【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
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。