CN107730041A - 基于改进的遗传小波神经网络的短期电力负荷预测方法 - Google Patents
基于改进的遗传小波神经网络的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN107730041A CN107730041A CN201710951859.4A CN201710951859A CN107730041A CN 107730041 A CN107730041 A CN 107730041A CN 201710951859 A CN201710951859 A CN 201710951859A CN 107730041 A CN107730041 A CN 107730041A
- Authority
- CN
- China
- Prior art keywords
- mrow
- neural network
- wavelet neural
- load
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 101
- 230000002068 genetic effect Effects 0.000 title claims abstract description 58
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000007935 neutral effect Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 239000003607 modifier Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于改进的遗传小波神经网络的短期电力负荷预测方法，神经网络的输入量为预测时刻对应的前多个小时的负荷值，神经网络的输出量为预测时刻的负荷值；利用遗传算法选出小波神经网络最优的初始权值，并将其用于小波神经网络；同时在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；从而构成改进的遗传小波神经网络；利用改进的遗传小波神经网络进行短期电力负荷预测。改进的遗传小波神经网络兼具小波神经网络和遗传算法的优点，不仅具有较好的误差反馈修正的动态过程，而且拥有很强的动态非线性拟合能力。将其应用到短期电力负荷预测中，能够更好的拟合电力负荷系统的非线性、动态性和时变性的特点，预测精度高。
Description
技术领域
本发明涉及一种基于改进的遗传小波神经网络的短期电力负荷预测方法，属于电力系统负荷预测技术领域。
背景技术
电力系统负荷预测是电力系统的调度运行和生产计划的基础工作，负荷预测关系到电力系统的安全和稳定运行，对于实际生产生活有着不可估量的作用。
负荷预测是通过考虑到相关因素的影响，对未来用电量或者发电量进行预测，电力生产部门和管理部门以此为依据制定生产计划和发展规划。负荷预测按时间期限分为长期、中期、短期和超短期。电力负荷虽然是不确定的、随机的，易受到气候、意外事故等各种条件的干扰，但在一定条件下，仍存在明显的变化趋势。
当前，作为人工智能学科理论，人工神经网络预测方法逐渐得到了成功应用。目前用于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)等。但是BP神经网络存在容易陷入局部最小等问题。因此，需要在BP神经网络的基础上，对神经网络进行改进和优化。
发明内容
本发明要解决的技术问题是：如何更准确地拟合电力负荷系统的非线性、时变性和动态性，更好地预测电力负荷。
为了解决上述技术问题，本发明的技术方案是提供一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：
步骤1：确定神经网络的输入输出量；
神经网络的输入量为预测时刻对应的前N个小时的负荷值，10≤N≤20，N为正整数；神经网络的输出量为预测时刻的负荷值；
步骤2：样本预处理；
以电力系统历史负荷数据为样本，对历史负荷数据中的异常数据进行修复处理；并将修复处理后的历史负荷数据进行归一化处理；
步骤3：建立改进的遗传小波神经网络；
利用遗传算法选出小波神经网络最优的初始权值，并将其用于小波神经网络；同时在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；从而构成改进的遗传小波神经网络；
步骤4：利用改进的遗传小波神经网络进行短期电力负荷预测；
使用预测日前的历史负荷数据和日期类型数据作为训练样本，进行样本预处理后，对改进的遗传小波神经网络进行训练，用训练好的改进的遗传小波神经网络进行短期电力负荷预测，得到预测数据；将预测数据反归一化，从而得到实际的预测负荷值。
优选地，所述步骤1中，N取16。
优选地，所述步骤2中，异常数据是指：电力系统历史负荷数据由于干扰因素，会存在缺失的或错误的数据，这些数据称为异常数据。
优选地，所述步骤2中，对历史负荷数据中的异常数据进行修复处理的方法如下：
对于缺失数据的处理：如果缺失数据的前后时间间隔小于等于设定阈值，采用线性插值的方法将其补上；如果缺失数据的前后时间间隔大于设定阈值，采用相邻几天的数据来代替，此时一定要采用相同日期类型的数据；
对于错误数据的处理：将某一时刻的负荷和其前后负荷值进行比较，如果负荷数据的变化范围大于某一阈值，则取前后负荷值的平均值代替；对大事故日负荷或明显负荷曲线异常的日负荷用与其日类型相似的正常曲线置换。
优选地，所述步骤2中，归一化处理是使用归一化公式将样本数据归一化为[0，1]之间，使负荷数据处于同一数量级别。
优选地，所述步骤3中，随机初始化遗传算法中的种群，遗传算法将小波神经网络得到的随机初始权值进行编码；使用训练样本数据训练小波神经网络，并把预测输出和期望输出之间的误差绝对值和作为个体适应度值，然后经过选择、交叉、以及变异操作后得到最优的小波神经网络初始权值。
优选地，所述步骤3的具体步骤如下：
步骤3.1：小波神经网络的拓扑结构
小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层和输入层、输出层之间分别有连接权值，传递函数为小波基函数；
步骤3.2：利用遗传算法获得小波神经网络的最优初始权值
先获得小波神经网络的随机初始化权值，并将网络初始权值编码为实数串；
训练小波神经网络，得到小波神经网络初始预测值，将训练误差和输出节点24个小时的负荷值作为遗传算法种群个体的适应度值，如公式(1)所示；
F＝abs(y-o) (1)
上式中，F为适应度值，y为小波神经网络预测输出的24小时负荷值，o为期望输出的24小时负荷值，abs表示取绝对值；
确定了个体的适应度值后，在种群内部进行选择、交叉、变异操作，分别见公式(2)、公式(3)、公式(4)；
设每个个体的选择概率为pi，即选择操作：
fi＝k/Fi
i表示个体编号，1≤i≤N，i为正整数，N为种群个体数目；Fi为个体i的适应度值，fi为计算个体选择概率的中间过渡量，k为系数；
第k个染色体ak和第l个染色体al，在j位的交叉操作方法如下：
akj＝akj(1-b)+aljb
alj＝alj(1-b)+akjb (3)
akj表示第k个染色体ak的第j位，alj为第l个染色体al的第j位，b为[0，1]间的随机数；j为正整数；
选取第i个个体的第j个基因aij进行变异，变异操作方法如下：
f(g)＝r2(1-g/Gmax)2
r2为一个随机数；g为当前选代次数；Gmax为最大进化次数；amax表示基因aij的上界；amin表示基因aij的下界；r为[0，1]间的随机数；
通过上述步骤，在遗传算法迭代完毕后，即获得具有最优适应度值的个体，然后将个体适应度值赋给小波神经网络作为网络初始权值。
步骤3.3：在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；
小波神经网络权值修正采用梯度学习算法，为了避免陷入局部最小，在权值的修正过程中还加入了动量项对权值进行修正，增加了动量项的权值修正过程见公式(5)：
其中，ωn，h表示小波神经网络中第n个输入或输出节点和第h个隐含层节点的连接权值，n、h为正整数；ωn，h(m)为第m次迭代得到的网络连接权值，ωn，k(m-1)为第m-1次迭代得到的网络连接权值，Δωn，h(m+1)为第m+1次迭代得到的权值修正量，m为不小于1的正整数；d为动量项学习速率；
如此，便获得改进的遗传小波神经网络。
更优选地，所述步骤3.3中，d取值范围为(0，1)。
优选地，所述步骤4中，使用预测日前两个月的历史负荷数据和日期类型数据作为训练样本。
优选地，所述步骤4中，反归一化公式根据归一化公式推导得到，通过反归一化公式得到实际数量级的负荷数据。
小波神经网络同时结合了小波变换的时频局域化性质和BP神经网络的自学习能力，具有较强的容错能力、学习能力和泛化能力。同时遗传算法作为一种概率搜索技术，以适应度直接作为搜索信息，可以用于系统的优化。
本发明采用了遗传算法优化小波神经网络，并加上了网络权值的动量项，构成改进的遗传小波神经网络模型。该模型兼具小波神经网络和遗传算法的优点，不仅具有较好的误差反馈修正的动态过程，而且拥有很强的动态非线性拟合能力。将该模型应用到短期电力负荷预测中，能够更好的拟合电力负荷系统的非线性、动态性和时变性的特点，预测精度高。
附图说明
图1为小波神经网络结构图；
图2为对小波神经网络初始权值进行遗传算法优化的过程示意图；
图3为小波神经网络预测效果示意图；(a)负荷预测分析示意图；(b)误差分析示意图；
图4为改进的遗传小波神经网络预测效果示意图；(a)负荷预测分析示意图；(b)误差分析示意图。
具体实施方式
下面以河北某沿海城市的电力系统历史负荷数据为样本，来进一步说明本发明的具体实施方式及效果。
基于改进的遗传小波神经网络的短期电力负荷预测方法包括以下步骤：
步骤1：确定神经网络的输入输出量。
影响电力系统短期电力负荷的因素有很多，其不仅和电力负荷需求、天气状况、季节性、地域等因素有关，同时也受国家经济、政治、居民生活习惯等因素的影响。由于这些影响因素会体现在负荷的变化之中，可认为预测时刻的前16个小时的负荷包含了以上负荷影响因素，故取预测时刻的前16小时的负荷值作为神经网络的输入量。
本实施例中，神经网络的输入量为预测日一天24小时的每个时刻对应的前16个小时的负荷值；神经网络的输出量为预测日一天24小时的负荷值。即将t-16、t-15、t-14、t-13、t-12、t-11、t-10、t-9、t-8、t-7、t-6、t-5、t-4、t-3、t-2、t-1小时的负荷值作为输入数据，将预测日的第t小时整点负荷值为输出数据。t表示一天中的24个整点时刻。
步骤2：样本预处理。
步骤2.1：异常数据处理
电力系统历史负荷数据，由于一些干扰因素(例如极端天气、数据录入错误等)，会存在一些不完整的、偏差较大甚至是错误的数据，这些数据为异常数据。针对这些异常数据，需要采用一定的方法来进行检测和修正。
对于缺失数据的处理：如果缺失数据的前后时间间隔不大，采用线性插值的方法将其补上。如果时间间隔较大，导致线性插值的效果不理想，可采用相邻几天的数据来代替。由于不同日类型的负荷数据差异较大，因此修补数据时一定要采用相同日期类型的数据。
对于错误数据的处理：将某一时刻的负荷和其前后负荷值进行比较，如果差值大于某一阈值，即负荷数据的变化范围在其前后负荷值的±10％以外，则取前后负荷值的平均值代替；将某一时刻的负荷值，分别与其前一天、前两天相同时刻的负荷值进行比较，如果偏差大于某一阈值，即负荷数据的变化范围在其前一天和前两天相同时刻的负荷值的±10％以外，则取前两天负荷的平均值代替；对大事故日负荷或明显负荷曲线异常的日负荷用与其日类型相似的正常曲线置换。
步骤2.2：归一化处理
对样本数据进行归一化处理。
归一化处理是使用归一化公式将样本数据归一化为[0，1]之间，使负荷数据处于同一数量级别，加快神经网络收敛。
本实施例中，归一化处理方法采用最大最小法。
步骤3：建立改进的遗传小波神经网络模型
步骤3.1：小波神经网络的拓扑结构
小波神经网络的典型拓扑结构如图1所示。遗传小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层和输入层、输出层之间分别有连接权值，传递函数为小波基函数。图1中，X1、X2……Xk表示输入层，Y表示输出层，ωij为输入层到隐含层的连接权值，ωjk为隐含层到输出层的连接权值。
在本实施例中，输入层为16个，即预测日一天24小时的每个时刻对应的前16个小时的负荷值；输出层为1个，即预测日一天24小时的负荷值。该网络的隐含层为单隐含层，根据神经网络不断训练的效果，结合经验公式并最终确定其隐含层神经元的个数。
步骤3.2：利用遗传算法获得小波神经网络的最优初始权值
在输入层之前先要进行遗传寻优，获得较好的初始网络权值，使小波神经网络能够更快收敛，适应度较小，即网络的训练输出误差较小。结合图2，对小波神经网络初始权值进行遗传算法优化的具体步骤如下：
先获得小波神经网络的随机初始化权值，并将网络初始权值编码为实数串；
训练小波神经网络，得到小波神经网络初始预测值，将训练误差和输出节点24个小时的负荷值作为遗传算法种群个体的适应度值，如公式(1)所示；
F＝abs(y-o) (1)
上式中，F为适应度值，y为小波神经网络预测输出的24小时负荷值，o为期望输出的24小时负荷值，abs表示取绝对值；
确定了个体的适应度值后，在种群内部进行选择、交叉、变异操作，分别见公式(2)、公式(3)、公式(4)；
设每个个体的选择概率为pi，即选择操作：
fi＝k/Fi
i表示个体编号，1≤i≤N，i为正整数，N为种群个体数目；Fi为个体i的适应度值，fi为计算个体选择概率的中间过渡量，k为系数。
第k个染色体ak和第l个染色体al，在j位的交叉操作方法如下：
akj＝akj(1-b)+aljb
alj＝alj(1-b)+akjb (3)
akj表示第k个染色体ak的第j位，alj为第l个染色体al的第j位，b为[0，1]间的随机数；j为正整数；
选取第i个个体的第j个基因aij进行变异，变异操作方法如下：
f(g)＝r2(1-g/Gmax)2
r2为一个随机数；g为当前选代次数；Gmax为最大进化次数；amax表示基因aij的上界；amin表示基因aij的下界；r为[0，1]间的随机数。
通过上述步骤，在遗传算法迭代完毕后，即获得具有最优适应度值的个体，然后将个体适应度值赋给小波神经网络作为网络初始权值。
步骤3.3：在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；
小波神经网络权值修正采用梯度学习算法，为了避免陷入局部最小，在权值的修正过程中还加入了动量项对权值进行修正，增加了动量项的权值修正过程见公式(5)。
在上式中，ωn，h表示小波神经网络中第n个输入或输出节点和第h个隐含层节点的连接权值，n、h为正整数；ωn，h(m)为第m次迭代得到的网络连接权值，ωn，k(m-1)为第m-1次迭代得到的网络连接权值，Δωn，h(m+1)为第m+1次迭代得到的权值修正量，m为不小于1的正整数；d为动量项学习速率，一般取值范围为(0，1)。
如此，便获得改进的遗传小波神经网络。
步骤4：使用预测日前两个月的历史负荷数据和日期类型数据作为训练样本数据，进行样本预处理后，对改进的遗传小波神经网络进行训练，用训练好的改进的遗传小波神经网络进行预测，得到预测数据。将预测数据反归一化，从而得到实际的预测负荷值。其中，反归一化公式根据归一化公式推导得到，通过反归一化公式可以得到实际数量级的负荷数据。
以该地区2016年3月和4月的数据作为原始样本数据，经过异常数据的处理以及归一化后，得到神经网络学习的数据，即输入数据，通过已经构建好的遗传小波神经网络，最终得到预测日的一天24小时的负荷值。图3和图4分别为小波神经网络和改进的遗传小波神经网络的预测效果图由对比可知，小波神经网络误差较大，而改进的遗传小波神经网络的预测误差能够控制在80MW以内，预测效果好。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。
Claims (10)
1.一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：
步骤1：确定神经网络的输入输出量；
神经网络的输入量为预测时刻对应的前N个小时的负荷值，10≤N≤20，N为正整数；神经网络的输出量为预测时刻的负荷值；
步骤2：样本预处理；
以电力系统历史负荷数据为样本，对历史负荷数据中的异常数据进行修复处理；并将修复处理后的历史负荷数据进行归一化处理；
步骤3：建立改进的遗传小波神经网络；
利用遗传算法选出小波神经网络最优的初始权值，并将其用于小波神经网络；同时在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；从而构成改进的遗传小波神经网络；
步骤4：利用改进的遗传小波神经网络进行短期电力负荷预测；
使用预测日前的历史负荷数据和日期类型数据作为训练样本，进行样本预处理后，对改进的遗传小波神经网络进行训练，用训练好的改进的遗传小波神经网络进行短期电力负荷预测，得到预测数据；将预测数据反归一化，从而得到实际的预测负荷值。
2.如权利要求1所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤1中，N取16。
3.如权利要求1所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤2中，异常数据是指：电力系统历史负荷数据由于干扰因素，会存在缺失的或错误的数据，这些数据称为异常数据。
4.如权利要求1或3所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤2中，对历史负荷数据中的异常数据进行修复处理的方法如下：
对于缺失数据的处理：如果缺失数据的前后时间间隔小于等于设定阈值，采用线性插值的方法将其补上；如果缺失数据的前后时间间隔大于设定阈值，采用相邻几天的数据来代替，此时一定要采用相同日期类型的数据；
对于错误数据的处理：将某一时刻的负荷和其前后负荷值进行比较，如果负荷数据的变化范围大于某一阈值，则取前后负荷值的平均值代替；对大事故日负荷或明显负荷曲线异常的日负荷用与其日类型相似的正常曲线置换。
5.如权利要求1所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤2中，归一化处理是使用归一化公式将样本数据归一化为[0，1]之间，使负荷数据处于同一数量级别。
6.如权利要求1所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤3中，随机初始化遗传算法中的种群，遗传算法将小波神经网络得到的随机初始权值进行编码；使用训练样本数据训练小波神经网络，并把预测输出和期望输出之间的误差绝对值和作为个体适应度值，然后经过选择、交叉、以及变异操作后得到最优的小波神经网络初始权值。
7.如权利要求1或6所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤3的具体步骤如下：
步骤3.1：小波神经网络的拓扑结构
小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层和输入层、输出层之间分别有连接权值，传递函数为小波基函数；
步骤3.2：利用遗传算法获得小波神经网络的最优初始权值
先获得小波神经网络的随机初始化权值，并将网络初始权值编码为实数串；
训练小波神经网络，得到小波神经网络初始预测值，将训练误差和输出节点24个小时的负荷值作为遗传算法种群个体的适应度值，如公式(1)所示；
F＝abs(y-o) (1)
上式中，F为适应度值，y为小波神经网络预测输出的24小时负荷值，o为期望输出的24小时负荷值，abs表示取绝对值；
确定了个体的适应度值后，在种群内部进行选择、交叉、变异操作，分别见公式(2)、公式(3)、公式(4)；
设每个个体的选择概率为pi，即选择操作：
fi＝k/Fi
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
i表示个体编号，1≤i≤N，i为正整数，N为种群个体数目；Fi为个体i的适应度值，fi为计算个体选择概率的中间过渡量，k为系数；
第k个染色体ak和第l个染色体al，在j位的交叉操作方法如下：
akj＝akj(1-b)+aljb
alj＝alj(1-b)+akjb (3)
akj表示第k个染色体ak的第j位，alj为第l个染色体al的第j位，b为[0，1]间的随机数；j为正整数；
选取第i个个体的第j个基因aij进行变异，变异操作方法如下：
f(g)＝r2(1-g/Gmax)2
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>max</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mo>></mo>
<mn>0.5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>min</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mo>&le;</mo>
<mn>0.5</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
r2为一个随机数；g为当前选代次数；Gmax为最大进化次数；amax表示基因aij的上界；amin表示基因aij的下界；r为[0，1]间的随机数；
通过上述步骤，在遗传算法迭代完毕后，即获得具有最优适应度值的个体，然后将个体适应度值赋给小波神经网络作为网络初始权值。
步骤3.3：在小波神经网络权值修正的过程中增加动量项，避免陷入局部最优；
小波神经网络权值修正采用梯度学习算法，为了避免陷入局部最小，在权值的修正过程中还加入了动量项对权值进行修正，增加了动量项的权值修正过程见公式(5)：
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>h</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&Delta;&omega;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>d</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>h</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ωn，h表示小波神经网络中第n个输入或输出节点和第h个隐含层节点的连接权值，n、h为正整数；ωn，h(m)为第m次迭代得到的网络连接权值，ωn，k(m-1)为第m-1次迭代得到的网络连接权值，Δωn，h(m+1)为第m+1次迭代得到的权值修正量，m为不小于1的正整数；d为动量项学习速率；
如此，便获得改进的遗传小波神经网络。
8.如权利要求7所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤3.3中，d取值范围为(0，1)。
9.如权利要求1所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤4中，使用预测日前两个月的历史负荷数据和日期类型数据作为训练样本。
10.如权利要求1或9所述的一种基于改进的遗传小波神经网络的短期电力负荷预测方法，其特征在于：所述步骤4中，反归一化公式根据归一化公式推导得到，通过反归一化公式得到实际数量级的负荷数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710951859.4A CN107730041A (zh) | 2017-10-12 | 2017-10-12 | 基于改进的遗传小波神经网络的短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710951859.4A CN107730041A (zh) | 2017-10-12 | 2017-10-12 | 基于改进的遗传小波神经网络的短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107730041A true CN107730041A (zh) | 2018-02-23 |
Family
ID=61211105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710951859.4A Pending CN107730041A (zh) | 2017-10-12 | 2017-10-12 | 基于改进的遗传小波神经网络的短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730041A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710975A (zh) * | 2018-05-18 | 2018-10-26 | 国网江苏省电力有限公司徐州供电分公司 | 一种电动汽车负荷预测方法 |
| CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
| CN109818775A (zh) * | 2018-12-14 | 2019-05-28 | 南昌大学 | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 |
| CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
| CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
| CN110570042A (zh) * | 2019-09-16 | 2019-12-13 | 燕山大学 | 一种短期电动汽车充电负荷预测方法及系统 |
| CN111079996A (zh) * | 2019-12-03 | 2020-04-28 | 国网电力科学研究院有限公司 | 一种基于bp神经网络电力负荷预测的虚拟坐席系统及其控制方法 |
| CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
| CN112734128A (zh) * | 2021-01-19 | 2021-04-30 | 重庆大学 | 一种基于优化rbf的7日电力负荷峰值预测方法 |
| CN113657687A (zh) * | 2021-08-30 | 2021-11-16 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
| CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
-
2017
- 2017-10-12 CN CN201710951859.4A patent/CN107730041A/zh active Pending
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710975A (zh) * | 2018-05-18 | 2018-10-26 | 国网江苏省电力有限公司徐州供电分公司 | 一种电动汽车负荷预测方法 |
| CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
| CN108876054B (zh) * | 2018-07-06 | 2022-03-01 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
| CN109818775A (zh) * | 2018-12-14 | 2019-05-28 | 南昌大学 | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 |
| CN109818775B (zh) * | 2018-12-14 | 2021-09-28 | 南昌大学 | 一种短期网络流量预测方法 |
| CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
| CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
| CN110570042B (zh) * | 2019-09-16 | 2022-10-25 | 燕山大学 | 一种短期电动汽车充电负荷预测方法及系统 |
| CN110570042A (zh) * | 2019-09-16 | 2019-12-13 | 燕山大学 | 一种短期电动汽车充电负荷预测方法及系统 |
| CN111079996A (zh) * | 2019-12-03 | 2020-04-28 | 国网电力科学研究院有限公司 | 一种基于bp神经网络电力负荷预测的虚拟坐席系统及其控制方法 |
| CN112464566A (zh) * | 2020-12-07 | 2021-03-09 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
| CN112464566B (zh) * | 2020-12-07 | 2023-01-24 | 广东电网有限责任公司佛山供电局 | 一种基于遗传算法及bp神经网络的变压器油温预测方法 |
| CN112734128A (zh) * | 2021-01-19 | 2021-04-30 | 重庆大学 | 一种基于优化rbf的7日电力负荷峰值预测方法 |
| CN112734128B (zh) * | 2021-01-19 | 2023-08-29 | 重庆大学 | 一种基于优化rbf的7日电力负荷峰值预测方法 |
| CN113657687A (zh) * | 2021-08-30 | 2021-11-16 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
| CN113657687B (zh) * | 2021-08-30 | 2023-09-29 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
| CN114372691A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于全息感知的电能替代潜力估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730041A (zh) | 基于改进的遗传小波神经网络的短期电力负荷预测方法 | |
| Yang et al. | Modelling a combined method based on ANFIS and neural network improved by DE algorithm: A case study for short-term electricity demand forecasting | |
| Quan et al. | A computational framework for uncertainty integration in stochastic unit commitment with intermittent renewable energy sources | |
| Ata et al. | An adaptive neuro-fuzzy inference system approach for prediction of tip speed ratio in wind turbines | |
| Zhang et al. | A short-term traffic forecasting model based on echo state network optimized by improved fruit fly optimization algorithm | |
| CN108647812A (zh) | 基于主成分自适应bp神经网络的短期电力负荷预测方法 | |
| CN102930354B (zh) | 一种小区用电预测方法及装置 | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| Partalas et al. | Greedy regression ensemble selection: Theory and an application to water quality prediction | |
| WO2023070293A1 (zh) | 一种工业副产煤气系统长期调度方法 | |
| CN112086958B (zh) | 一种基于多步回溯强化学习算法的输电网扩展规划方法 | |
| CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
| CN110059887A (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
| Vellasco et al. | Electric load forecasting: evaluating the novel hierarchical neuro-fuzzy BSP model | |
| Li et al. | Evolutionary multi-agent deep meta reinforcement learning method for swarm intelligence energy management of isolated multi-area microgrid with internet of things | |
| Wu et al. | Short-term electricity demand forecasting using a hybrid ANFIS–ELM network optimised by an improved parasitism–predation algorithm | |
| Nhita et al. | Planting calendar forecasting system using evolving neural network | |
| Gao et al. | Short-term cooling load prediction for office buildings based on feature selection scheme and stacking ensemble model | |
| CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
| El-Tamaly et al. | Impact of interconnection photovoltaic/wind system with utility on their reliability using a fuzzy scheme | |
| Shi et al. | Ultra-short-term wind power interval prediction based on multi-task learning and generative critic networks | |
| Chen et al. | Emergency load-shedding optimization control method based on reinforcement learning assistance | |
| Shayanfar et al. | Wind power prediction model based on hybrid strategy | |
| CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
| CN103886393A (zh) | 基于模拟投资效益分析及学习自动机的电网投资优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180223 |