基于遗传神经网络和自适应权重的日最大电力负荷预测法制造技术

本发明专利技术公开了一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，依次包括以下步骤：A：获取数据并进行预处理；B：构造特征向量S1和S2并对S1进行归一化处理；C:构建自适应权重预测模型；D：对遗传神经网络模型进行参数设置；E:对遗传神经网络模型进行训练；F:得到训练后的遗传神经网络预测模型；G：得到待预测日的日最大电力负荷；H：得到自适应权重预测模型对待预测日的日最大电力负荷预测结果；I：计算遗传神经网络模型和自适应权重预测模型的修正系数；J：输出待预测日的日最大电力负荷的预测值。本发明专利技术能够快速有效的进行日最大电力负荷预测。力负荷预测。力负荷预测。

【技术实现步骤摘要】
基于遗传神经网络和自适应权重的日最大电力负荷预测法


[0001]本专利技术涉及电力领域，尤其涉及一种基于遗传神经网络和自适应权重的日最大电力负荷预测法。

技术介绍

[0002]随着经济社会的高速发展，电力在社会生活中的应用越来越广泛，负荷预测作为电力系统运行的关键工具，许多运营决策都是基于电力负荷预测，比如发电机的调度、可靠性分析和发电机维护计划的安排等，能否准确进行负荷预测是制定电力供应计划和电网电量共需平衡的关键挑战。
[0003]然而，电力负荷的变化具有一定的波动性和随机性，在电力负荷预测过程中，诸如天气状况、经济条件、日类型、产业结构等因素不同程度地影响着电力负荷预测的结果，为实现电力系统实时高效调度，满足广大电力用户的用电需求，需要进行准确的电力负荷预测，以便电能的生产、电能的供应与负荷情况尽可能达到平衡，更好地为电网提供利益。

技术实现思路

[0004]本专利技术的目的是提供一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，能够基于电力负荷数据的特征以及天气状况、日类型等相关影响因素合理建模，快速有效的进行日最大电力负荷预测，从而为保障民生以及经济发展做出贡献。
[0005]本专利技术采用下述技术方案：
[0006]一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，依次包括以下步骤：
[0007]A：获取电力负荷数据、日类型数据和气象数据并进行预处理；
[0008]其中，电力负荷数据的预处理为标记出电力用户第i天的日最大电力负荷P
>i
；日类型数据的预处理为将工作日和节假日分别标记为数值1和2；气象数据的预处理为将天气情况按晴天、多云、阴天和雨雪天分别标记为数值1、2、3和4，并记录日最高温度H、日最低温度L和空气湿度R；
[0009]B：构造特征向量S1和特征向量S2，并对特征向量S1进行归一化处理得到归一化后的特征向量
[0010]其中，第i天的特征向量S1(i)＝[W
i
,H
i
,L
i
,R
i
,D
i
]T
，第i天的特征向量S2(i)＝[S1(i
‑
3),S1(i
‑
2),S1(i
‑
1)]，其中W
i
为第i天的天气情况；H
i
为第i天的日最高温度；L
i
为第i天的日最低温度；R
i
为第i天的空气湿度；D
i
为第i天的日类型数据；S1(i
‑
3)为第i
‑
3天的特征向量S1；S1(i
‑
2)为第i
‑
2天的特征向量S1；S1(i
‑
1)为第i
‑
1天的特征向量S1；
式中W
imax
表示W
i
的最大值、W
imin
表示W
i
的最小值；H
imax
表示H
i
的最大值、H
imin
表示H
i
的最小值；L
imax
表示L
i
的最大值、L
imin
表示L
i
的最小值；R
imax
表示R
i
的最大值、R
imin
表示R
i
的最小值；D
imax
表示D
i
的最大值、D
imin
表示D
i
的最小值；
[0011]C:计算特征向量S1与特征向量S2各列向量的关联系数，对自适应权重α进行赋值，构建自适应权重日最大电力负荷预测模型；
[0012]自适应权重日最大电力负荷预测模型为：
[0013][0014]式中，T0(i)为自适应权重日最大电力负荷预测模型在第i日的预测结果，P
q
为第q天对应的日最大电力负荷；α
q
为特征向量S2第q个列向量的自适应权重；r
Q
(q)为特征向量S1与特征向量S2第q个列向量的关联系数；G为第一中间参数；K为特征值k的个数，即S2行向量的个数；χ
q
(k)为第二中间参数；表示特征向量S2的第q个列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；表示特征向量S2所有列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；ρ是一个介于0和1之间的常数，本模型中ρ取0.5，表示特征向量S2所有列向量中各特征值与特征向量S1中各对应特征值差异最大的特征值；Δ'
q
(k)表示特征向量S2第q个列向量中第k个特征值与特征向量S1中第k个特征值的差异；
[0015]D：对遗传神经网络日最大电力负荷预测模型的参数进行设置；参数包括种群大小、遗传代数、交叉概率、变异概率、权值和阈值；
[0016]E:将步骤B中得到的归一化后的特征向量作为训练样本输入遗传神经网络日最大电力负荷预测模型中，对遗传神经网络日最大电力负荷预测模型进行训练；
[0017]遗传神经网络日最大电力负荷预测模型分为三层，分别为输入层、隐含层、输出层，其中输入层节点数为n，n为输入特征向量S1的行数，输出层节点数为1，隐含层节点数s＝2n+1,X
n
为输入特征向量S1第n行的值；
[0018]F:判断遗传神经网络日最大电力负荷预测模型的训练误差的均方差E是否满足设定要求，若训练误差的均方差E满足设定要求则完成训练，然后进入步骤G，利用训练后的遗传神经网络日最大电力负荷预测模型进行日最大电力负荷预测；如果训练误差的均方差E不满足设定要求则返回步骤D，对遗传代数进行更新设置，设置方法为将现有遗传代数设定值增加5后，转入步骤E继续训练，直至训练误差的均方差E满足设定要求；得到训练后的遗传神经网络日最大电力负荷预测模型；
[0019]G：将待预测日的特征向量S1在归一化处理后输入训练后的遗传神经网络日最大电力负荷预测模型，得到待预测日i的日最大电力负荷F0(i)；
[0020]H：将待预测日i的前3日的日最大电力负荷P
i
‑3、P
i
‑2和P
i
‑1，输入到步骤C中得到的自适应权重日最大电力负荷预测模型中，得到自适应权重日最大电力负荷预测模型对待预测日i的日最大电力负荷预测结果T0(i)；
[0021]I：计算遗传神经网络日最大电力负荷预测模型和自适应权重日最大电力负荷预测模型的修正系数；
[0022][0023]式中，S(i)为基于遗传神经网络和自适应权重日最大电力负荷预测模型的最终预测结果，C1为遗传神经网络日最大电力负荷预测模型的修正系数，C2为自适应权重日最大电力负荷预测模型的修正系数，F0(i)为遗传神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传神经网络和自适应权重的日最大电力负荷预测法，其特征在于，依次包括以下步骤：A：获取电力负荷数据、日类型数据和气象数据并进行预处理；其中，电力负荷数据的预处理为标记出电力用户第i天的日最大电力负荷P
i
；日类型数据的预处理为将工作日和节假日分别标记为数值1和2；气象数据的预处理为将天气情况按晴天、多云、阴天和雨雪天分别标记为数值1、2、3和4，并记录日最高温度H、日最低温度L和空气湿度R；B：构造特征向量S1和特征向量S2，并对特征向量S1进行归一化处理得到归一化后的特征向量其中，第i天的特征向量S1(i)＝[W
i
,H
i
,L
i
,R
i
,D
i
]
T
，第i天的特征向量S2(i)＝[S1(i
‑
3),S1(i
‑
2),S1(i
‑
1)]，其中W
i
为第i天的天气情况；H
i
为第i天的日最高温度；L
i
为第i天的日最低温度；R
i
为第i天的空气湿度；D
i
为第i天的日类型数据；S1(i
‑
3)为第i
‑
3天的特征向量S1；S1(i
‑
2)为第i
‑
2天的特征向量S1；S1(i
‑
1)为第i
‑
1天的特征向量S1；1天的特征向量S1；式中W
imax
表示W
i
的最大值、W
imin
表示W
i
的最小值；H
imax
表示H
i
的最大值、H
imin
表示H
i
的最小值；L
imax
表示L
i
的最大值、L
imin
表示L
i
的最小值；R
imax
表示R
i
的最大值、R
imin
表示R
i
的最小值；D
imax
表示D
i
的最大值、D
imin
表示D
i
的最小值；C:计算特征向量S1与特征向量S2各列向量的关联系数，对自适应权重α进行赋值，构建自适应权重日最大电力负荷预测模型；自适应权重日最大电力负荷预测模型为：式中，T0(i)为自适应权重日最大电力负荷预测模型在第i日的预测结果，P
q
为第q天对应的日最大电力负荷；α
q
为特征向量S2第q个列向量的自适应权重；r
Q
(q)为特征向量S1与特
征向量S2第q个列向量的关联系数；G为第一中间参数；K为特征值k的个数，即S2行向量的个数；χ
q
(k)为第二中间参数；表示特征向量S2的第q个列向量中的各特征值与特征向量S1中各对应特征值差异最小的特征值；表示特征向量S2所有列向量中...

【专利技术属性】
技术研发人员：赵泽昆，王瑶，赵媛杰，于植梁，王鹏，常德锋，王正昊，赵树法，尚明纪，张永晖，王伟鹏，李国伟，鞠恒，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：