CN111222714A - 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置 - Google Patents

基于脉冲神经网络的天气敏感型电力负荷预测方法及装置 Download PDF

Info

Publication number
CN111222714A
CN111222714A CN202010057564.4A CN202010057564A CN111222714A CN 111222714 A CN111222714 A CN 111222714A CN 202010057564 A CN202010057564 A CN 202010057564A CN 111222714 A CN111222714 A CN 111222714A
Authority
CN
China
Prior art keywords
matrix
chromosome
load
neural network
vector
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.)
Withdrawn
Application number
CN202010057564.4A
Other languages
English (en)
Inventor
仝海昕
李峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202010057564.4A priority Critical patent/CN111222714A/zh
Publication of CN111222714A publication Critical patent/CN111222714A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于脉冲神经网络的天气敏感型电力负荷预测方法及装置，所述方法包括：将气象变量输入数据进行时间编码，得到编码后的脉冲数据；建立人体体感舒适度模型；利用遗传算法对脉冲神经网络进行训练；将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据；本发明的优点在于：减少算法运行时间和资源，提升算法的稳定性，加快训练效率。

Description

基于脉冲神经网络的天气敏感型电力负荷预测方法及装置
技术领域
本发明涉及电力负荷预测领域，更具体涉及基于脉冲神经网络的天气敏感型电力负荷预测方法及装置。
背景技术
在电力系统中，配电网的任务就是给用户配送持续合格的电能，由于在电网中发电与用电之间存在着同时性，故电网管理调度部门需要提前做好发电预案。因此，电力负荷预测就成为电力系统运行调度中非常重要的内容。因此，短期负荷预测(Short Term LoadForecasting,STLF)的准确性直接关系到电力公司的运营成本。电力负荷的变化具有随机性，但在整体上又呈现一定的规律性。可将电力负荷分为天气敏感型负荷和基本负荷，天气敏感型负荷是容易受气象变化影响的一类负荷，例如夏季城市中热岛效应使得空调负荷比例因天气而大大升高；而基本负荷短时间内不会明显变化。因此，若精准把握天气敏感型负荷的变化趋势，就能更加准确地预测短期内的负荷走势。天气敏感型电力负荷预测需要获取实时天气数据，作为预测依据。并使用历史负荷数据作为基准。近年来，人工智能技术持续火热，很多学者将人工智能技术引入电力负荷预测中，并取得了相对于传统方法更高的精确度和鲁棒性。研究者们针对不同的负荷类型，因地制宜地使用了不同类型的人工神经网络进行负荷预测。
在传统的天气敏感型负荷预测方法中，传统神经网络模型对于具有丰富时空特性、混沌特性以及非线性的，天气敏感型电力负荷预测问题处理性能仍然不佳。传统神经网络复杂的拓扑结构往往导致学习效率低下。而时间编码的脉冲神经网络(Spiking NeuralNetwork，SNN)所特有的时空计算能力，成为解决天气敏感型电力负荷预测问题的更好选择。
在传统脉冲神经网络训练方法研究中，研究者发现，脉冲神经网络的激活函数可能出现不可微性，因此不能用传统的BP反向传播方法进行训练。针对这一问题，研究者们应用了遗传算法对脉冲神经网络进行训练。但是其脉冲神经网络训练所使用的遗传算法的具有严重缺陷，自身不稳定，变异在带来产生优秀个体的同时，也增加了产生更劣等个体的可能性。故算法可能会在若干次交叉互换和变异后，仍然难以得到令人满意的结果，并且耗费了大量时间和资源，综述，其在脉冲神经网络进行训练过程中易出现不稳定性缺陷，训练效率低。
发明内容
本发明所要解决的技术问题在于如何解决现有天气敏感型负荷预测方法在对脉冲神经网络进行训练过程中易出现不稳定性缺陷，训练效率低的问题。
本发明通过以下技术手段实现解决上述技术问题的：基于脉冲神经网络的天气敏感型电力负荷预测方法，所述方法包括：
步骤一：将气象变量输入数据进行时间编码，得到编码后的脉冲数据；
步骤二：建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；
步骤三：利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；
步骤四：将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；
步骤五：根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。
本发明设置优胜矩阵和劣汰矩阵并获取导致被淘汰的关键特征参数向量，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量，把控变异方向，使得变异过程减少劣汰个体产生的可能，减少算法运行时间和资源，提升算法的稳定性，加快训练效率。
优选的，所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。
优选的，所述步骤二包括：所述人体体感舒适度模型为Ci＝0.25Ti 2-10Ti 2+100+10.12Hi+0.25(Ti-20)Si，其中，Ti为i时刻的温度，Hi为i时刻的湿度，Si为i时刻的风速，Ci为i时刻的人体体感舒适度。
优选的，所述步骤三包括：
步骤301：将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chromq[p]，Chromq[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；
步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式
Figure BDA0002373337860000041
计算初始的第q个染色体向量的契合度值，其中，
Figure BDA0002373337860000042
为期望输出值，
Figure BDA0002373337860000043
为实际输出值，Fitq为初始的第q个染色体向量的契合度值；
步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为
Figure BDA0002373337860000044
行、41列的矩阵，劣汰矩阵B为
Figure BDA0002373337860000045
行、41列的矩阵；
步骤304：利用公式
Figure BDA0002373337860000046
计算优胜矩阵A的第col列的平均数，利用公式
Figure BDA0002373337860000047
计算劣汰矩阵B的第col列的平均数，利用公式
Figure BDA0002373337860000048
计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，
Figure BDA0002373337860000049
为优胜矩阵A的平均数，
Figure BDA00023733378600000410
为劣汰矩阵B的平均数，differcol为优胜矩阵A与劣汰矩阵B的差异百分比；
步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；
步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；
步骤307：利用公式
Figure BDA0002373337860000051
随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chromq[p]'＝Chromq[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式
Figure BDA0002373337860000052
更新第q个染色体向，其中，Chromq[p]'为更新后的第q个染色体向量，
Figure BDA0002373337860000053
为优胜矩阵A的第p列的平均数，
Figure BDA0002373337860000054
为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；
步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，δ取值范围为2％～5％。
优选的，所述步骤四包括：
步骤401：编码后的脉冲数据输入脉冲神经网络中，脉冲神经网络的输入层包括5个神经元，分别接受当前时刻、温度、湿度、风速、被测地区的N个时间点的历史负荷数的数据这五个输入变量的数据，中间层为隐含层包括7个神经元，输出层为1个神经元；
步骤402：对于某层的第j个神经元，利用公式
Figure BDA0002373337860000061
获取脉冲到达的标志；ε(t)为当前时刻输入脉冲响应值，
Figure BDA0002373337860000062
为当前时刻输入脉冲响应值的偏导；
步骤403：某层的第j个神经元利用公式
Figure BDA0002373337860000063
接收来自上层连接神经元的输入数据；x(t)为当前时刻状态变量，Yl(t)为当前时刻上一层第l个神经元发出的脉冲信号，*表示某层，
Figure BDA0002373337860000064
表示上层第l个神经元与某层第m个神经元之间连接权值，n为上一层神经元总数；
步骤404：当状态变量x(t)超过阈值σ时，某层的第j个神经元利用公式
Figure BDA0002373337860000065
计算发射脉冲响应值，并在电位超过0.001时记录下当前时刻作为发射时间，并且对输出脉冲做自增运算，直到所有输入变量的数据输出完毕，其中，[index]为输出脉冲序列索引，
Figure BDA0002373337860000066
为脉冲到达时刻，τ为膜电位衰减时间，e()是以自然数e为底的指数函数。
步骤405：对所有输入变量的数据进行数据解码得到当前时刻负荷。
优选的，所述输出结果判定式为d1·Tol≤Li且Li≤d2·Tol，其中，d1为负荷区间左端点值；d2为负荷区间右端点值；Tol为研究地区过去一年里，总负荷最大值时的天气敏感型负荷值，Li为预测负荷值，Tol＝L总-L基，L基表示研究地区过去一年里月平均天气敏感型负荷值，L总是研究地区过去一年里总负荷的最大值。
本发明还提供基于脉冲神经网络的天气敏感型电力负荷预测装置，所述装置包括：
编码模块，用于将气象变量输入数据进行时间编码，得到编码后的脉冲数据；
人体体感舒适度模型构建模块，用于建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；
训练模块，用于利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；
解码模块，用于将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；
检验模块，用于根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。
优选的，所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。
优选的，所述人体体感舒适度模型构建模块还用于：所述人体体感舒适度模型为Ci＝0.25Ti 2-10Ti 2+100+10.12Hi+0.25(Ti-20)Si，其中，Ti为i时刻的温度，Hi为i时刻的湿度，Si为i时刻的风速，Ci为i时刻的人体体感舒适度。
优选的，所述训练模块还用于：
步骤301：将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chromq[p]，Chromq[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；
步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式
Figure BDA0002373337860000081
计算初始的第q个染色体向量的契合度值，其中，
Figure BDA0002373337860000082
为期望输出值，
Figure BDA0002373337860000083
为实际输出值，Fitq为初始的第q个染色体向量的契合度值；
步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为
Figure BDA0002373337860000084
行、41列的矩阵，劣汰矩阵B为
Figure BDA0002373337860000085
行、41列的矩阵；
步骤304：利用公式
Figure BDA0002373337860000086
计算优胜矩阵A的第col列的平均数，利用公式
Figure BDA0002373337860000087
计算劣汰矩阵B的第col列的平均数，利用公式
Figure BDA0002373337860000088
计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，
Figure BDA0002373337860000091
为优胜矩阵A的平均数，
Figure BDA0002373337860000092
为劣汰矩阵B的平均数，differcol为优胜矩阵A与劣汰矩阵B的差异百分比；
步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；
步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；
步骤307：利用公式
Figure BDA0002373337860000093
随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chromq[p]'＝Chromq[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式
Figure BDA0002373337860000094
更新第q个染色体向，其中，Chromq[p]'为更新后的第q个染色体向量，
Figure BDA0002373337860000095
为优胜矩阵A的第p列的平均数，
Figure BDA0002373337860000096
为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；
步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，δ取值范围为2％～5％。
优选的，所述解码模块还用于：
步骤401：编码后的脉冲数据输入脉冲神经网络中，脉冲神经网络的输入层包括5个神经元，分别接受当前时刻、温度、湿度、风速、被测地区的N个时间点的历史负荷数的数据这五个输入变量的数据，中间层为隐含层包括7个神经元，输出层为1个神经元；
步骤402：对于某层的第j个神经元，利用公式
Figure BDA0002373337860000101
获取脉冲到达的标志；ε(t)为当前时刻输入脉冲响应值，
Figure BDA0002373337860000102
为当前时刻输入脉冲响应值的偏导；
步骤403：某层的第j个神经元利用公式
Figure BDA0002373337860000103
接收来自上层连接神经元的输入数据；x(t)为当前时刻状态变量，Yl(t)为当前时刻上一层第l个神经元发出的脉冲信号，*表示某层，
Figure BDA0002373337860000104
表示上层第l个神经元与某层第m个神经元之间连接权值，n为上一层神经元总数；
步骤404：当状态变量x(t)超过阈值σ时，某层的第j个神经元利用公式
Figure BDA0002373337860000105
计算发射脉冲响应值，并在电位超过0.001时记录下当前时刻作为发射时间，并且对输出脉冲做自增运算，直到所有输入变量的数据输出完毕，其中，[index]为输出脉冲序列索引，
Figure BDA0002373337860000106
为脉冲到达时刻，τ为膜电位衰减时间，e()是以自然数e为底的指数函数。
步骤405：对所有输入变量的数据进行数据解码得到当前时刻负荷。
优选的，所述输出结果判定式为d1·Tol≤Li且Li≤d2·Tol，其中，d1为负荷区间左端点值；d2为负荷区间右端点值；Tol为研究地区过去一年里，总负荷最大值时的天气敏感型负荷值，Li为预测负荷值，Tol＝L总-L基，L基表示研究地区过去一年里月平均天气敏感型负荷值，L总是研究地区过去一年里总负荷的最大值。
本发明的优点在于：
(1)本发明设置优胜矩阵和劣汰矩阵并获取导致被淘汰的关键特征参数向量，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量，把控变异方向，使得变异过程减少劣汰个体产生的可能，减少算法运行时间和资源，提升算法的稳定性，加快训练效率。
(2)在传统的天气敏感型负荷预测方法中，对于输出结果没有实时自我检验的步骤，从而导致一些小概率的离群值干扰整体预测精度的情况。本发明将人体舒适度作为第二判据，人体舒适度由温度、湿度、风速输入舒适度模型计算得到，检验脉冲神经网络模型输出值是否离群，若离群则剔除并记录；若正常则认为该结果是可信的，输出该结果，从而提高预测精度。
附图说明
图1为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法的流程图；
图2为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法的过程示意图；
图3为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法中数字编码实例图；
图4为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法中数据编码流程图；
图5为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法中脉冲神经网络模型训练过程示意图；
图6为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法中脉冲神经网络结构示意图；
图7为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法中脉冲发射图像；
图8为本发明实施例所公开的基于脉冲神经网络的天气敏感型电力负荷预测方法中脉冲神经网络输出数据检验流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1和图2所示，基于脉冲神经网络的天气敏感型电力负荷预测方法，所述方法包括：
步骤S1：将气象变量输入数据进行时间编码，得到编码后的脉冲数据；所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。在把数据输入脉冲神经网络之前，需要将数据做编码处理。因为在脉冲神经网络中，数据是以脉冲序列的形式传递的。如图3和图4所示，常用方法是时间编码，通过制定编码规则ψ:inp→Δt将所有输入数据inp对应到两个脉冲之间的时间间隔长度值Δt。十进制数的每一位都是由两个脉冲之间的时间间隔表示，编码规则ψ:inp→Δt表述如下：①脉冲时间间隔最小是0.1us，用τm表示。即1τm＝0.1us，它是编码中不可再分的基本单位，脉冲序列中任何时间间隔长度都是它的整数倍。②数字1～9对应1～9个时间长度τm。③数字0用10τm表示。④小数点用11τm表示。⑤负号用12τm表示。(若编码中没有12τm长度的脉冲时间间隔则表示该数据是正数)。⑥数据分隔符用13τm表示，置于编码的最左端，作用相当于提示计算机已读取一个数据。
在编码规则的基础上，编码的流程如下：①获取不同类型的数据。对于时间数据需精确到分，格式按数字顺序编辑，例如：201902151530表示2019年2月15日15点30分。温度、湿度、风速按十进制直接输入，而历史负荷数据则以一维向量的形式输入，向量中的每个数据表示历史负荷，相邻两个数据代表的时刻相隔15min。②输入数据后，根据编码规则ψ:inp→Δt，将数据映射成不同的脉冲序列，并依次输入至脉冲神经网络的输入层中。其中pointer是指针变量，用于传递单个历史负荷数据，编码按上述规则编入计算机。最终输出对应的脉冲序列，分别输入脉冲神经网络输入层的5个神经元中。
步骤S2：建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；人体舒适度与负荷区间映射关系如表1所示。具体过程包括：所述人体体感舒适度模型为Ci＝0.25Ti 2-10Ti 2+100+10.12Hi+0.25(Ti-20)Si，其中，Ti为i时刻的温度，Hi为i时刻的湿度，Si为i时刻的风速，Ci为i时刻的人体体感舒适度。Tol为研究地区过去一年里，总负荷最大值时的天气敏感型负荷值。
表1人体舒适度与负荷区间映射关系
人体舒适度C<sub>i</sub> 负荷区间
C<sub>i</sub>＜20 (0，20％Tol]
20≤C<sub>i</sub>＜30 (20％Tol，50％Tol]
30≤C<sub>i</sub>＜50 [50％Tol，70％Tol)
50≤C<sub>i</sub> [70％Tol，100％Tol)
步骤S3：利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；
所述步骤S3具体过程为：
步骤301：如图5所示，将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chromq[p]，Chromq[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；染色体向量中包括网络的所有可调参数，故每一个染色体向量唯一对应一个脉冲神经网络。
步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式
Figure BDA0002373337860000151
计算初始的第q个染色体向量的契合度值，其中，
Figure BDA0002373337860000152
为期望输出值，
Figure BDA0002373337860000153
为实际输出值，Fitq为初始的第q个染色体向量的契合度值；完成一次计算后，q会进行自增运算，直到遍历完整个种群。且在遍历过程中，若存在q，使得契合度Fitq＜δ，δ为人为规定的训练目标精度，则表示已找到满足要求的网络参数组合，宣告训练完毕，输出完成训练的网络参数，若一直不存在满足要求的q，则在遍历完毕后进行步骤303。
步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为
Figure BDA0002373337860000154
行、41列的矩阵，劣汰矩阵B为
Figure BDA0002373337860000155
行、41列的矩阵；
步骤304：利用公式
Figure BDA0002373337860000156
计算优胜矩阵A的第col列的平均数，利用公式
Figure BDA0002373337860000157
计算劣汰矩阵B的第col列的平均数，利用公式
Figure BDA0002373337860000158
计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，
Figure BDA0002373337860000161
为优胜矩阵A的平均数，
Figure BDA0002373337860000162
为劣汰矩阵B的平均数，differcol为优胜矩阵A与劣汰矩阵B的差异百分比；
步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；
步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；
步骤307：利用公式
Figure BDA0002373337860000163
随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chromq[p]'＝Chromq[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式
Figure BDA0002373337860000164
更新第q个染色体向，其中，Chromq[p]'为更新后的第q个染色体向量，
Figure BDA0002373337860000165
为优胜矩阵A的第p列的平均数，
Figure BDA0002373337860000166
为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；
步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，训练目标精度的取值不可过大也不可过小，一般取值范围在2％至5％之间，本实施例中，训练目标精为2％，按照训练实际情况而定。
步骤S4：将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；具体过程为：
步骤401：如图6所示，图中i表示输入层，h表示隐含层，o表示输出层，编码后的脉冲数据输入脉冲神经网络中，脉冲神经网络的输入层包括5个神经元，分别接受当前时刻、温度、湿度、风速、被测地区的N个时间点的历史负荷数的数据这五个输入变量的数据，中间层为隐含层包括7个神经元，输出层为1个神经元；
步骤402：对于网络中的每一个神经元，需要记录每个脉冲到达的时刻，因为每个神经元都需要接收若干脉冲，故接收脉冲的时间存储进与自身对应的一维数组。对于某层的第j个神经元，利用公式
Figure BDA0002373337860000171
获取脉冲到达的标志；ε(t)为当前时刻输入脉冲响应值，
Figure BDA0002373337860000172
为当前时刻输入脉冲响应值的偏导；
步骤403：某层的第j个神经元利用公式
Figure BDA0002373337860000173
接收来自上层连接神经元的输入数据；x(t)为当前时刻状态变量，Yl(t)为当前时刻上一层第l个神经元发出的脉冲信号，*表示某层，
Figure BDA0002373337860000174
表示上层第l个神经元与某层第m个神经元之间连接权值，n为上一层神经元总数；
步骤404：当状态变量x(t)超过阈值σ时，某层的第j个神经元利用公式
Figure BDA0002373337860000181
计算发射脉冲响应值，并在电位超过0.001时记录下当前时刻作为发射时间，并且对输出脉冲做自增运算，直到所有输入变量的数据输出完毕，其中，[index]为输出脉冲序列索引，其为非负整数，初值为0；
Figure BDA0002373337860000182
为脉冲到达时刻，τ为膜电位衰减时间，e()是以自然数e为底的指数函数。τ为1时的脉冲发射图像如图7所示。
步骤405：对所有输入变量的数据进行数据解码得到当前时刻负荷。
步骤S5：根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。其中，所述输出结果判定式为d1·Tol≤Li且Li≤d2·Tol，其中，d1为负荷区间左端点值；d2为负荷区间右端点值；Tol为研究地区过去一年里，总负荷最大值时的天气敏感型负荷值，Li为预测负荷值，Tol＝L总-L基，L基表示研究地区过去一年里月平均天气敏感型负荷值，L总是研究地区过去一年里总负荷的最大值。如图8所示，主要过程为：①首先输入计算得的负荷区间端点值d1，d2，以及脉冲神经网络直接输出的负荷预测数值L1。②计算对应研究地区的Tol值。③判断预测值L1是否落入负荷区间内。④若落入区间则确认为确信值，输出整个网络最终预测结果。⑤否则提示i时刻的数据异常，将此次预测值剔除，并存储i时刻的输入数据，及异常数据，便于维护和故障诊断。
通过以上技术方案，本发明提供的基于脉冲神经网络的天气敏感型电力负荷预测方法，设置优胜矩阵和劣汰矩阵并获取导致被淘汰的关键特征参数向量，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量，把控变异方向，使得变异过程减少劣汰个体产生的可能，减少算法运行时间和资源，提升算法的稳定性，加快训练效率。
实施例2
与本发明实施例1相对应的，本发明实施例2还提供基于脉冲神经网络的天气敏感型电力负荷预测装置，所述装置包括：
编码模块，用于将气象变量输入数据进行时间编码，得到编码后的脉冲数据；
人体体感舒适度模型构建模块，用于建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；
训练模块，用于利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；
解码模块，用于将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；
检验模块，用于根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。
具体的，所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。
具体的，所述人体体感舒适度模型构建模块还用于：所述人体体感舒适度模型为Ci＝0.25Ti 2-10Ti 2+100+10.12Hi+0.25(Ti-20)Si，其中，Ti为i时刻的温度，Hi为i时刻的湿度，Si为i时刻的风速，Ci为i时刻的人体体感舒适度。
具体的，所述训练模块还用于：
步骤301：将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chromq[p]，Chromq[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；
步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式
Figure BDA0002373337860000201
计算初始的第q个染色体向量的契合度值，其中，
Figure BDA0002373337860000202
为期望输出值，
Figure BDA0002373337860000203
为实际输出值，Fitq为初始的第q个染色体向量的契合度值；
步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为
Figure BDA0002373337860000204
行、41列的矩阵，劣汰矩阵B为
Figure BDA0002373337860000205
行、41列的矩阵；
步骤304：利用公式
Figure BDA0002373337860000206
计算优胜矩阵A的第col列的平均数，利用公式
Figure BDA0002373337860000211
计算劣汰矩阵B的第col列的平均数，利用公式
Figure BDA0002373337860000212
计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，
Figure BDA0002373337860000213
为优胜矩阵A的平均数，
Figure BDA0002373337860000214
为劣汰矩阵B的平均数，differcol为优胜矩阵A与劣汰矩阵B的差异百分比；
步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；
步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；
步骤307：利用公式
Figure BDA0002373337860000215
随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chromq[p]'＝Chromq[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式
Figure BDA0002373337860000216
更新第q个染色体向，其中，Chromq[p]'为更新后的第q个染色体向量，
Figure BDA0002373337860000217
为优胜矩阵A的第p列的平均数，
Figure BDA0002373337860000218
为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；
步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，δ取值范围为2％～5％。
具体的，所述解码模块还用于：
步骤401：编码后的脉冲数据输入脉冲神经网络中，脉冲神经网络的输入层包括5个神经元，分别接受当前时刻、温度、湿度、风速、被测地区的N个时间点的历史负荷数的数据这五个输入变量的数据，中间层为隐含层包括7个神经元，输出层为1个神经元；
步骤402：对于某层的第j个神经元，利用公式
Figure BDA0002373337860000221
获取脉冲到达的标志；ε(t)为当前时刻输入脉冲响应值，
Figure BDA0002373337860000222
为当前时刻输入脉冲响应值的偏导；
步骤403：某层的第j个神经元利用公式
Figure BDA0002373337860000223
接收来自上层连接神经元的输入数据；x(t)为当前时刻状态变量，Yl(t)为当前时刻上一层第l个神经元发出的脉冲信号，*表示某层，
Figure BDA0002373337860000224
表示上层第l个神经元与某层第m个神经元之间连接权值，n为上一层神经元总数；
步骤404：当状态变量x(t)超过阈值σ时，某层的第j个神经元利用公式
Figure BDA0002373337860000225
计算发射脉冲响应值，并在电位超过0.001时记录下当前时刻作为发射时间，并且对输出脉冲做自增运算，直到所有输入变量的数据输出完毕，其中，[index]为输出脉冲序列索引，
Figure BDA0002373337860000231
为脉冲到达时刻，τ为膜电位衰减时间，e()是以自然数e为底的指数函数。
步骤405：对所有输入变量的数据进行数据解码得到当前时刻负荷。
具体的，所述输出结果判定式为d1·Tol≤Li且Li≤d2·Tol，其中，d1为负荷区间左端点值；d2为负荷区间右端点值；Tol为研究地区过去一年里，总负荷最大值时的天气敏感型负荷值，Li为预测负荷值，Tol＝L总-L基，L基表示研究地区过去一年里月平均天气敏感型负荷值，L总是研究地区过去一年里总负荷的最大值。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述方法包括：
步骤一：将气象变量输入数据进行时间编码，得到编码后的脉冲数据；
步骤二：建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；
步骤三：利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；
步骤四：将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；
步骤五：根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。
2.根据权利要求1所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。
3.根据权利要求2所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述步骤二包括：所述人体体感舒适度模型为Ci＝0.25Ti 2-10Ti 2+100+10.12Hi+0.25(Ti-20)Si，其中，Ti为i时刻的温度，Hi为i时刻的湿度，Si为i时刻的风速，Ci为i时刻的人体体感舒适度。
4.根据权利要求1所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述步骤三包括：
步骤301：将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chromq[p]，Chromq[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；
步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式
Figure FDA0002373337850000021
计算初始的第q个染色体向量的契合度值，其中，
Figure FDA0002373337850000022
为期望输出值，
Figure FDA0002373337850000023
为实际输出值，Fitq为初始的第q个染色体向量的契合度值；
步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为
Figure FDA0002373337850000024
行、41列的矩阵，劣汰矩阵B为
Figure FDA0002373337850000025
行、41列的矩阵；
步骤304：利用公式
Figure FDA0002373337850000026
计算优胜矩阵A的第col列的平均数，利用公式
Figure FDA0002373337850000027
计算劣汰矩阵B的第col列的平均数，利用公式
Figure FDA0002373337850000028
计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，
Figure FDA0002373337850000031
为优胜矩阵A的平均数，
Figure FDA0002373337850000032
为劣汰矩阵B的平均数，differcol为优胜矩阵A与劣汰矩阵B的差异百分比；
步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；
步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；
步骤307：利用公式
Figure FDA0002373337850000033
随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chromq[p]'＝Chromq[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式
Figure FDA0002373337850000034
更新第q个染色体向，其中，Chromq[p]'为更新后的第q个染色体向量，
Figure FDA0002373337850000035
为优胜矩阵A的第p列的平均数，
Figure FDA0002373337850000036
为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；
步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，δ取值范围为2％～5％。
5.根据权利要求1所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述步骤四包括：
步骤401：编码后的脉冲数据输入脉冲神经网络中，脉冲神经网络的输入层包括5个神经元，分别接受当前时刻、温度、湿度、风速、被测地区的N个时间点的历史负荷数的数据这五个输入变量的数据，中间层为隐含层包括7个神经元，输出层为1个神经元；
步骤402：对于某层的第j个神经元，利用公式
Figure FDA0002373337850000041
获取脉冲到达的标志；ε(t)为当前时刻输入脉冲响应值，
Figure FDA0002373337850000042
为当前时刻输入脉冲响应值的偏导；
步骤403：某层的第j个神经元利用公式
Figure FDA0002373337850000043
接收来自上层连接神经元的输入数据；x(t)为当前时刻状态变量，Yl(t)为当前时刻上一层第l个神经元发出的脉冲信号，*表示某层，
Figure FDA0002373337850000044
表示上层第l个神经元与某层第m个神经元之间连接权值，n为上一层神经元总数；
步骤404：当状态变量x(t)超过阈值σ时，某层的第j个神经元利用公式
Figure FDA0002373337850000045
计算发射脉冲响应值，并在电位超过0.001时记录下当前时刻作为发射时间，并且对输出脉冲做自增运算，直到所有输入变量的数据输出完毕，其中，[index]为输出脉冲序列索引，
Figure FDA0002373337850000046
为脉冲到达时刻，τ为膜电位衰减时间，e()是以自然数e为底的指数函数。
步骤405：对所有输入变量的数据进行数据解码得到当前时刻负荷。
6.根据权利要求1所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述输出结果判定式为d1·Tol≤Li且Li≤d2·Tol，其中，d1为负荷区间左端点值；d2为负荷区间右端点值；Tol为研究地区过去一年里，总负荷最大值时的天气敏感型负荷值，Li为预测负荷值，Tol＝L总-L基，L基表示研究地区过去一年里月平均天气敏感型负荷值，L总是研究地区过去一年里总负荷的最大值。
7.基于脉冲神经网络的天气敏感型电力负荷预测装置，其特征在于，所述装置包括：
编码模块，用于将气象变量输入数据进行时间编码，得到编码后的脉冲数据；
人体体感舒适度模型构建模块，用于建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；
训练模块，用于利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；
解码模块，用于将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；
检验模块，用于根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。
8.根据权利要求7所述的基于脉冲神经网络的天气敏感型电力负荷预测装置，其特征在于，所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。
9.根据权利要求8所述的基于脉冲神经网络的天气敏感型电力负荷预测装置，其特征在于，所述人体体感舒适度模型构建模块还用于：所述人体体感舒适度模型为Ci＝0.25Ti 2-10Ti 2+100+10.12Hi+0.25(Ti-20)Si，其中，Ti为i时刻的温度，Hi为i时刻的湿度，Si为i时刻的风速，Ci为i时刻的人体体感舒适度。
10.根据权利要求7所述的基于脉冲神经网络的天气敏感型电力负荷预测装置，其特征在于，所述训练模块还用于：
步骤301：将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chromq[p]，Chromq[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；
步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式
Figure FDA0002373337850000061
计算初始的第q个染色体向量的契合度值，其中，
Figure FDA0002373337850000062
为期望输出值，
Figure FDA0002373337850000063
为实际输出值，Fitq为初始的第q个染色体向量的契合度值；
步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为
Figure FDA0002373337850000071
行、41列的矩阵，劣汰矩阵B为
Figure FDA0002373337850000072
行、41列的矩阵；
步骤304：利用公式
Figure FDA0002373337850000073
计算优胜矩阵A的第col列的平均数，利用公式
Figure FDA0002373337850000074
计算劣汰矩阵B的第col列的平均数，利用公式
Figure FDA0002373337850000075
计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，
Figure FDA0002373337850000076
为优胜矩阵A的平均数，
Figure FDA0002373337850000077
为劣汰矩阵B的平均数，differcol为优胜矩阵A与劣汰矩阵B的差异百分比；
步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；
步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；
步骤307：利用公式
Figure FDA0002373337850000078
随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chromq[p]'＝Chromq[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式
Figure FDA0002373337850000081
更新第q个染色体向，其中，Chromq[p]'为更新后的第q个染色体向量，
Figure FDA0002373337850000082
为优胜矩阵A的第p列的平均数，
Figure FDA0002373337850000083
为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；
步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，δ取值范围为2％～5％。
CN202010057564.4A 2020-01-19 2020-01-19 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置 Withdrawn CN111222714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010057564.4A CN111222714A (zh) 2020-01-19 2020-01-19 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010057564.4A CN111222714A (zh) 2020-01-19 2020-01-19 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN111222714A true CN111222714A (zh) 2020-06-02

Family

ID=70829655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010057564.4A Withdrawn CN111222714A (zh) 2020-01-19 2020-01-19 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN111222714A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609912A (zh) * 2021-07-08 2021-11-05 西华大学 一种基于多源信息融合的输电网故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609912A (zh) * 2021-07-08 2021-11-05 西华大学 一种基于多源信息融合的输电网故障诊断方法
CN113609912B (zh) * 2021-07-08 2023-06-20 西华大学 一种基于多源信息融合的输电网故障诊断方法

Similar Documents

Publication Publication Date Title
CN108197744B (zh) 一种光伏发电功率的确定方法及系统
CN111080032A (zh) 一种基于Transformer结构的负荷预测方法
CN103324980B (zh) 一种风电场风速预测方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN113141008B (zh) 一种数据驱动的配电网分布式新能源消纳能力评估方法
CN102129511B (zh) 一种基于matlab的风电场短期风速预测系统
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN107292534A (zh) 城市配电网中长期动态投资的标尺竞争评价方法及装置
CN107609774B (zh) 一种基于思维进化算法优化小波神经网络的光伏功率预测方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN105243461A (zh) 一种基于人工神经网络改进训练策略的短期负荷预测方法
CN110969312A (zh) 基于变分模态分解和极端学习机的短期径流预测耦合方法
CN110837915A (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
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN117909888B (zh) 智慧人工智能气候预测方法
CN116542143A (zh) 基于遗传算法优化的bp神经网络模型的臭氧预测方法
CN109063930A (zh) 一种基于聚类分析的动态风电场总功率预测方法
CN115965125A (zh) 一种基于深度学习的电力负荷预测方法
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN113949079B (zh) 基于深度学习的配电台区用户三相不平衡预测优化方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113344279B (zh) 基于lstm-sam模型和池化的居民负荷预测方法
CN111222714A (zh) 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200602