CN113326968A - 基于调整pso惯性权重的母线短期负荷预测方法及装置 - Google Patents

基于调整pso惯性权重的母线短期负荷预测方法及装置 Download PDF

Info

Publication number
CN113326968A
CN113326968A CN202110424577.5A CN202110424577A CN113326968A CN 113326968 A CN113326968 A CN 113326968A CN 202110424577 A CN202110424577 A CN 202110424577A CN 113326968 A CN113326968 A CN 113326968A
Authority
CN
China
Prior art keywords
neural network
bus
value
iteration
short
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
Application number
CN202110424577.5A
Other languages
English (en)
Inventor
邹宏亮
刘涤尘
杨坚
郑远德
赵洁
汤义勤
蒋旭
柳骏
王康
唐佳杰
方宇迪
何育钦
麻高源
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.)
Wuhan University WHU
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Wuhan University WHU, Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN202110424577.5A priority Critical patent/CN113326968A/zh
Publication of CN113326968A publication Critical patent/CN113326968A/zh
Pending 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
    • G06N3/004—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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法及装置，包括：S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度。

Description

基于调整PSO惯性权重的母线短期负荷预测方法及装置
技术领域
本发明属于短期负荷预测领域，尤其涉及一种基于调整PSO惯性权重的母线短期负荷预测方法及装置。
背景技术
随着经济的快速发展和用电量水平的大幅上升，现有的电力市场中电网公司与售电部门通常是分离，电网公司的负荷侧数据需要从母线侧收集，因此，母线短期负荷预测对电网公司的运营具有重要意义，准确的负荷预测对综合能源系统的经济调度和优化运行有着重要的影响。
随着人工智能算法的不断发展，通常采用BP神经网络对母线短期负荷进行预测，同时为了避免BP神经网络(Back Propagation Neural Network)的过拟合问题，通过粒子群优化算法(Particle Swarm Optimization，PSO)对BP神经网络中的参数进行优化，设置通过迭代寻找粒子中的最优解，结合惯性权重调整粒子使其收敛，从而根据收敛的最优解实现对BP神经网络中的参数进行优化。然而，PSO中的惯性权重若设置不当，则会影响PSO的寻优效果，进而影响BP神经网络的预测精度。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法，包括：
S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；
S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；
S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；
S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。
可选的，所述BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。
可选的，所述S200包括：
获取粒子i在第k次迭代时的速度
Figure BDA00030288343400000211
和位置
Figure BDA00030288343400000212
其中，
Figure BDA00030288343400000213
表示BP神经网络的各个参数，i、k的取值范围均为正整数；
基于公式一计算粒子i在第k次迭代时的适应度；
Figure BDA0003028834340000021
其中，fitness表示适应度，n为粒子总个数，
Figure BDA0003028834340000022
为第k次迭代时以粒子i的位置为参数的BP神经网络的输出结果，y为第k次迭代时训练集中的实际结果，n的取值范围为正整数；
根据适应度确定第k次迭代后粒子i的个体极值
Figure BDA0003028834340000023
以及所有粒子的全局极值
Figure BDA0003028834340000024
根据惯性权重结合个体极值
Figure BDA0003028834340000025
全局极值
Figure BDA0003028834340000026
更新第k+1次迭代中粒子i的速度
Figure BDA0003028834340000027
与位置
Figure BDA0003028834340000028
当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。
可选的，所述根据适应度确定第k次迭代后粒子i的个体极值
Figure BDA0003028834340000029
以及所有粒子的全局极值
Figure BDA00030288343400000210
包括：
将粒子i在前k次迭代中适应度最小时的位置作为粒子i的个体极值
Figure BDA0003028834340000031
将所有粒子在前k次迭代中适应度最小时的位置作为全局极值
Figure BDA0003028834340000032
可选的，所述根据惯性权重结合个体极值
Figure BDA0003028834340000033
全局极值
Figure BDA0003028834340000034
更新第k+1次迭代中粒子i的速度
Figure BDA0003028834340000035
与位置
Figure BDA0003028834340000036
包括：
基于公式二更新第k+1次迭代中粒子i的速度
Figure BDA0003028834340000037
与位置
Figure BDA0003028834340000038
Figure BDA0003028834340000039
其中，
Figure BDA00030288343400000310
为第k次迭代中粒子i的速度，
Figure BDA00030288343400000311
为第k次迭代中粒子i的位置，w为惯性权重，c1、c2分别为预设的学习因子，rand为0到1之间的随机数，w的取值范围为小于1的正数，c1、c2的取值范围为正数，i、k的取值范围为正整数；
分别获取
Figure BDA00030288343400000312
和
Figure BDA00030288343400000313
的设定界限，若
Figure BDA00030288343400000314
或
Figure BDA00030288343400000315
大于设定界限的最大值，则以设定界限的最大值替换
Figure BDA00030288343400000316
或
Figure BDA00030288343400000317
若
Figure BDA00030288343400000318
或
Figure BDA00030288343400000319
小于设定界限的最小值，则以设定界限的最小值替换
Figure BDA00030288343400000320
或
Figure BDA00030288343400000321
可选的，所述S300包括：
获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；
根据输出结果和真实值计算评价指标；
将所有评价指标的乘积作为评价结果，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复S200；
当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。
可选的，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μa、高于真实值负荷率μu、低于真实值负荷率μl、均方差误差RMSE、平均绝对百分比误差MAPE以及BP神经网络的预测时间ttest。
本发明还基于同样的思路提出了一种基于调整PSO惯性权重的母线短期负荷预测装置，包括：
初始化单元：用于构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；
寻优单元：用于将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；
评价单元：用于评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复寻优单元的功能；
预测单元：用于若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。
可选的，所述评价单元具体用于：
获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；
根据输出结果和真实值计算评价指标；
将所有评价指标的乘积作为评价结果，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复寻优单元的功能；
当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。
可选的，所述评价单元计算的评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μa、高于真实值负荷率μu、低于真实值负荷率μl、均方差误差RMSE、平均绝对百分比误差MAPE以及BP神经网络的预测时间ttest。
本发明提供的技术方案带来的有益效果是：
通过引入PSO算法对BP神经网络的参数进行优化，并通过评价指标对PSO算法中的惯性权重进行调整，能够结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度，实现对母线负荷的短期精确预测，为电力市场的稳定运行提供支撑。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的基于调整PSO惯性权重的母线短期负荷预测方法的流程示意图；
图2为BP神经网络的结构示意图；
图3为本发明提出的基于调整PSO惯性权重的母线短期负荷预测装置的结构框图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示，本实施例提出了一种基于调整PSO惯性权重的母线短期负荷预测方法，包括：
S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；
S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；
S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；
S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。
通过引入PSO算法对BP神经网络的参数进行优化，并通过评价指标对PSO算法中的惯性权重进行调整，能够结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度，实现对母线负荷的短期精确预测，为电力市场的稳定运行提供支撑。
所述BP神经网络的结构图如图2所示，包括输入层、隐含层以及输出层。其中，x1、xj以及xM分别表示输入层第1个节点、第j个节点和第M个节点的输入，O1、Ok以及OL分别表示输出层第1个节点、第k个节点和第L个节点的输出，vij表示隐含层第i个节点到输入层第j个节点之间的权值，ωki表示输出层第k个节点到隐含层第i个节点之间的权值，θ1、θi以及θq分别表示隐含层第1个节点、第i个节点和第q个节点的阈值，a1、ak以及aL分别表示输出层第1个节点、第k个节点和第L个节点的阈值。上述i、j、k、M、q以及L的取值范围均为正整数。图2所示的神经网络从输入层到输出层通过权值和阈值的修正输入与输出具有以下关系：
Figure BDA0003028834340000061
本实施例中BP神经网络本身通过反向误差调整权值，输出层权值调整量为：
Figure BDA0003028834340000071
隐含层权值调整量为：
Figure BDA0003028834340000072
其中，η为预设的学习率，Tk为输出期望值，xj表示输入层第j个节点的输入，yi为隐含层第i个节点的输出。
由此可见，BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。本实施例中通过PSO算法对上述参数进行优化，PSO算法是一种通过群体中个体之间的协作与信息共享实现的优化算法，以无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度与位置。本实施例中粒子的位置即BP神经网络的参数，速度表示粒子移动的快慢。在PSO算法中粒子通过跟踪两个极值来更新自己，粒子本身所找到的最优解定义为个体极值，整个种群即所有粒子中目前找到的最优解定义为全局极值。通过惯性权重与个体极值、全局极值不断对粒子的速度和位置继续迭代更新，直至达到迭代条件时停止。在本实施例中，首先将母线侧的历史数据作为训练集输入BP神经网络，得到BP神经网络的第k次迭代时输出结果
Figure BDA0003028834340000077
在通过PSO算法对BP神经网络的参数进行更新，具体包括：
获取粒子i在第k次迭代时的速度
Figure BDA0003028834340000073
和位置
Figure BDA0003028834340000074
其中，d为BP神经网络的参数总数量，
Figure BDA0003028834340000075
表示BP神经网络的各个参数，i、d、k的取值范围均为正整数；
基于公式一计算粒子i在第k次迭代时的适应度；
Figure BDA0003028834340000076
其中，fitness表示适应度，n为粒子总个数，
Figure BDA0003028834340000081
为第k次迭代时以粒子i的位置为参数的BP神经网络的输出结果，y为第k次迭代时训练集中的实际结果，n的取值范围为正整数；
根据适应度确定第k次迭代后粒子i的个体极值
Figure BDA0003028834340000082
以及所有粒子的全局极值
Figure BDA0003028834340000083
在本实施例中，将粒子i在前k次迭代中适应度最小时的位置作为粒子i的个体极值
Figure BDA0003028834340000084
将所有粒子在前k次迭代中适应度最小时的位置作为全局极值
Figure BDA0003028834340000085
随后，根据惯性权重结合个体极值
Figure BDA0003028834340000086
全局极值
Figure BDA0003028834340000087
更新第k+1次迭代中粒子i的速度
Figure BDA0003028834340000088
与位置
Figure BDA0003028834340000089
具体包括：
基于公式二更新第k+1次迭代中粒子i的速度
Figure BDA00030288343400000810
与位置
Figure BDA00030288343400000811
Figure BDA00030288343400000812
其中，
Figure BDA00030288343400000813
为第k次迭代中粒子i的速度，
Figure BDA00030288343400000814
为第k次迭代中粒子i的位置，w为惯性权重，c1、c2分别为预设的学习因子，rand为0到1之间的随机数，w的取值范围为小于1的正数，c1、c2的取值范围为正数，i、k的取值范围为正整数。本实施例中，w初始值设为0.5，c1、c2均为2。
同时，为了符合母线短期负荷的场景需求，本实施例还为粒子的速度与位置设置了设定界限，具体包括：分别获取
Figure BDA00030288343400000815
和
Figure BDA00030288343400000816
的设定界限，若
Figure BDA00030288343400000817
或
Figure BDA00030288343400000818
大于设定界限的最大值，则以设定界限的最大值替换
Figure BDA00030288343400000819
或
Figure BDA00030288343400000820
若
Figure BDA00030288343400000821
或
Figure BDA00030288343400000822
小于设定界限的最小值，则以设定界限的最小值替换
Figure BDA00030288343400000823
或
Figure BDA00030288343400000824
例如，
Figure BDA00030288343400000825
的设定界限为
Figure BDA00030288343400000826
Figure BDA00030288343400000827
的设定界限为
Figure BDA00030288343400000828
若
Figure BDA00030288343400000829
则将
Figure BDA00030288343400000830
更新为
Figure BDA00030288343400000831
若
Figure BDA00030288343400000832
则将
Figure BDA00030288343400000833
更新为
Figure BDA00030288343400000834
最后，当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。
通过上述更新过程，实现BP神经网络参数的快速优化，PSO算法的简单易实现的优点有利于BP神经网络的快速建模。
为了进一步提高BP神经网路的预测精度，本实施例通过设置评论指标对PSO算法中的惯性权重进行优化调整，具体包括：
获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；
根据输出结果和真实值计算评价指标，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μa、高于真实值负荷率μu、低于真实值负荷率μl、均方差误差RMSE、平均绝对百分比误差MAPE以及BP神经网络的预测时间ttest。
所述平均相对误差E表示为：
Figure BDA0003028834340000091
所述最大相对误差M表示为：
Figure BDA0003028834340000092
其中，μt表示BP神经网络在t时刻的输出结果，Ut表示母线短期负荷在t时刻的真实值，μt、Ut的取值范围均为正数；
所述超负荷率μa表示为：
Figure BDA0003028834340000093
所述高于真实值负荷率μu表示为：
Figure BDA0003028834340000094
所述低于真实值负荷率μl表示为：
Figure BDA0003028834340000101
其中，N为输出结果的总数，Na为误差大于6％的输出结果总数，Nu为输出结果大于真实值的总数，Nl为输出结果小于真实值的总数。
均方差误差RMSE表示为：
Figure BDA0003028834340000102
平均绝对百分比误差MAPE表示为：
Figure BDA0003028834340000103
BP神经网络的预测时间ttest表示为：
ttest＝tstart-tend。
将所有评价指标的乘积作为评价结果，即评价结果为：
C＝E×M×μa×μu×μl×ttest×RSME×MAPE，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复S200，同时通过合理调整惯性权重，使本实施例保证了短期负荷预测结果的收敛速度在理想范围内。例如，初始惯性权重为0.5，对惯性权重进行了2次调整，预设步长为0.2，即第一次调整为0.7，第二次调整为0.9，惯性权重为0.9时的评价结果C值最小，说明惯性权重为0.9时相较于0.5和0.7的预测曲线更加贴近真实值，此时的BP神经网络的预测效果最好，因此惯性权重的改变能够将预测曲线的结果进行完善，使得负荷预测的准确度得到一定范围内的提高；
当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。
最后，通过更新好参数的BP神经网络，根据输入的实时数据对母线短期负荷进行预测，使BP神经网络能够输出更精准的预测结果。
实施例二
如图3所示，本实施例提出了一种基于调整PSO惯性权重的母线短期负荷预测装置5，包括：
初始化单元51：用于构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；
寻优单元52：用于将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；
评价单元53：用于评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复寻优单元的功能；
预测单元54：用于若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。
通过引入PSO算法对BP神经网络的参数进行优化，并通过评价指标对PSO算法中的惯性权重进行调整，能够结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度，实现对母线负荷的短期精确预测，为电力市场的稳定运行提供支撑。
所述BP神经网络的结构图如图2所示，包括输入层、隐含层以及输出层。其中，x1、xj以及xM分别表示输入层第1个节点、第j个节点和第M个节点的输入，O1、Ok以及OL分别表示输出层第1个节点、第k个节点和第L个节点的输出，vij表示隐含层第i个节点到输入层第j个节点之间的权值，ωki表示输出层第k个节点到隐含层第i个节点之间的权值，θ1、θi以及θq分别表示隐含层第1个节点、第i个节点和第q个节点的阈值，a1、ak以及aL分别表示输出层第1个节点、第k个节点和第L个节点的阈值。上述i、j、k、M、q以及L的取值范围均为正整数。图2所示的神经网络从输入层到输出层通过权值和阈值的修正输入与输出具有以下关系：
Figure BDA0003028834340000121
本实施例中BP神经网络本身通过反向误差调整权值，输出层权值调整量为：
Figure BDA0003028834340000122
隐含层权值调整量为：
Figure BDA0003028834340000123
其中，η为预设的学习率，Tk为输出期望值，xj表示输入层第j个节点的输入，yi为隐含层第i个节点的输出。
由此可见，BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。本实施例中通过PSO算法对上述参数进行优化，PSO算法是一种通过群体中个体之间的协作与信息共享实现的优化算法，以无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度与位置。本实施例中粒子的位置即BP神经网络的参数，速度表示粒子移动的快慢。在PSO算法中粒子通过跟踪两个极值来更新自己，粒子本身所找到的最优解定义为个体极值，整个种群即所有粒子中目前找到的最优解定义为全局极值。通过惯性权重与个体极值、全局极值不断对粒子的速度和位置继续迭代更新，直至达到迭代条件时停止。在本实施例中，寻优单元52具体用于：
获取粒子i在第k次迭代时的速度
Figure BDA0003028834340000131
和位置
Figure BDA0003028834340000132
其中，d为BP神经网络的参数总数量，
Figure BDA0003028834340000133
表示BP神经网络的各个参数，i、d、k的取值范围均为正整数；
基于公式一计算粒子i在第k次迭代时的适应度；
Figure BDA0003028834340000134
其中，fitness表示适应度，n为粒子总个数，
Figure BDA0003028834340000135
为第k次迭代时以粒子i的位置为参数的BP神经网络的输出结果，y为第k次迭代时训练集中的实际结果，n的取值范围为正整数；
根据适应度确定第k次迭代后粒子i的个体极值
Figure BDA0003028834340000136
以及所有粒子的全局极值
Figure BDA0003028834340000137
在本实施例中，将粒子i在前k次迭代中适应度最小时的位置作为粒子i的个体极值
Figure BDA0003028834340000138
将所有粒子在前k次迭代中适应度最小时的位置作为全局极值
Figure BDA0003028834340000139
随后，根据惯性权重结合个体极值
Figure BDA00030288343400001310
全局极值
Figure BDA00030288343400001311
更新第k+1次迭代中粒子i的速度
Figure BDA00030288343400001312
与位置
Figure BDA00030288343400001313
具体包括：
基于公式二更新第k+1次迭代中粒子i的速度
Figure BDA00030288343400001314
与位置
Figure BDA00030288343400001315
Figure BDA00030288343400001316
其中，
Figure BDA00030288343400001317
为第k次迭代中粒子i的速度，
Figure BDA00030288343400001318
为第k次迭代中粒子i的位置，w为惯性权重，c1、c2分别为预设的学习因子，rand为0到1之间的随机数，w的取值范围为小于1的正数，c1、c2的取值范围为正数，i、k的取值范围为正整数。本实施例中，w初始值设为0.5，c1、c2均为2。
同时，为了符合母线短期负荷的场景需求，本实施例中寻优单元52还用于根据设定界限调整粒子的速度与位置，具体包括：分别获取
Figure BDA00030288343400001319
和
Figure BDA00030288343400001320
的设定界限，若
Figure BDA0003028834340000141
或
Figure BDA0003028834340000142
大于设定界限的最大值，则以设定界限的最大值替换
Figure BDA0003028834340000143
或
Figure BDA0003028834340000144
若
Figure BDA0003028834340000145
或
Figure BDA0003028834340000146
小于设定界限的最小值，则以设定界限的最小值替换
Figure BDA0003028834340000147
或
Figure BDA0003028834340000148
例如，
Figure BDA0003028834340000149
的设定界限为
Figure BDA00030288343400001410
Figure BDA00030288343400001411
的设定界限为
Figure BDA00030288343400001412
若
Figure BDA00030288343400001413
则将
Figure BDA00030288343400001414
更新为
Figure BDA00030288343400001415
若
Figure BDA00030288343400001416
则将
Figure BDA00030288343400001417
更新为
Figure BDA00030288343400001418
最后，当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。
通过上述更新过程，实现BP神经网络参数的快速优化，PSO算法的简单易实现的优点有利于BP神经网络的快速建模。
为了进一步提高BP神经网路的预测精度，本实施例的评价单元53具体用于：
获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；
根据输出结果和真实值计算评价指标，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μa、高于真实值负荷率μu、低于真实值负荷率μl、均方差误差RMSE、平均绝对百分比误差MAPE以及BP神经网络的预测时间ttest。
所述平均相对误差E表示为：
Figure BDA00030288343400001419
所述最大相对误差M表示为：
Figure BDA00030288343400001420
其中，μt表示BP神经网络在t时刻的输出结果，Ut表示母线短期负荷在t时刻的真实值，μt、Ut的取值范围均为正数；
所述超负荷率μa表示为：
Figure BDA0003028834340000151
所述高于真实值负荷率μu表示为：
Figure BDA0003028834340000152
所述低于真实值负荷率μl表示为：
Figure BDA0003028834340000153
其中，N为输出结果的总数，Na为误差大于6％的输出结果总数，Nu为输出结果大于真实值的总数，Nl为输出结果小于真实值的总数。
均方差误差RMSE表示为：
Figure BDA0003028834340000154
平均绝对百分比误差MAPE表示为：
Figure BDA0003028834340000155
BP神经网络的预测时间ttest表示为：
ttest＝tstart-tend。
将所有评价指标的乘积作为评价结果，即评价结果为：
C＝E×M×μa×μu×μl×ttest×RSME×MAPE，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复S200，同时通过合理调整惯性权重，使本实施例保证了短期负荷预测结果的收敛速度在理想范围内。例如，初始惯性权重为0.5，对惯性权重进行了2次调整，预设步长为0.2，即第一次调整为0.7，第二次调整为0.9，惯性权重为0.9时的评价结果C值最小，说明惯性权重为0.9时相较于0.5和0.7的预测曲线更加贴近真实值，此时的BP神经网络的预测效果最好，因此惯性权重的改变能够将预测曲线的结果进行完善，使得负荷预测的准确度得到一定范围内的提高；
当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。
最后，通过更新好参数的BP神经网络，根据输入的实时数据对母线短期负荷进行预测，使BP神经网络能够输出更精准的预测结果。

Claims (10)

1.基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述母线短期负荷预测方法包括：
S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；
S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；
S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；
S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。
2.根据权利要求1所述的基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。
3.根据权利要求1所述的基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述S200包括：
获取粒子i在第k次迭代时的速度
Figure FDA0003028834330000013
和位置
Figure FDA0003028834330000014
其中，
Figure FDA0003028834330000015
表示BP神经网络的各个参数，i、k的取值范围均为正整数；
基于公式一计算粒子i在第k次迭代时的适应度；
Figure FDA0003028834330000011
其中，fitness表示适应度，n为粒子总个数，
Figure FDA0003028834330000012
为第k次迭代时以粒子i的位置为参数的BP神经网络的输出结果，y为第k次迭代时训练集中的实际结果，n的取值范围为正整数；
根据适应度确定第k次迭代后粒子i的个体极值
Figure FDA0003028834330000021
以及所有粒子的全局极值
Figure FDA0003028834330000022
根据惯性权重结合个体极值
Figure FDA0003028834330000023
全局极值
Figure FDA0003028834330000024
更新第k+1次迭代中粒子i的速度
Figure FDA0003028834330000025
与位置
Figure FDA0003028834330000026
当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。
4.根据权利要求3所述的基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述根据适应度确定第k次迭代后粒子i的个体极值
Figure FDA0003028834330000027
以及所有粒子的全局极值
Figure FDA0003028834330000028
包括：
将粒子i在前k次迭代中适应度最小时的位置作为粒子i的个体极值
Figure FDA0003028834330000029
将所有粒子在前k次迭代中适应度最小时的位置作为全局极值
Figure FDA00030288343300000210
5.根据权利要求3所述的基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述根据惯性权重结合个体极值
Figure FDA00030288343300000211
全局极值
Figure FDA00030288343300000212
更新第k+1次迭代中粒子i的速度
Figure FDA00030288343300000213
与位置
Figure FDA00030288343300000214
包括：
基于公式二更新第k+1次迭代中粒子i的速度
Figure FDA00030288343300000215
与位置
Figure FDA00030288343300000216
Figure FDA00030288343300000217
其中，
Figure FDA00030288343300000218
为第k次迭代中粒子i的速度，
Figure FDA00030288343300000219
为第k次迭代中粒子i的位置，w为惯性权重，c1、c2分别为预设的学习因子，rand为0到1之间的随机数，w的取值范围为小于1的正数，c1、c2的取值范围为正数，i、k的取值范围为正整数；
分别获取
Figure FDA00030288343300000220
和
Figure FDA00030288343300000221
的设定界限，若
Figure FDA00030288343300000222
或
Figure FDA00030288343300000223
大于设定界限的最大值，则以设定界限的最大值替换
Figure FDA0003028834330000031
或
Figure FDA0003028834330000032
若
Figure FDA0003028834330000033
或
Figure FDA0003028834330000034
小于设定界限的最小值，则以设定界限的最小值替换
Figure FDA0003028834330000035
或
Figure FDA0003028834330000036
6.根据权利要求1所述的基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述S300包括：
获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；
根据输出结果和真实值计算评价指标；
将所有评价指标的乘积作为评价结果，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复S200；
当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。
7.根据权利要求6所述的基于调整PSO惯性权重的母线短期负荷预测方法，其特征在于，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μa、高于真实值负荷率μu、低于真实值负荷率μl、均方差误差RMSE、平均绝对百分比误差MAPE以及BP神经网络的预测时间ttest。
8.基于调整PSO惯性权重的母线短期负荷预测装置，其特征在于，所述母线短期负荷预测装置包括：
初始化单元：用于构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；
寻优单元：用于将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；
评价单元：用于评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复寻优单元的功能；
预测单元：用于若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。
9.根据权利要求8所述的基于调整PSO惯性权重的母线短期负荷预测装置，其特征在于，所述评价单元具体用于：
获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；
根据输出结果和真实值计算评价指标；
将所有评价指标的乘积作为评价结果，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复寻优单元的功能；
当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。
10.根据权利要求9所述的基于调整PSO惯性权重的母线短期负荷预测装置，其特征在于，所述评价单元计算的评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μa、高于真实值负荷率μu、低于真实值负荷率μl、均方差误差RMSE、平均绝对百分比误差MAPE以及BP神经网络的预测时间ttest。
CN202110424577.5A 2021-04-20 2021-04-20 基于调整pso惯性权重的母线短期负荷预测方法及装置 Pending CN113326968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110424577.5A CN113326968A (zh) 2021-04-20 2021-04-20 基于调整pso惯性权重的母线短期负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110424577.5A CN113326968A (zh) 2021-04-20 2021-04-20 基于调整pso惯性权重的母线短期负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN113326968A true CN113326968A (zh) 2021-08-31

Family

ID=77414826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110424577.5A Pending CN113326968A (zh) 2021-04-20 2021-04-20 基于调整pso惯性权重的母线短期负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN113326968A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115967077A (zh) * 2022-08-30 2023-04-14 湖南农业大学 一种短期预测电力负荷预测方法及系统
CN116960989A (zh) * 2023-09-20 2023-10-27 云南电投绿能科技有限公司 一种发电站的电力负荷预测方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
CN112580853A (zh) * 2020-11-20 2021-03-30 国网浙江省电力有限公司台州供电公司 基于径向基神经网络的母线短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
CN112580853A (zh) * 2020-11-20 2021-03-30 国网浙江省电力有限公司台州供电公司 基于径向基神经网络的母线短期负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姜腾;李萍;: "基于改进粒子群神经网络短期负荷预测", 电气技术, no. 02, 15 February 2018 (2018-02-15) *
庄媛媛;: "基于粒子群的电力系统短期负荷预测", 微计算机信息, no. 09, 30 March 2007 (2007-03-30) *
彭信淞;贺辉;姚建刚;钟立军;梁文举;王建;: "用PSO优化BP神经网络的母线负荷预测方法", 电力系统及其自动化学报, no. 05, 15 October 2010 (2010-10-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115967077A (zh) * 2022-08-30 2023-04-14 湖南农业大学 一种短期预测电力负荷预测方法及系统
CN116960989A (zh) * 2023-09-20 2023-10-27 云南电投绿能科技有限公司 一种发电站的电力负荷预测方法、装置、设备及存储介质
CN116960989B (zh) * 2023-09-20 2023-12-01 云南电投绿能科技有限公司 一种发电站的电力负荷预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN105956690A (zh) 一种供水预测方法及系统
CN110414748B (zh) 光伏功率预测方法
CN112001556B (zh) 一种基于深度学习模型的水库下游水位预测方法
CN113326968A (zh) 基于调整pso惯性权重的母线短期负荷预测方法及装置
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
CN102510059A (zh) 基于bp神经网络的超短期风电功率预测方法
CN116167531A (zh) 一种基于数字孪生的光伏发电预测方法
CN113988481B (zh) 一种基于动态矩阵预测控制的风功率预测方法
CN115186803A (zh) 一种考虑pue的数据中心算力负荷需求组合预测方法和系统
CN111798037B (zh) 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法
CN114429248A (zh) 一种变压器视在功率预测方法
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN110766190A (zh) 一种配电网负荷预测方法
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN109146131A (zh) 一种日前风力发电预测方法
CN116646929A (zh) 一种基于pso-cnn-bilstm的短期风电功率预测方法
CN112101626A (zh) 一种分布式光伏发电功率预测方法及系统
CN109886488B (zh) 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN105447596A (zh) 一种优化的电力数据短期预测方法
CN117458481A (zh) 一种基于XGBoost的电力系统负荷预测方法及装置
CN117335425A (zh) 一种基于ga-bp神经网络的潮流计算方法
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN111476402A (zh) 耦合气象信息与emd技术的风电发电能力预测方法
CN109685242B (zh) 基于Adaboost算法的光伏超短期组合预测方法

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