一种基于蚁群-粒子群网络的低压台区电网负荷预测方法技术

本发明专利技术公开了一种基于蚁群

【技术实现步骤摘要】
一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法


[0001]本专利技术涉及负荷预测
，具体涉及一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法。

技术介绍

[0002]传统意义上的负荷预测手段，大多是由预测人员的判断和猜测实现的。因此，传统的负荷预测方式，对负荷预测人员的文化素质、数据分析能力和电网运行经验有着相当严格的要求。国内外普遍认可存在两个预测阶段：阶段一，完全依赖预测人员的日常经验进行预测；阶段二，通过运用计算机，采用具有数据分析能力的数据软件或专业的负荷预测软件，参考主观判断和修正，结合数据分析结果，完成目标周期的负荷预测。随着我国社会经济的快速发展。迈入21世纪后，电网供配电企业发展迅猛，供电呈现前所未有的紧张局面。客观说来，能够影响电力负荷的因素较多，并且呈现复杂化和社会化的趋势。面对日益复杂的负荷变化大背景，传动地以运行调度人员主观人为判断为主的负荷预测模式，已经很难满足新形势下的负荷预测工作的实际需求。同时，随着电力市场改革的不断深入，各个级别的电力交易中心对电网负荷预测的实时性、准确性提出了更高的要求。
[0003]在现有的负荷预测手段中，BP神经网络，具有理念清晰、结构明确、工作状态稳定、可操作性强等优势，可以根据被预测地区的风速V、气温T、气压P、湿度W等气候预报数据，以及部分电网运行参数，对电网负荷进行较好的预测。但BP神经网络训练机制，一般是沿负梯度方向来修正网络的权重和阈值，而采用负梯度下降法训练，网络将存在网络学习率、网络稳定性之间的不可调和的矛盾，造成修正权重和阈值的训练速度缓慢。在低压台区的负荷预测中，学习率过大会导致训练的过程不够稳定，相反学习率过小又会导致训练时间过长，影响负荷预测的推广范围，而且这个矛盾在非线性系统中更加突出。而低压台区负荷预测即属于非线性问题，很难选择折中的学习速率。因此，低压台区电网负荷预测中，需要对BP神经网络进行改进。

技术实现思路

[0004]针对基于BP神经网络的电力负荷预测方法存在着网络学习率、网络稳定性之间的不可调和的矛盾，本专利技术提出了一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法，首先收集样本数据并处理；接着将样本数据分为学习样本和测试样本；然后构建神经网络，采用蚁群算法确定网络结构基因，采用粒子群算法确定网络参数基因，获得蚁群
‑
粒子群网络；最后利用蚁群
‑
粒子群网络进行低压台区电网负荷预测，以气象数据作为输入量，负荷数据作为输出量。本专利技术采用智能优化手段，对神经网络参数进行优化，解决了BP神经网络在基于群集智能手段的低压台区电网负荷预测中存在的问题；通过准确的负荷预测，合理、经济地对低压电网运行方式进行调整，减少上级电站备用容量，并将低压配电变压器负载率调整在合理范围内。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法，包括以下步骤：步骤S1：收集样本数据并处理，所述样本数据包括历史负荷数据和历史气象数据；步骤S2：将处理好的样本数据分为学习样本和测试样本；步骤S3：构建神经网络，采用蚁群算法确定网络结构基因，采用粒子群算法确定网络参数基因，获得蚁群
‑
粒子群网络；步骤S4：利用蚁群
‑
粒子群网络进行低压台区电网负荷预测，以气象数据作为输入量，负荷数据作为输出量。
[0007]本专利技术提出了一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法，首先收集样本数据并处理；接着将样本数据分为学习样本和测试样本；然后构建神经网络，采用蚁群算法确定网络结构基因，采用粒子群算法确定网络参数基因，获得蚁群
‑
粒子群网络；最后利用蚁群
‑
粒子群网络进行低压台区电网负荷预测，以气象数据作为输入量，负荷数据作为输出量。本专利技术针对低压台区负荷具有一定随机性的特点，采用智能优化手段，对神经网络参数进行优化，即采用蚁群算法对隐含层节点个数进行确定，采用粒子群算法对网络的连接权重和阈值进行调整，解决了BP神经网络在基于群集智能手段的低压台区电网负荷预测中存在的问题；通过准确的负荷预测，合理、经济地对低压电网运行方式进行调整，减少上级电站备用容量，并将低压配电变压器负载率调整在合理范围内：有利于城市低压台区电网架的合理布局；有利于供电企业安排检修计划，降低运营成本，提高经济效益。
[0008]作为优选，步骤S3中，算法的具体实现步骤为：步骤A1：初始化参数；步骤A2：归一化学习样本和测试样本；步骤A3：I只蚂蚁逐个选择结构基因，共形成I组结构基因；步骤A4：根据第i组结构基因，构建神经网络，并逐个计算K个样本的网络输出；步骤A5：在第i个神经网络中，计算第s次迭代第j个粒子的K个样本网络输出的均方差；步骤A6：根据均方差更新第s次迭代第j个粒子个体极值；步骤A7：j
←
j+1跳转至步骤A5，直至J个粒子下网络输出的均方差全部计算完成；步骤A8：根据均方差更新第s次迭代的全局极值；步骤A9：更新J个粒子的速度v(j)、位置X(j,:)；步骤A10：s
←
s+1跳转至步骤A5，直至S次迭代全部计算完成；步骤A11：判断粒子群算法是否收敛，若收敛，第i组结构基因下的误差取收敛误差；否则取s次迭代中的最大误差；步骤A12：i
←
i+1跳转至步骤A5，直至I次迭代全部计算完成；步骤A13：判断蚁群算法是否收敛，若蚁群算法和粒子群算法均收敛，根据G(1,:)和X(1,:)构建神经网络并利用测试样本测试神经网络误差；否则根据更新费洛蒙浓度、能见度因数、状态转移概率，进行第t+1次迭代。
[0009]本专利技术在BP神经网络的基础上，引入智能优化手段解决BP神经网络在基于群集智能手段的低压台区电网负荷预测中存在的问题，即采用蚁群算法对隐含层节点个数进行确定，采用粒子群算法对网络的连接权重和阈值进行调整。
[0010]作为优选，步骤S3中，采用蚁群算法确定网络结构基因，具体过程包括：
构建网络结构基因：网络结构基因G表示隐含层节点的有无，当G
t
(i,m)＝1时，表示第m维结构基因G
t
(i,m)对应的第m维隐含层节点存在；当G
t
(i,m)＝0时，表示第m维结构基因G
t
(i,m)对应的第m维隐含层节点不存在；其中，G
t
(i,m)采用二进制编码，即为神经网络隐含层节点的真实个数；本专利技术将每个结构基因G
t
(i,m)视为一个“城市”，蚂蚁在该路径点可选择的“路径”有且只有两条，即“0”路径和“1”路径，每只蚂蚁根据结构基因G
t
(i,m)的取值(0或1)，在相应的“路径”上释放部分的费洛蒙，用于获取误差最小的低压台区电网负荷预测网络输出。因此，以网络输出与学习样本均方差作为“路径本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法，其特征在于，包括以下步骤：步骤S1：收集样本数据并处理，所述样本数据包括历史负荷数据和历史气象数据；步骤S2：将处理好的样本数据分为学习样本和测试样本；步骤S3：构建神经网络，采用蚁群算法确定网络结构基因，采用粒子群算法确定网络参数基因，获得蚁群
‑
粒子群网络；步骤S4：利用蚁群
‑
粒子群网络进行低压台区电网负荷预测，以气象数据作为输入量，负荷数据作为输出量。2.根据权利要求1所述的一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法，其特征在于，步骤S3中，算法的具体实现步骤为：步骤A1：初始化参数；步骤A2：归一化学习样本和测试样本；步骤A3：I只蚂蚁逐个选择结构基因，共形成I组结构基因；步骤A4：根据第i组结构基因，构建神经网络，并逐个计算K个样本的网络输出；步骤A5：在第i个神经网络中，计算第s次迭代第j个粒子的K个样本网络输出的均方差；步骤A6：根据均方差更新第s次迭代第j个粒子个体极值；步骤A7：j
←
j+1跳转至步骤A5，直至J个粒子下网络输出的均方差全部计算完成；步骤A8：根据均方差更新第s次迭代的全局极值；步骤A9：更新J个粒子的速度v(j)、位置X(j,:)；步骤A10：s
←
s+1跳转至步骤A5，直至S次迭代全部计算完成；步骤A11：判断粒子群算法是否收敛，若收敛，第i组结构基因下的误差取收敛误差；否则取s次迭代中的最大误差；步骤A12：i
←
i+1跳转至步骤A5，直至I次迭代全部计算完成；步骤A13：判断蚁群算法是否收敛，若蚁群算法和粒子群算法均收敛，根据G(1,:)和X(1,:)构建神经网络并利用测试样本测试神经网络误差；否则根据更新费洛蒙浓度、能见度因数、状态转移概率，进行第t+1次迭代。3.根据权利要求1所述的一种基于蚁群
‑
粒子群网络的低压台区电网负荷预测方法，其特征在于，步骤S3中，采用蚁群算法确定网络结构基因，具体过程包括：构建网络结构基因：网络结构基因G表示隐含层节点的有无，当G
t
(i,m)＝1时，表示第m维结构基因G
t
(i,m)对应的第m维隐含层节点存在；当G
t
(i,m)＝0时，表示第m维结构基因G
t
(i,m)对应的第m维隐含层节点不存在；其中，G
t
(i,m)采用二进制编码，即为神经网络隐含层节点的真实个数；
为保证费洛蒙浓度与结构基因二进制特性相适应，分别构建第t+1(0<t<T)代，第i(0<i≤I)只蚂蚁，第m个隐含层节点“0”路径和“1”路径上费洛蒙浓度如下：路径上费洛蒙浓度如下：其中，ρ为费洛蒙残留系数，反映了蚂蚁个体之间相互影响的强弱；Q为常量，表示蚂蚁在经过路径上所释放的费洛蒙的总量；D
t
(i)表示蚂蚁所走过的路径的长度，为第t次迭代下第i只蚂蚁产生的网络输出与学习样本的均方差；为保证能见度因数与结构基因二进制特性相适应，分别构建第t+1(0<t<T)代，第i(0<i≤I)只蚂蚁，第m个隐含层节点“0”路径和“1”路径上能见度因数如下：路径上能见度因数如下：进而算出，对于模型中第t+1次迭代，第i只蚂蚁，第m个隐含层节点“0”路径和“1”路径上转移概率p
l
(t+1)分别为：其中，费洛蒙浓度相对重...

【专利技术属性】
技术研发人员：李颖，徐钰强，韩长志，周青睐，王海帆，李天鲍，王哲萍，周嘉诚，姚利忠，陈龙，陈云飞，何嵩琦，何玎傲，张超，朱善令，
申请(专利权)人：国网浙江省电力有限公司桐乡市供电公司，
类型：发明
国别省市：