CN112700060B - 站所终端负荷预测方法和预测装置 - Google Patents
站所终端负荷预测方法和预测装置 Download PDFInfo
- Publication number
- CN112700060B CN112700060B CN202110023894.6A CN202110023894A CN112700060B CN 112700060 B CN112700060 B CN 112700060B CN 202110023894 A CN202110023894 A CN 202110023894A CN 112700060 B CN112700060 B CN 112700060B
- Authority
- CN
- China
- Prior art keywords
- population
- sub
- neural network
- value
- iteration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 239000002245 particle Substances 0.000 claims abstract description 66
- 241000283153 Cetacea Species 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了站所终端负荷预测方法和预测装置,本发明基于采集到的线路电流和电压数据,利用自适应粒子群优化结合自适应鲸鱼优化结合优化问题目标获取全局最优解,将全局最优解作为训练数据利用自适应鲸鱼优化算法优化BP神经网络参数获得预测模型。本发明基于自适应粒子群优化算法和自适应鲸鱼优化算法根据优化目标问题对输入的原始数据进行了优化,去除了不满足要求的噪声数据,优化了训练数据的质量,提高模型的训练时间和预测精度;同时采用了自适应鲸鱼优化算法对于BP神经网络的连接权值和阈值进行了优化,克服了传统BP神经网络容易达到局部极小值的问题,提高了模型的收敛速度和预测精度。
Description
技术领域
本发明涉及站所终端技术领域,具体涉及站所终端负荷预测方法和预测装置。
背景技术
目前负荷预测方法主要分为统计方法和人工智能方法两类,其中统计方法包括时间序列和线性回归,人工智能方法则包括人工神经网络法、支持向量机法及基于深度学习方法等。基于人工智能的方法与统计方法相比,可以有效处理数据中存在的非线性关系。深度学习在负荷预测中的应用多采用深度置信网络(deep belief network,DBN)和循环神经网络(recurrent neural networks,RNN)模型。通过将无监督学习和有监督学习相结合,共同实现DBN的训练,可以实现较高的预测精度;通过将DBN与支持向量机(Support VectorMachine,SVM)相结合实现未来1h的负荷预测,预测精度较高,但忽略了不同时间负荷数据间的联系;将一种基于深度学习的RNN-LSTM模型应用于单位住户的用电量预测中,通过训练集训练后,测试集的预测结果图线可以很好地与实际数据拟合;为实现未来1h负荷值的预测,采用预测点7天前的负荷数据进行网络训练效果最佳;将长短期记忆(long short-term memory,LSTM)网络应用于短期负荷预测,通过将结果与多层BP网络进行对比,可以看出LSTM网络的预测效果远优于后者。然而LSTM网络是将所有输入特征编码成固定长度的向量表示,忽视了其与待预测负荷之间的关联性大小,因而无法有侧重地对历史数据加以利用。通过卷积神经网络(CNN)和LSTM的结合,将CNN提取的特征向量以序列的方式代替原始数据作为LSTM的输入,获得比传统方法更好的预测精度。但无论这是直接应用LSTM还是改进LSTM,均没有对优化器的学习率进行专门的设置,导致预测精度到了一定程度后难以提升。
目前站所终端负荷预测方法的预测值、误差率、稳定性还是收敛速度以及负荷预测精度都需要进一步提高,以满足实际应用需求。
发明内容
本发明旨在解决现有技术存在的以上不足的只要一个方面,提供了站所终端负荷预测方法和预测装置。本发明采用了以下技术方案。
一方面,本发明提供了站所终端负荷预测方法,包括如下步骤:
步骤1:定义优化目标问题及解空间,设置自适应粒子群优化算法和自适应鲸鱼优化算法的参数值;将采集到的线路电流数据和电压数据作为初始种群,将初始种群随机划分两个同等规模的子种群S1和子种群S2;利用混沌映射对子种群S1和子种群S2的位置进行初始化;
步骤2:当迭代次数小于设定的最大迭代次数,每次迭代过程中,子种群S1中的个体执行自适应粒子群优化算法求解所述优化目标问题,子种群S2中个体执行自适应鲸鱼优化算法求解所述优化目标问题;将子种群S1和子种群S2中一次更新后的个体分别按照适应度从高到低进行降序排序,按照特定比例从更新后的按照降序排列的两个种群中依次提取个体组合为与子种群S1和子种群S2同等规模的子种群S3;
对子种群S3中的个体进行信息交叉替换,然后将子种群S3中的个体重新组合后按照之前选择的特定比例随机返回子群体S1和子种群S2,替换原有种群中对应个体的位置,保持子种群S1和子种群S2规模不变;计算个体适应度值,更新全局最优解;
步骤3:迭代过程重复执行步骤2直至满足终止条件,输出全局最优解;否则,返回迭代阶段重复寻优过程;
步骤4:确定BP神经网络的初始连接权值和阈值;初始化自适应鲸鱼优化算法的变量,将BP神经网络的初始权值和阈值转化为自适应鲸鱼优化算法的位置向量,将步骤3获得的全局最优解输入BP神经网络预测模型作为训练数据,将BP神经网络预测输出值与实测值之间的均方误差作为自适应鲸鱼优化算法的适应度函数;
步骤5:计算自适应鲸鱼优化算法个体适应度值;找出最优适应度值的位置,记录下位置向量并将其作为当前最优个体位置;自适应更新每个鲸鱼的位置;满足最大迭代次数或达到误差精度要求后终止鲸鱼优化算法;
根据当前最优个体位置获得当前的最优参数并将其赋值给BP神经网络获得BP神经网络预测模型;
步骤6:利用训练完成的神经网络根据输入的线路电流和电压数据得到电力负荷预测结果。
进一步地,所述优化目标问题表示如下:
minP(t)=1.732U(t)I(t)cosΦ
其中P为三相有功功率,U为电压,I为电流,cosΦ为功率因数。
进一步地,所述自适应粒子群优化算法包括以下步骤:
采用公式(1)更新新一代粒子群中各粒子的速度,采用公式(2)更新新一代粒子群中各粒子的位置:
其中,表示第k+1次迭代后粒子的速度,w表示惯性权重,/>表示第k次迭代后粒子的速度,c1表示第一学习因子常数,c2表示第二学习因子常数,/>表示第k次迭代后第一随机数,/>表示第k次迭代后粒子个体极值,/>表示第k次迭代后粒子的位置,表示第k次迭代后第二随机数,/>表示第k次迭代后粒子群体极值,k表示迭代次数;
其中惯性权重w在当前适应度值大于平均适应度值时,根据最大适应度和平均适应度差值自适应调节每个粒子的速度和位置,在当前适应度小于等于平均适应度值时,根据平均适应度和最小适应度的差值自适应调节每个粒子的速度和位置,具体调节公式如下:
其中,f为当前粒子的适应度值,favg,fmax,fmin分别为当前所有粒子的平均适应度值,最大适应度值,最小适应度值。
进一步地,自适应鲸鱼优化算法自适应更新每个鲸鱼的位置,具体方法包括以下步骤:
第t次迭代后根据当前鲸的适应度值e(t)与当前所有鲸的平均适应度值采取不同的位置更新策略:如果e(t)>eavg(t),按照公式(3)更新下一代的位置;
其中e(t)为当前鲸第t次迭代后的适应度差值,eavg(t)为当前所有鲸的平均适应度值,emax(t)为当前所有鲸的最大适应度值,Xrand(t)为当前鲸群随机选择的位置向量,其中包含了可行解,X为个体所在的位置向量,t表示当前迭代次数;Tmax_WOA表示迭代次数的最大值;
如果e(t)≤eavg(t),按照公式(4)更新下一代的位置;
emin(t)为当前所有鲸的最小适应度值;
其中h(t)表示第t次迭代的权重,计算方法如下:
其中,h1为初始最小权值,h2为初始最大权值。
第二方面,本发明提供了站所终端负荷预测装置,包括:最优解获取模块、BP神经网络参数优化模块以及预测模块;
所述最优解获取模块,用于基于按照预设采样周期采集的线路电流和电压数据利用智能优化算法求取优化目标问题的最优解;
所述BP神经网络参数优化模块,用于结合所述最优解获取模块获取的优化目标问题的最优解,利用自适应鲸鱼优化算法对预先构建的BP神经网络的连接权值和阈值进行参数优化,并将最终优化确定的连接权值和阈值赋值给BP神经网络获得BP神经网络预测模型;
所述预测模块将利用训练完成的神经网络根据输入的线路电流和电压数据得到电力负荷预测结果。
相应地,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任意一个可能的实施方式所提供的所述站所终端负荷预测方法的步骤。
本发明所取得的有益技术效果:
本发明基于自适应粒子群优化算法和自适应鲸鱼优化算法对输入根据优化目标问题对输入的原始数据进行了优化,去除了不满足要求的噪声数据,优化了训练数据的质量,提高模型的训练时间和预测精度;同时采用了自适应鲸鱼优化算法对于BP神经网络的连接权值和阈值进行了优化,克服了传统BP神经网络容易达到局部极小值的问题,提高了模型的收敛速度和预测精度。所以本发明提供的站所终端电力负荷预测方法不仅结合了三种算法的优点,而且保证了群体的多样性。无论在预测值、误差率、稳定性还是收敛速度、负荷预测精度方面都明显优于传统方法。
本发明中自适应粒子群优化算法包括自适应调整惯性权重,惯性权重依据适应度的变化进行自适应动态调节,能够更好地实现全局搜索与局部开发之间的平衡;
本发明采用混沌映射初始化种群的位置,具有遍历性和随机性的特点,能在一定范围内更全面地探索搜索空间,将混沌理论与粒子群算法以及鲸鱼算法相结合,大大提高了粒子群算法以及鲸鱼算法的性能。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明具体实施例提供的站所终端负荷预测方法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
实施例一、本发明实施例中,站所终端负荷预测方法采用了自适应粒子群优化结合自适应鲸鱼优化,以及利用自适应鲸鱼优化算法优化BP神经网络参数,预测站所终端短期电力负荷。方法中将种群分成两个同等规模的子种群S1和S2,S1利用自适应粒子群优化算法APSO(Adaptive Particle swarm optimization)算法实现寻优,S2则利用自适应鲸鱼优化算法AWOA(Adaptive Whale Optimization Algorithm)实现寻优,通过实现个体间信息的交叉替换,利用改进后的自适应粒子群优化算法APSO算法和自适应鲸鱼优化算法AWOA算法根据优化目标问题求取最优解,并采用AWOA算法优化BP神经网络的初始权值和阈值,将BP神经网络的训练误差作为个体的适应度值,选择最优的BP神经网络初始权值和阈值来构建BP神经网络预测模型。
站所终端负荷预测方法,流程图如图1所示,具体包括以下步骤:
步骤1:初始化,定义目标优化问题及其解空间和设置相应变量的参数值。采用自适应鲸鱼优化算法AWOA和APSO的所有变量参数,其中APSO算法的惯性权重采用自适应变化策略;
步骤2:将采集到的线路电流和电压数据作为初始种群,初始种群随机划分两个同等规模的子种群S1和S2;
步骤3:利用混沌映射对种群位置进行初始化,令t=0;
步骤4:在迭代阶段,每次迭代过程中,当t<tmax,S1中的个体执行APSO算法,S2中个体执行AWOA算法,tmax为设定的最大迭代次数;
步骤5:将S1和S2中一次更新后的个体分别按照适应度从高到低进行降序排序,取各排序后的前50%的个体组合为子种群S3;
步骤6:根据预设的交叉概率对S3中的个体进行信息交叉替换,然后将S3中的个体重新组合后按照之前的选择比例随机返回子群体S1和S2,替换原有种群中对应个体的位置,保持S1和S2规模不变;
步骤7:计算个体适应度值,更新全局最优解,迭代过程继续被执行直至满足终止条件;
步骤8:若满足终止条件,输出全局最优解;否则,返回迭代阶段重复寻优过程;
步骤9:BP神经网络初始化,初始的连接权值和阈值;
步骤10:将步骤9中的初始权值和阈值转化为改进后的AWOA的位置向量;将步骤8获得的全局最优解输入BP神经网络作为训练数据,并且初始化算法的其他基本参数,如设置种群规模N、最大迭代次数Tmax__WOA等。同时,将BP神经网络预测模型的预测输出值与实测值之间的均方误差作为改进的AWOA的适应度函数F(x);
步骤11:计算个体适应度值。找出最优适应度值的位置,记录下位置向量并将其作为当前最优个体位置xbest(t);
步骤12:自适应更新每个鲸鱼的位置;
步骤13:满足最大迭代次数或达到误差精度要求后终止寻优算法,将当前的最优参数赋值给BP神经网络。
本实施例中步骤1~6主要有三个操作:
并行操作,即分别单独执行APSO和AWOA,实现两种算法的并行运算;
交叉操作,将各自更新后的群体有选择性地进行部分个体的交叉,实现群体之间的信息交互;
替换操作,即信息反馈,将交叉操作后的个体重新组合后按照之前的选择比例随机返回两个子群体,进行下一次迭代。通过混合系数确定进行信息交互个体的分组规则,以调整携带交互信息个体在各子群体中所占比例。
交叉操作详细过程如下:
为了让搜索代理执行交叉操作,本文首先从S1和S2中分别选择半数的高适应度值的个体组合成新的群体S3。然后,将S3中的个体作为父代,进行交叉操作:设交叉概率pc,生成一个随机数p,其值如果大于pc,两个父代直接进入下一代;否则,将两个父代个体的某些属性交叉重组,新的属性与原父代属性对应关系为:
xi(k+1)=ryi(k)+(1-r)xi(k)
yi(k+1)=rxi(k)+(1-r)yi(k)
其中,r为(0,1)间的随机数,xi(k)和yi(k)分别是第k代某两个个体上第i位属性。本发明中属性指的是位置。交叉概率pc取0.7。
实施例二、在实施一的基础上,本实施例中,优化目标问题表示如下:
minP(t)=1.732U(t)I(t)cosΦ
其中P为三相有功功率,U为电压,I为电流,cosΦ为功率因数。本实施例构造该优化目标可以使有功功率最小化,从而达到消耗电能量最小,使总体系统达到低功耗、节能的目的。
实施例三、在实施例二的基础上,本实施例中,所述自适应粒子群优化算法包括以下步骤:
采用公式(1)更新新一代粒子群中各粒子的速度,采用公式(2)更新新一代粒子群中各粒子的位置:
其中,表示第k+1次迭代后粒子的速度,w表示惯性权重,/>表示第k次迭代后粒子的速度,c1表示第一学习因子常数,c2表示第二学习因子常数,/>表示第k次迭代后第一随机数,/>表示第k次迭代后粒子个体极值,/>表示第k次迭代后粒子的位置,表示第k次迭代后第二随机数,/>表示第k次迭代后粒子群体极值,k表示迭代次数;
其中,表示第k+1次迭代后粒子的位置;惯性权重w在当前适应度值大于平均适应度值时,根据最大适应度和平均适应度差值自适应调节每个粒子的速度和位置,在当前适应度小于等于平均适应度值时,根据平均适应度和最小适应度的差值自适应调节每个粒子的速度和位置,具体调节公式如下:
其中,f为当前粒子的适应度值,favg,fmax,fmin分别为当前所有粒子的平均适应度值,最大适应度值,最小适应度值。本实施例中自适应粒子群优化算法根据当前粒子的适应度值、当前所有粒子的平均适应度值,最大适应度值和最小适应度值自适应调节每个粒子的速度和位置,使种群个体达到全局最优,提高算法的收敛速度,使得整个系统耗能最小。
实施例五、在实施例一、二、三或实施例四的基础上,本实施例中,自适应鲸鱼优化算法自适应更新每个鲸鱼的位置,具体方法包括以下步骤:
第t次迭代后根据当前鲸的适应度值e(t)与当前所有鲸的平均适应度值的值采取不同的位置更新策略:如果e(t)>eavg(t),按照公式(3)更新下一代的位置;
其中e(t)为当前鲸第t次迭代后的适应度差值,eavg(t)为当前所有鲸的平均适应度值,emax(t)为当前所有鲸的最大适应度值,Xrand(t)为当前鲸群随机选择的位置向量,其中包含了可行解,X为个体所在的位置向量,t表示当前迭代次数;Tmax_WOA表示迭代次数的最大值;
如果e(t)≤eavg(t),按照公式(4)更新下一代的位置;
emin(t)为当前所有鲸的最小适应度值;
其中h(t)表示第t次迭代的权重,计算方法如下:
其中,h1为初始最小权值,h2为初始最大权值。
本实施例中自适应鲸鱼优化算法在每次迭代过程中,根据所有鲸的平均适应度值、最大适应度以及最小适应度、初始最小权值和初始最大权值,自适应更新每个鲸鱼的位置,使权重调整更加合理灵活,改进后的算法提高了算法的收敛速度,稳定性和精度,优化输入的电力数据。
实施例六、基于以上实施例,本实施例中采用采用Tent混沌映射初始化种群的位置,帐篷映射的定义如下:
其中,xn取值范围为[0,1],系统参数时Tent映射均匀分布。
本发明采用混沌映射初始化种群的位置,具有遍历性和随机性的特点,能在一定范围内更全面地探索搜索空间,将混沌理论与粒子群算法以及鲸鱼算法相结合,大大提高了粒子群算法以及鲸鱼算法的性能。
与以上实施例相对应,本发明具体实施例还提供了站所终端负荷预测装置,包括:最优解获取模块、BP神经网络参数优化模块以及预测模块;
所述最优解获取模块,用于基于按照预设采样周期采集的线路电流和电压数据利用智能优化算法求取优化目标问题的最优解;
所述BP神经网络参数优化模块,用于结合所述最优解获取模块获取的优化目标问题的最优解,利用自适应鲸鱼优化算法对预先构建的BP神经网络的连接权值和阈值进行参数优化,并将最终优化确定的连接权值和阈值赋值给BP神经网络获得BP神经网络预测模型;
所述预测模块将利用训练完成的神经网络根据输入的线路电流和电压数据得到电力负荷预测结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述实施例中描述的装置、各个模块实现功能的具体工作过程如上述站所终端负荷预测方法实施例对应过程,在本实施例中不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.站所终端负荷预测方法,其特征在于,包括如下步骤:
步骤1:定义优化目标问题及解空间,设置自适应粒子群优化算法和自适应鲸鱼优化算法的参数值;将采集到的线路电流数据和电压数据作为初始种群,将初始种群随机划分两个同等规模的子种群S1和子种群S2;利用混沌映射对子种群S1和子种群S2的位置进行初始化;
步骤2:当迭代次数小于设定的最大迭代次数,每次迭代过程中,子种群S1中的个体执行自适应粒子群优化算法求解所述优化目标问题;子种群S2中个体执行自适应鲸鱼优化算法求解所述优化目标问题;将子种群S1和子种群S2中一次更新后的个体分别按照适应度从高到低进行降序排序,按照特定比例从更新后的按照降序排列的两个种群中依次提取个体组合为与子种群S1和子种群S2同等规模的子种群S3;
对子种群S3中的个体进行信息交叉替换,然后将子种群S3中的个体重新组合后按照之前的选择的特定比例随机返回子群体S1和子种群S2,替换原有种群中对应个体的位置,保持子种群S1和子种群S2规模不变;计算个体适应度值,更新全局最优解;
步骤3:迭代过程重复执行步骤2直至满足终止条件,输出全局最优解;否则,返回迭代阶段重复寻优过程;
步骤4:确定BP神经网络的初始连接权值和阈值;初始化自适应鲸鱼优化算法的变量,将BP神经网络的初始权值和阈值转化为自适应鲸鱼优化算法的位置向量,将步骤3获得的全局最优解输入BP神经网络作为训练数据,将BP神经网络预测输出值与实测值之间的均方误差作为自适应鲸鱼优化算法的适应度函数;
步骤5:计算自适应鲸鱼优化算法个体适应度值;找出最优适应度值的位置,记录下位置向量并将其作为当前最优个体位置;自适应更新每个鲸鱼的位置;满足最大迭代次数或达到误差精度要求后终止鲸鱼优化算法;
根据当前最优个体位置获得当前的最优参数并将其赋值给BP神经网络获得BP神经网络预测模型;
步骤6:利用训练完成的神经网络根据输入的线路电流和电压数据得到电力负荷预测结果。
2.根据权利要求1所述的站所终端负荷预测方法,其特征在于,所述优化目标问题表示如下:
minP(t)=1.732U(t)I(t)cosΦ
其中P为三相有功功率,U为电压,I为电流,cosΦ为功率因数。
3.根据权利要求1所述的站所终端负荷预测方法,其特征在于,所述自适应粒子群优化算法包括以下步骤:
采用公式(1)更新新一代粒子群中各粒子的速度,采用公式(2)更新新一代粒子群中各粒子的位置:
其中,表示第k+1次迭代后粒子的速度,w表示惯性权重,/>表示第k次迭代后粒子的速度,c1表示第一学习因子常数,c2表示第二学习因子常数,/>表示第k次迭代后第一随机数,/>表示第k次迭代后粒子个体极值,/>表示第k次迭代后粒子的位置,/>表示第k次迭代后第二随机数,/>表示第k次迭代后粒子群体极值,k表示迭代次数;
其中,表示第k+1次迭代后粒子的位置;惯性权重w在当前适应度值大于平均适应度值时,根据最大适应度和平均适应度差值自适应调节每个粒子的速度和位置,在当前适应度小于等于平均适应度值时,根据平均适应度和最小适应度的差值自适应调节每个粒子的速度和位置,具体调节公式如下:
其中f为当前粒子的适应度值,favg为当前所有粒子的平均适应度值,fmax为当前所有粒子的最大适应度值,fmin为当前所有粒子的最小适应度值。
4.根据权利要求1所述的站所终端负荷预测方法,其特征在于,自适应鲸鱼优化算法自适应更新每个鲸鱼的位置,具体方法包括以下步骤:
第t次迭代后根据当前鲸的适应度值e(t)与当前所有鲸的平均适应度值的值采取不同的位置更新策略:如果e(t)>eavg(t),按照公式(3)更新下一代的位置;
其中e(t)为当前鲸第t次迭代后的适应度差值,eavg(t)为当前所有鲸的平均适应度值,emax(t)为当前所有鲸的最大适应度值,Xrand(t)为当前鲸群随机选择的位置向量,其中包含了可行解,X为个体所在的位置向量,t表示当前迭代次数;Tmax_WOA表示迭代次数的最大值;
如果e(t)≤eavg(t),按照公式(4)更新下一代的位置;
emin(t)为当前所有鲸的最小适应度值;
其中h(t)表示第t次迭代的权重,计算方法如下:
其中,h1为初始最小权值,h2为初始最大权值。
5.站所终端负荷预测装置,其特征在于,所述装置用于实现如权利要求1至4任一所述的站所终端负荷预测方法,所述装置包括:最优解获取模块、BP神经网络参数优化模块以及预测模块;
所述最优解获取模块,用于基于按照预设采样周期采集的线路电流数据和电压数据利用智能优化算法求取优化目标问题的最优解;
所述BP神经网络参数优化模块,用于结合所述最优解获取模块获取的优化目标问题的最优解,利用自适应鲸鱼优化算法对预先构建的BP神经网络的连接权值和阈值进行参数优化,并将最终优化确定的连接权值和阈值赋值给BP神经网络获得BP神经网络预测模型;
所述预测模块将利用训练完成的神经网络根据输入的线路电流和电压数据得到电力负荷预测结果。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~4任意一项权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023894.6A CN112700060B (zh) | 2021-01-08 | 2021-01-08 | 站所终端负荷预测方法和预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023894.6A CN112700060B (zh) | 2021-01-08 | 2021-01-08 | 站所终端负荷预测方法和预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700060A CN112700060A (zh) | 2021-04-23 |
CN112700060B true CN112700060B (zh) | 2023-06-13 |
Family
ID=75513472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023894.6A Active CN112700060B (zh) | 2021-01-08 | 2021-01-08 | 站所终端负荷预测方法和预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700060B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113612555B (zh) * | 2021-08-19 | 2022-06-07 | 江西赛柏科技有限公司 | 基于移动终端无线射频信号强度的智能标定方法及系统 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114202065B (zh) * | 2022-02-17 | 2022-06-24 | 之江实验室 | 一种基于增量式演化lstm的流数据预测方法及装置 |
CN114928415B (zh) * | 2022-06-01 | 2023-04-07 | 武汉理工大学 | 基于边缘计算网关链路质量评估的多参数组网方法 |
CN115049038A (zh) * | 2022-07-01 | 2022-09-13 | 科大智能电气技术有限公司 | 园区负荷预测模型寻优方法及系统、设备及可读存储介质 |
CN116468181A (zh) * | 2023-04-26 | 2023-07-21 | 山东工商学院 | 一种基于改进鲸鱼优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN110232444A (zh) * | 2019-06-17 | 2019-09-13 | 武汉轻工大学 | 地质监测bp神经网络的优化方法、装置、设备及存储介质 |
CN111553385A (zh) * | 2020-04-07 | 2020-08-18 | 哈尔滨工程大学 | 一种改进烟花算法结合svm的网络入侵检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10491616B2 (en) * | 2017-02-13 | 2019-11-26 | Microsoft Technology Licensing, Llc | Multi-signal analysis for compromised scope identification |
CN108830431A (zh) * | 2018-08-03 | 2018-11-16 | 广东工业大学 | 一种基于鲸鱼优化算法的电价预测方法及相关装置 |
CN110110930B (zh) * | 2019-05-08 | 2022-03-25 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
-
2021
- 2021-01-08 CN CN202110023894.6A patent/CN112700060B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN110232444A (zh) * | 2019-06-17 | 2019-09-13 | 武汉轻工大学 | 地质监测bp神经网络的优化方法、装置、设备及存储介质 |
CN111553385A (zh) * | 2020-04-07 | 2020-08-18 | 哈尔滨工程大学 | 一种改进烟花算法结合svm的网络入侵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112700060A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700060B (zh) | 站所终端负荷预测方法和预测装置 | |
Siddique et al. | Learning fair policies in multi-objective (deep) reinforcement learning with average and discounted rewards | |
CN108133258B (zh) | 一种混合全局优化方法 | |
CN109978283B (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
US20210312295A1 (en) | Information processing method, information processing device, and information processing program | |
CN103544528A (zh) | 一种基于Hadoop的BP神经网络分类方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
CN114154646A (zh) | 一种移动边缘网络中联邦学习的效率优化方法 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
CN115689070A (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
Meirom et al. | Optimizing tensor network contraction using reinforcement learning | |
CN112231117B (zh) | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 | |
Martinez-Soto et al. | Fuzzy logic controllers optimization using genetic algorithms and particle swarm optimization | |
CN113743012B (zh) | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 | |
CN115829258A (zh) | 基于多项式混沌近似动态规划的电力系统经济调度方法 | |
Guoqiang et al. | Study of RBF neural network based on PSO algorithm in nonlinear system identification | |
CN115150335A (zh) | 一种基于深度强化学习的最优流量分割的方法和系统 | |
CN111844049B (zh) | 灵巧手抓取控制方法、装置及终端设备 | |
CN114895206A (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN115022231A (zh) | 一种基于深度强化学习的最优路径规划的方法和系统 | |
CN115081323A (zh) | 求解多目标约束优化问题的方法及其存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |