CN109829574A - 基于acde和bp神经网络的电力负荷预测方法 - Google Patents
基于acde和bp神经网络的电力负荷预测方法 Download PDFInfo
- Publication number
- CN109829574A CN109829574A CN201910039161.4A CN201910039161A CN109829574A CN 109829574 A CN109829574 A CN 109829574A CN 201910039161 A CN201910039161 A CN 201910039161A CN 109829574 A CN109829574 A CN 109829574A
- Authority
- CN
- China
- Prior art keywords
- acde
- neural network
- data
- training
- value
- 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 34
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 230000003044 adaptive effect Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 230000010429 evolutionary process Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于ACDE和BP神经网络的电力负荷预测方法,其特征在于,包括训练阶段和测试阶段。本发明采用的ACDE算法,其中的自适应缩放因子和混沌理论对差分进化算法进行改进,使得算法搜索时间大大缩减,又弥补了差分进化算法后期局部搜索弱而使群体陷入早熟的缺陷,相比较于传统的DE算法有着明显的优势。本发明采用ACDE算法对BP神经网络进行参数寻优,进而构建基于ACDE‑BP的电力负荷预测模型,克服了传统BP网络参数选择效率低、泛化能力弱的不足。
Description
技术领域
本发明涉及一种基于自适应混沌差分进化算法(adaptive chaos differentialevolution,ACDE)和BP神经网络的电力负荷预测方法,属于电力负荷预测技术领域。
背景技术
近年来,电力产业蓬勃发展,电力负载预测是对电网结构优化、电力供需关系调节的重要依据,是电力系统规划决策的基础,同时也具有较大的经济价值。而负载预测精度直接影响到电力部门的决策,较大的误差会导致规划和运维成本的提高,所以高效精确的电力负载预测模型已成为电力部门信息化进程中关键的研究课题,对于电力系统自动化调度、运行和供电都具有现实意义。
负载预测是指通过对过往历史数据的挖掘,同时结合行业背景,研究事物的内在联系从而对未来的发展趋势进行预测。一些传统的预测算法有时间序列法、回归分析和指数平滑法。时间序列法由于其只利用历史数据,不考虑其他干扰因素(如天气、政策、地域等),预测系统不具有鲁棒性。而回归分析法由于影响因素多样性和不可测性,使其具有局限性。
传统预测模型的目标是建立从输入到输出的精确数学模型,原理较为简单。而电力负载数据本身具有非线性和不确定性,影响因素较多,如天气、温度、异常事件等,很难建立精确的模型。并且传统模型难以充分利用其他影响因素的数据,使得预测精度往往不能满足电力部门的需求。
发明内容
本发明的目的是:提高电力负荷预测的预测精度,减小负荷预测预测误差。
为了达到上述目的,本发明的技术方案是提供了一种基于ACDE和BP神经网络的电力负荷预测方法,其特征在于,包括训练阶段和测试阶段,其中,训练阶段包括以下步骤:
步骤101、对原始数据集进行随机抽取,产生训练集和测试集,对训练集的数据进行归一化处理;
步骤102、设置自适应混沌差分进化算法参数,对其进行混沌初始化操作,并将归一化后的训练集输入到BP神经网络中,对BP神经网络进行训练,将BP神经网络的输出值与实际值误差平方和结果作为自适应混沌差分进化算法的目标函数,采用误差大小和迭代次数作为寻优结束的判据,若达到结束条件,则获得最优的权值和阈值,否则进行自适应变异、交叉、选择及混沌细搜索操作,并获得新的参数值;
步骤103、建立ACDE-BP神经网络模型;
步骤104、将归一化后的训练集输入到ACDE-BP神经网络中进行训练,获得ACDE-BP神经网络的参数初始值;
测试阶段包括以下步骤:
步骤201、对测试集中的数据按照训练阶段中的归一化参数进行归一化处理,得处理后的测试集;
步骤202、将步骤201得到的测试集的数据序列分别代入对应的已经训练调整好的ACDE-BP神经网络模型中,得到测试集的数据序列对应的预测值;
步骤203、得到测试集的完整预测值,输出预测值,并将预测值反归一化得到完整的电力负荷预测值。
优选地,步骤101中,所述归一化处理基于下列公式:
式中,x'为归一化后的训练数据,x为原始的训练数据,xmin为训练集中训练数据的最小值,xmax为训练集中训练数据的最大值。
优选地,步骤103中所述ACDE-BP神经网络模型包括:
差分进化算法:DE的三种进化过程包括变异、交叉和选择;
自适应缩放因子:采用自适应缩放因子,其取值随着迭代次数G的改变而改变,自适应缩放因子的定义如下式:
式中,Fj(G)表示当前第G代子群体i中第j个个体的自适应缩放因子;Fmax和Fmin分别为自适应缩放因子的上下限;分别为当前第G代子群体i中第j个个体随机选择的适应度最优、次优和最差的个体;
混沌搜索策略:采用Logistic映射,其基本表达式如下:
χt+1=f(μ,χt)=μχt(1-χt)
式中:t是自然数;χt为0到1间任意值,χt∈[0,1];μ为Logistic参数,μ∈[0,4],μ=4时,系统处于完全混沌状态;f是[0,1]的满映射。
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
本发明采用的ACDE算法,其中的自适应缩放因子和混沌理论对差分进化算法进行改进,使得算法搜索时间大大缩减,又弥补了差分进化算法后期局部搜索弱而使群体陷入早熟的缺陷,相比较于传统的DE算法有着明显的优势。
本发明采用ACDE算法对BP神经网络进行参数寻优,进而构建基于ACDE-BP的电力负荷预测模型,克服了传统BP网络参数选择效率低、泛化能力弱的不足。
附图说明
图1是本发明的算法流程图;
图2是自适应混沌差分进化BP神经网络算法流程框架。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于ACDE(自适应混沌差分进化算法)和BP神经网络的电力负荷预测方法,其对短期电力负荷进行预测,
包括训练阶段和测试阶段,其中,训练阶段包括以下步骤:
步骤101、对原始数据集进行随机抽取,产生训练集和测试集,对训练集的数据进行归一化处理,如下式所示:
式中,x'为归一化后的训练数据,x为原始的训练数据,xmin为训练集中训练数据的最小值,xmax为训练集中训练数据的最大值;
步骤102、设置自适应混沌差分进化算法参数,对其进行混沌初始化操作,并将归一化后的训练集输入到BP神经网络中,对BP神经网络进行训练,将BP神经网络的输出值与实际值误差平方和结果作为自适应混沌差分进化算法的目标函数,采用误差大小和迭代次数作为寻优结束的判据,若达到结束条件,则获得最优的权值和阈值,否则进行自适应变异、交叉、选择及混沌细搜索操作,并获得新的参数值;
步骤103、建立ACDE-BP神经网络模型,包括:
差分进化算法:DE的三种进化过程包括变异、交叉和选择;
自适应缩放因子:采用自适应缩放因子,其取值随着迭代次数G的改变而改变,自适应缩放因子的定义如下式:
式中,Fj(G)表示当前第G代子群体i中第j个个体的自适应缩放因子;Fmax和Fmin分别为自适应缩放因子的上下限;分别为当前第G代子群体i中第j个个体随机选择的适应度最优、次优和最差的个体;
混沌搜索策略:采用Logistic映射,其基本表达式如下:
χt+1=f(μ,χt)=μχt(1-χt)
式中:t是自然数;χt为0到1间任意值,χt∈[0,1];μ为Logistic参数,μ∈[0,4],μ=4时,系统处于完全混沌状态;f是[0,1]的满映射;
步骤104、将归一化后的训练集输入到ACDE-BP神经网络中进行训练,获得ACDE-BP神经网络的参数初始值;
测试阶段包括以下步骤:
步骤201、对测试集中的数据按照训练阶段中的归一化参数进行归一化处理,得处理后的测试集;
步骤202、将步骤201得到的测试集的数据序列分别代入对应的已经训练调整好的ACDE-BP神经网络模型中,得到测试集的数据序列对应的预测值;
步骤203、得到测试集的完整预测值,输出预测值,并将预测值反归一化得到完整的电力负荷预测值。
本发明中的自适应混沌差分进化算法主要是对BP神经网络中的参数进行寻优,利用差分进化算法,自适应缩放因子和混沌细搜索策略对BP中的权值阈值的初始化参数进行寻优。
本发明的BP神经网络模块,主要是用来训练和预测电力负荷数据。反向传播神经网络是生物学、生理学、信息学等多学科交叉的技术,是一种信号正向传递、误差逆向传播的多层前馈网络。网络的拓扑结构包括输入层、隐含层以及输出层。采用的是梯度下降法修正网络的参数,经过多次迭代,直至误差平方和最小或达到最大迭代次数,使模型输出值与实际值尽可能相同。
结合图1,在本实施例中,基于自适应混沌差分进化算法(ACDE)和BP神经网络的电力负荷预测方法流程如下:
在某电力公司每10min间隔采集电力负荷数据,采集大量数据后,先对数据做预处理,清洗掉缺失值、冗余数据,留下有效的负荷数据。将预处理过的负荷数据分为训练数据和测试数据两组,训练数据用于训练AcDE-BP网络的训练,测试数据用于测试。本实施例中,提前预测1h的负荷数据。具体步骤如下:
(1)训练阶段
步骤1:对原始数据集进行随机抽取,产生训练集和测试集,输入训练数据,并将训练数据进行归一化,将输入数据归一化到区间(0,1)之内;
步骤2:设置自适应混沌差分进化算法参数,对其进行混沌初始化操作,并将训练集输入到BP神经网络中,将训练后的输出值与实际值误差平方和结果作为ACDE算法的目标函数,采用误差大小和迭代次数作为寻优结束的判据。若达到结束条件,则获得最优的权值和阈值,否则进行自适应变异、交叉、选择及混沌细搜索操作,并获得新的参数值。
步骤3:建立相应的ACDE-BP神经网络模型;
步骤4:将训练数据带入到ACDE-BP神经网络中进行训练,获得网络的参数初始值;
(2)测试阶段
步骤1:输入测试数据,将测试数据按照训练阶段中的归一化参数进行数据归一化,得处理后得到测试数据;
步骤2:将测试数据的序列分别代入对应的已经训练调整好的AcDE-BP网络预测模型中,得到测试数据序列对应的预测值;
步骤3:得到测试数据的完整预测值,输出测试数据,并将测试数据反归一化得到完整的电力负荷预测值。
自适应混沌差分进化算法其中的自适应缩放因子和混沌理论对差分进化算法进行改进,使得算法搜索时间大大缩减,又弥补了差分进化算法后期局部搜索弱而使群体陷入早熟的缺陷,相比较于传统的DE算法有着明显的优势。
如图2所示,ACDE算法对传统DE算法的优化主要有这么两个内容:
内容1:采用自适应缩放因子对差分进化算法(differential evolution,DE)中的变异操作进行改进,在算法进化中,缩放因子随着迭代次数的改变而改变,因而克服了标准差分进化算法固定缩放因子导致搜索能力不足的问题。
内容2:运用混沌理论改进自适应差分进化算法。采用混沌细搜索策略提高局部搜索效率,以避免群体陷入早熟。
试验证明,本实例建立的基于自适应混沌差分进化算法(ACDE)和BP神经网络的电力负荷预测方法能够准确高效的预测电力负荷,训练时间短,预测精度高,而且预测误差小,适合大范围推广使用。
Claims (3)
1.一种基于ACDE和BP神经网络的电力负荷预测方法,其特征在于,包括训练阶段和测试阶段,其中,训练阶段包括以下步骤:
步骤101、对原始数据集进行随机抽取,产生训练集和测试集,对训练集的数据进行归一化处理;
步骤102、设置自适应混沌差分进化算法参数,对其进行混沌初始化操作,并将归一化后的训练集输入到BP神经网络中,对BP神经网络进行训练,将BP神经网络的输出值与实际值误差平方和结果作为自适应混沌差分进化算法的目标函数,采用误差大小和迭代次数作为寻优结束的判据,若达到结束条件,则获得最优的权值和阈值,否则进行自适应变异、交叉、选择及混沌细搜索操作,并获得新的参数值;
步骤103、建立ACDE-BP神经网络模型;
步骤104、将归一化后的训练集输入到ACDE-BP神经网络中进行训练,获得ACDE-BP神经网络的参数初始值;
测试阶段包括以下步骤:
步骤201、对测试集中的数据按照训练阶段中的归一化参数进行归一化处理,得处理后的测试集;
步骤202、将步骤201得到的测试集的数据序列分别代入对应的已经训练调整好的ACDE-BP神经网络模型中,得到测试集的数据序列对应的预测值;
步骤203、得到测试集的完整预测值,输出预测值,并将预测值反归一化得到完整的电力负荷预测值。
2.如权利要求1所述的一种基于ACDE和BP神经网络的电力负荷预测方法,其特征在于,步骤101中,所述归一化处理基于下列公式:
式中,x'为归一化后的训练数据,x为原始的训练数据,xmin为训练集中训练数据的最小值,xmax为训练集中训练数据的最大值。
3.如权利要求1所述的一种基于ACDE和BP神经网络的电力负荷预测方法,其特征在于,步骤103中所述ACDE-BP神经网络模型包括:
差分进化算法:DE的三种进化过程包括变异、交叉和选择;
自适应缩放因子:采用自适应缩放因子,其取值随着迭代次数G的改变而改变,自适应缩放因子的定义如下式:
式中,Fj(G)表示当前第G代子群体i中第j个个体的自适应缩放因子;Fmax和Fmin分别为自适应缩放因子的上下限;分别为当前第G代子群体i中第j个个体随机选择的适应度最优、次优和最差的个体;
混沌搜索策略:采用Logistic映射,其基本表达式如下:
χt+1=f(μ,χt)=μχt(1-χt)
式中:t是自然数;χt为0到1间任意值,χt∈[0,1];μ为Logistic参数,μ∈[0,4],μ=4时,系统处于完全混沌状态;f是[0,1]的满映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039161.4A CN109829574A (zh) | 2019-01-16 | 2019-01-16 | 基于acde和bp神经网络的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039161.4A CN109829574A (zh) | 2019-01-16 | 2019-01-16 | 基于acde和bp神经网络的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829574A true CN109829574A (zh) | 2019-05-31 |
Family
ID=66860320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910039161.4A Pending CN109829574A (zh) | 2019-01-16 | 2019-01-16 | 基于acde和bp神经网络的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829574A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027719A (zh) * | 2019-11-14 | 2020-04-17 | 东华大学 | 多组件系统状态机会维护优化方法 |
-
2019
- 2019-01-16 CN CN201910039161.4A patent/CN109829574A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027719A (zh) * | 2019-11-14 | 2020-04-17 | 东华大学 | 多组件系统状态机会维护优化方法 |
CN111027719B (zh) * | 2019-11-14 | 2023-06-20 | 东华大学 | 多组件系统状态机会维护优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN110991866B (zh) | 一种基于机器学习的台区数据缺失值补全方法和装置 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
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 | |
CN108053052B (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
CN110059887B (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 | |
CN108120521B (zh) | 变压器绕组热点温度预测方法及终端设备 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
Chen et al. | A multivariate grey RBF hybrid model for residual useful life prediction of industrial equipment based on state data | |
CN110298506A (zh) | 一种城市建设水平预测系统 | |
CN109829574A (zh) | 基于acde和bp神经网络的电力负荷预测方法 | |
Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
Ming-Tao et al. | The research on stock price forecast model based on data mining of BP neural networks | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN106529816A (zh) | 电力线信道的调整方法和系统 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN110288159A (zh) | 一种智慧城市建设测度方法 | |
CN112884186A (zh) | 一种考虑dg和电采暖负荷的变电站网供负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |
|
RJ01 | Rejection of invention patent application after publication |