限学习机模型进行训练；
[0024]神经元确定模块：用于基于蜉蝣优化算法确定极限学习机模型的隐含层神经元个数；
[0025]参数解确定模块：用于基于隐含层神经元个数确定训练参数解；
[0026]数据输出模块：用于基于训练参数解输出待预测区域的电力负荷数据。
[0027]第三方面，基于蜉蝣优化算法的短期负荷预测装置，包括处理器及存储介质；
[0028]所述存储介质用于存储指令；
[0029]所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
[0030]第四方面，计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0031]与现有技术相比，本专利技术所达到的有益效果：
[0032]一、本专利技术解决了现有技术中存在的在各气象变量下，模型输入的选择问题。该选择方法可有效挖掘出气象变量中各气象因子存在的延时特性，扩大气象变量对负荷预测的影响程度。通过温度的多形式变量策略，可有效提高在气象敏感性较高地区的负荷预测精度，利用斯皮尔曼相关系数可进一步筛选上述变量在预测工作中的维度，有效提高模型的预测效率。
[0033]二、利用蜉蝣算法对极限学习机中网络连接数进行寻优，并通过改进寻优算法，提高对模型中模型参数搜寻的效率，增强该研究方案的可执行能力。对传统蜉蝣算法进行改进可有效扩大目标搜寻范围、提高搜寻速度、避免陷入局部最优、提升收敛性能。通过采用改进蜉蝣算法对极限学习机进行参数寻优，可有效避免因参数设置不当而引起的过拟合问题。
附图说明
[0034]图1是本专利技术实施例一提供的澳大利亚新南威尔士州2008年12月1日至2009年2月28日的电力负荷数据图；
[0035]图2是本专利技术实施例一提供的不同天气变量预测结果图；
[0036]图3是本专利技术实施例一提供的不同方法预测对比图；
[0037]图4是本专利技术实施例一提供的不同模型的各时刻相对误差图；
[0038]图5是本专利技术实施例一提供的基于蜉蝣优化算法的短期负荷预测流程图。
具体实施方式
[0039]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0040]实施例一：
[0041]温度作为负荷预测中常见的气象因素，对负荷具有较强的影响，尤其在部分气象敏感性较强的地区，温度将对负荷起主导作用。澳大利亚新南威尔士州作为典型的气象敏感性地区，四季分明，电力负荷受温度影响明显。因此，为提高在该类地区下负荷预测的精度，需分析温度与负荷之间的相关性，通过构建多种温度的形式变量，进一步深度挖掘温度与负荷之间的联系。斯皮尔曼相关系数(Spearman
’
s rank
‑
order correlation coefficient，SROCC)作为常用的相关性分析指标，在数据整体分布形态未知、样本容量大小自由的情况下，都可用于判断两个变量之间的相关程度，相较于其他相关性评价标准具有更广泛的适用范围。该系数具体表达式如式(1)所示，变量间的相关判断依据如表1所示。依据判断标准，相关性程度大于等于0.5的变量判定为中高度变量，表明变量间关系密切。
[0042][0043]式中，x
i
与y
i
分别代表两个随机变量的第i个取值的等级，和分别代表两个变量的平均等级。
[0044][0045]表1斯皮尔曼相关系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于蜉蝣优化算法的短期负荷预测方法，其特征是，包括：获取待预测区域的温度特征变量；将温度特征变量输入极限学习机模型进行训练；基于蜉蝣优化算法确定极限学习机模型的隐含层神经元个数；基于隐含层神经元个数确定训练参数解；基于训练参数解输出待预测区域的电力负荷数据。2.根据权利要求1所述的基于蜉蝣优化算法的短期负荷预测方法，其特征是，所述温度特征变量包括：高低阶变量，延时变量和交互变量。3.根据权利要求2所述的基于蜉蝣优化算法的短期负荷预测方法，其特征是，所述高低阶变量包括：当前时刻温度值、当前时刻温度值的多次方值和整个数据集中历史温度变量的均值。4.根据权利要求2所述的基于蜉蝣优化算法的短期负荷预测方法，其特征是，所述延时变量包括：当前时刻前一小时的温度变量和当前时刻前二十四小时的温度均值。5.根据权利要求2所述的基于蜉蝣优化算法的短期负荷预测方法，其特征是，所述交互变量包括：各月份的量化变量和各高低阶变量的乘积以及各月份的量化变量和各延时变量的乘积。6.根据权利要求1所述的基于蜉蝣优化算法的短期负荷预测方法，其特征是，所述蜉蝣优化算法包括引入柯西逆积累分布函数的改进速度公式，表达式为：式中：为第i只蜉蝣在j维度t时刻的速度，为该蜉蝣在下一刻时刻的速度，d为婚舞距离系数，r为范围[
‑
1，1]的随机参数。7.根据权利要求1所述的基于蜉蝣优化算法的短期负荷预测方法，其特征是，所述蜉蝣优...

【专利技术属性】
技术研发人员：卢先领，金辰曦，
申请(专利权)人：江南大学，
类型：发明
国别省市：