一种短期电力负荷预测方法和装置制造方法及图纸

本说明书实施例公开了一种短期电力负荷预测方法和装置；所述方法包括：获得训练数据集并进行预处理；训练数据集包括电力负荷数据和天气数据；依据训练数据集，构建改进遗传算法优化

【技术实现步骤摘要】
一种短期电力负荷预测方法和装置


[0001]本说明书涉及电力负荷预测
，尤其涉及一种短期电力负荷预测方法
、
装置以及相应的电子设备
、
存储介质
。

技术介绍

[0002]在能源系统与互联网结合的高速发展中
,
电力负荷预测对电力系统的经济安全运行具有重要的作用
。
近年来，随着技术的不断发展，一些新型的预测方式应运而生，主要包括神经网络学习
、
粒子群学习等等，这些预测方式的诞生使得电力负荷预测领域有较高的发展和提升
。
特别是基于
BP
神经网络的短期电力负荷预测方法成为研究的热点
。
但是，由于
BP
神经网络具有一些固有的缺陷，如容易陷入局部极小点
、
收敛速度慢
、
迭代时间长等
。
近来，通过神经网络预测结合其它算法被广泛研究和应用，但同样存在一定程度的局限性，例如
BP
神经网络与遗传算法相结合时，遗传算法仍然存在局部搜索能力较差，容易早熟的缺点
。
因此，如何克服这些缺陷并提高负荷预测精度，是一个亟待解决的技术问题
。

技术实现思路

[0003]本说明书实施例的目的是针对上述问题，提供一种短期电力负荷预测方法
、
装置以及相应的电子设备
、
存储介质
。
[0004]为解决上述技术问题，本说明书实施例是这样实现的：
[0005]第一方面，提出一种短期电力负荷预测方法，包括：
[0006]获得训练数据集并进行预处理；所述训练数据集包括电力负荷数据和天气数据；
[0007]依据所述训练数据集，构建改进遗传算法优化
BP
神经网络模型，并获得
BP
神经网络模型参数和遗传算法参数，所述遗传算法参数包括适应度值
、
变异概率和交叉概率；
[0008]对当前种群进行选择操作，获得下一代种群的所述适应度值；其中，执行所述选择操作的所述交叉概率和
/
或所述变异概率，能够依据所述适应度值，按照所述遗传算法一个迭代周期的前半周期和后半周期分别确定；
[0009]依据所述下一代种群的所述适应度值，迭代更新所述交叉概率和
/
或所述变异概率，直至达到预设的迭代终止条件，获得所述改进遗传算法优化
BP
神经网络模型的最优解；
[0010]依据所述改进遗传算法优化
BP
神经网络模型的所述最优解，获得短期电力负荷预测值，并对所述短期电力负荷预测值进行验证分析
。
[0011]进一步地，获得训练数据集并进行预处理包括对所述电力负荷数据和所述天气数据进行归一化处理
。
[0012]进一步地，所述
BP
神经网络模型参数，包括层数
、
权重和阈值；和
/
或，所述遗传算法参数还包括染色体编码方式和种群大小
。
[0013]进一步地，所述适应度值由所述
BP
神经网络模型的训练误差确定
。
[0014]进一步地，所述交叉概率表示为：
[0015][0016]所述变异概率表示为：
[0017][0018]式中，
t
为当前迭代次数，
T
为迭代总次数，
F
为待变异个体的适应度值，
F
′
为待交叉两个个体的较大适应度值，
F
avg
为算法平均适应度值，
F
max
为算法最大适应度值
。
[0019]进一步地，依据所述改进遗传算法优化
BP
神经网络模型的所述最优解，获得短期电力负荷预测值，包括：
[0020]依据所述最优解，计算所述改进遗传算法优化
BP
神经网络模型的误差；
[0021]依据所述误差对所述改进遗传算法优化
BP
神经网络模型的参数进行更新，直至达到预设的迭代终止条件；
[0022]输出所述短期电力负荷预测值
。
[0023]进一步地，对所述短期电力负荷预测值进行验证分析包括利用
Matlab
搭建所述改进遗传算法优化
BP
神经网络模型的仿真模型，以及将所述仿真模型获得的所述短期电力负荷预测仿真值与短期电力负荷实际数据进行对比
。
[0024]第二方面，提出一种短期电力负荷预测装置，包括：
[0025]第一模块，能够获得训练数据集并进行预处理；所述训练数据集包括电力负荷数据和天气数据；
[0026]第二模块，能够依据所述训练数据集，构建改进遗传算法优化
BP
神经网络模型，并获得
BP
神经网络模型参数和遗传算法参数，所述遗传算法参数包括适应度值
、
变异概率和交叉概率；
[0027]第三模块，能够对当前种群进行选择操作，获得下一代种群的所述适应度值；其中，执行所述选择操作的所述交叉概率和
/
或所述变异概率，能够依据所述适应度值，按照所述遗传算法一个迭代周期的前半周期和后半周期分别确定；
[0028]第四模块，能够依据所述下一代种群的所述适应度值，迭代更新所述交叉概率和
/
或所述变异概率，直至达到预设的迭代终止条件，获得所述改进遗传算法优化
BP
神经网络模型的最优解；
[0029]第五模块，能够依据所述改进遗传算法优化
BP
神经网络模型的所述最优解，获得短期电力负荷预测值，并对所述短期电力负荷预测值进行验证分析
。
[0030]第三方面，提出一种电子设备，包括：处理器；以及
[0031]被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使得所述处理器执行第一方面所述的方法
。
[0032]第四方面，提出一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子
设备执行第一方面所述的方法
。
[0033]本说明书可以达到至少以下技术效果：
[0034]本专利技术方案首先获得训练数据集并进行预处理；训练数据集包括电力负荷数据和天气数据；依据训练数据集，构建改进遗传算法优化
BP
神经网络模型，并获得
BP
神经网络模型参数和遗传算法参数；对当前种群进行选择操作，获得下一代种群的适应度值；依据下一代种群的适应度值，迭代更新交叉概率和
/
或变异概率，直至达到预设的迭代终止条件，获得改进遗传算法优化
BP
...

【技术保护点】

【技术特征摘要】
1.
一种短期电力负荷预测方法，其特征在于，包括：获得训练数据集并进行预处理；所述训练数据集包括电力负荷数据和天气数据；依据所述训练数据集，构建改进遗传算法优化
BP
神经网络模型，并获得
BP
神经网络模型参数和遗传算法参数，所述遗传算法参数包括适应度值
、
变异概率和交叉概率；对当前种群进行选择操作，获得下一代种群的所述适应度值；其中，使用所述交叉概率和
/
或所述变异概率执行所述选择操作，所述交叉概率和
/
或所述变异概率能够依据所述适应度值，按照所述遗传算法一个迭代周期的前半周期和后半周期分别确定；依据所述下一代种群的所述适应度值，迭代更新所述交叉概率和
/
或所述变异概率，直至达到预设的迭代终止条件，获得所述改进遗传算法优化
BP
神经网络模型的最优解；依据所述改进遗传算法优化
BP
神经网络模型的所述最优解，获得短期电力负荷预测值，并对所述短期电力负荷预测值进行验证分析
。2.
根据权利要求1所述的方法，其特征在于，获得训练数据集并进行预处理包括对所述电力负荷数据和所述天气数据进行归一化处理
。3.
根据权利要求1所述的方法，其特征在于，所述
BP
神经网络模型参数，包括层数
、
权重和阈值；和
/
或，所述遗传算法参数还包括染色体编码方式和种群大小
。4.
根据权利要求1所述的方法，其特征在于，所述适应度值由所述
BP
神经网络模型的训练误差确定
。5.
根据权利要求1所述的方法，其特征在于，所述交叉概率表示为：和
/
或，所述变异概率表示为：式中，
t
为当前迭代次数，
T
为迭代总次数，
F
为待变异个体的适应度值，
F
′
为待交叉两个个体的较大适应度值，
F
avg
为算法平均适应度值，
F
max
为算法最大适应度值
。6.
根据权利要求1所述的方法，其特征在于，依据所述改进遗传算法优化
B...

【专利技术属性】
技术研发人员：陈丽娜，边辉，王浩强，徐世龙，马凡琳，张振，任蒙蒙，
申请(专利权)人：国网甘肃省电力公司平凉供电公司，
类型：发明
国别省市：