CN115526092A - 一种电力负荷预测方法及装置 - Google Patents

一种电力负荷预测方法及装置 Download PDF

Info

Publication number
CN115526092A
CN115526092A CN202110711523.7A CN202110711523A CN115526092A CN 115526092 A CN115526092 A CN 115526092A CN 202110711523 A CN202110711523 A CN 202110711523A CN 115526092 A CN115526092 A CN 115526092A
Authority
CN
China
Prior art keywords
established
neural network
power load
network model
support 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.)
Pending
Application number
CN202110711523.7A
Other languages
English (en)
Inventor
翁格平
任娇蓉
裴传逊
许家玉
叶晨
何彬彬
刘媛
刘宇静
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.)
Beijing Yinshan Technology Co ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Beijing Yinshan Technology Co ltd
Ningbo 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 Beijing Yinshan Technology Co ltd, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Beijing Yinshan Technology Co ltd
Priority to CN202110711523.7A priority Critical patent/CN115526092A/zh
Publication of CN115526092A publication Critical patent/CN115526092A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电力负荷预测技术领域，具体提供了一种电力负荷预测方法及装置，旨在解决常用的组合预测方法中权重的设定方法比较简单单一的技术问题。包括：将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；基于预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；本发明通过将PSO‑SVM模型和PSO‑BP模型两种神经网络智能算法模型进行组合，并利用遗传算法改善了传统组合模型中权重的设置方式，大大提高了算法的精度。

Description

一种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，具体涉及一种电力负荷预测方法及装置。
背景技术
在以往负荷预测模型中，可以利用空间分布分析法，即对不同类型区域的用电模式和其相应的负荷密度进行分析，由此可得目标区域未来发展的负荷预测状况。对于以往的负荷预测模型只是对于某一特定影响因素，对于新的背景之下的各类影响因素，传统的负荷预测模型无法完成。已有研究大多是针对某一特定的区域能源系统进行建模，对区域能源互联网系统中各类典型物理设备及其数学模型并未进行系统性的梳理和总结。此外电力企业正在经历能源互联网和“电能替代”的考验，因此寻求基于新背景下的新型负荷预测模型尤为重要。
传统的电力负荷预测是电力系统能量管理系统的重要组成部分。有关负荷预测的研究，目前外已经取得一定的成果，到目前为止，研究人员开发了不同的需求预测技术。已有的负荷预测方法主要包括传统的预测方法和新近发展起来的智能预测方法，其中传统的预测方法以经典数学为理论依据，现代智能预测方法以智能技术为依托。传统的预测方法主要有：基于时间序列的预测方法、指数平滑法、回归分析法等；现代智能预测方法主要有：支持向量机、专家系统法、模糊预测法、人工神经网络预测法、小波分析法、组合预测方法等。
支持向量机(SVM)是一种基于统计学习理论提出的能实现在有限样本条件下满足VC维理论和结构风险最小原理的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点。但其自选参数和核函数的选择,通常情况下主要靠经验确定,有较大的人为因素。同时,其缺乏对模糊现象的处理能力,模型误差会造成回归值和实际值的差距。人工神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统，典型的人工神经网络存在着难以设置学习参数、收敛缓慢及收敛到局部极小,网络结构难以确定等缺陷。常用的组合预测方法中权重的设定方法比较简单单一，并没有考虑到被组合方法之间的不同特点。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决常用的组合预测方法中权重的设定方法比较简单单一的技术问题的电力负荷预测方法及装置。
第一方面，提供一种电力负荷预测方法，所述电力负荷预测方法包括：
将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
优选的，所述预先建立的支持向量机/预先建立的BP神经网络模型的建立过程包括：
利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；
利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。
优选的，所述最终电力负荷预测结果的计算式如下：
Figure BDA0003133972720000021
上式中，
Figure BDA0003133972720000022
为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，yPSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，yPSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
进一步的，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：
步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率Pc、变异概率Pm和置终止进化准则，随机产生M个个体作为初始种群X(0)；
步骤b.计算或估价X(t)中各个体的适应度；
步骤c.从X(t)中运用选择算法选择出B/2对母体；
步骤d.对所选择的B/2对母体，依概率Pc执行交叉形成B个中间个体；
步骤e.对B个中间个体分别独立依概率Pm执行变异，形成B个候选个体；
步骤f.从所述B个候选个体中依适应度选择出Mt个个体组成新一代种群X(t+1)。
步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c。
其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
进一步的，所述个体的适应度的计算式如下：
Figure BDA0003133972720000031
上式中，fj为第j个个体的适应值，
Figure BDA0003133972720000032
为第j个个体作为所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重后确定的最终电力负荷预测结果，h为电力负荷历史实际值。
进一步的，所述选择算法为轮盘赌算法，第j个个体的选择概率Pj的计算式如下：
Figure BDA0003133972720000033
第二方面，提供一种电力负荷预测装置，所述电力负荷预测装置包括：
初始预测模块，用于将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
最终预测模块，用于基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
优选的，所述最终电力负荷预测结果的计算式如下：
Figure BDA0003133972720000034
上式中，
Figure BDA0003133972720000035
为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，yPSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，yPSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
进一步的，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：
步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率Pc、变异概率Pm和置终止进化准则，随机产生M个个体作为初始种群X(0)；
步骤b.计算或估价X(t)中各个体的适应度；
步骤c.从X(t)中运用选择算法选择出B/2对母体；
步骤d.对所选择的B/2对母体，依概率Pc执行交叉形成B个中间个体；
步骤e.对B个中间个体分别独立依概率Pm执行变异，形成B个候选个体；
步骤f.从所述B个候选个体中依适应度选择出Mt个个体组成新一代种群X(t+1)。
步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c。
其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
第三方面，提供一种存储装置，该存储装置其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的电力负荷预测方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明提供了一种电力负荷预测方法及装置，包括：将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；基于预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；与单独使用PSO-SVM模型和PSO-BP模型进行负荷预测的方法相比，本发明通过将PSO-SVM模型和PSO-BP模型两种神经网络智能算法模型进行组合，并利用遗传算法改善了传统组合模型中权重的设置方式，使得误差结果有所降低，从而提高了模型的预测精度。
附图说明
图1是根据本发明的一个实施例的电力负荷预测方法的主要步骤流程示意图；
图2是本发明实施例中PSO-SVM算法流程图；
图3是本发明实施例中PSO-BP神经网络算法流程图；
图4是本发明实施例中基于遗传算法的神经网络组合模型流程图；
图5是本发明实施例中原始数据图；
图6是本发明实施例中PSO-SVM模型预测输出曲线图；
图7是本发明实施例中PSO-BP模型预测输出曲线图；
图8是本发明实施例中组合模型预测输出曲线图；
图9是根据本发明的一个实施例的电力负荷预测装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
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中的附图，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参阅附图1，图1是根据本发明的一个实施例的电力负荷预测方法的主要步骤流程示意图。如图1所示，本发明实施例中的电力负荷预测方法主要包括以下步骤：
步骤S101：将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
步骤S102：基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型，为了方便说明，这里简称PSO-SVM模型和PSO-BP神经网络。
PSO-SVM算法的基本思路是利用支持向量机与粒子群的结合，构造粒子群支持向量机模型，经优化得到的惩罚系数、核函数作为支持向量机作为最终的模型参数。
PSO优化BP神经网络是通过优化网络的权值和阈值来训练神经网络，即在确定神经网络结构的基础上，将BP网络的权值按统一的次序排列为一个向量的元素，将该向量作为粒子群中的一个粒子，然后将BP神经网络正向传播过程得到的误差作为PSO算法的适应度函数，由BP神经网络和PSO算法的循环迭代来找到最佳的BP网络的权值。
本实施例中，所述预先建立的PSO-SVM模型/PSO-BP神经网络的建立过程包括：
利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；
利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。
在一个实施方式中，1PSO-SVM模型的详细说明如下：
1.1模型原理
支持向量机(SVM)是上世纪九十年代中期由Vapnik教授领导的研究小组提出的一种新的智能学习机器。由于它在模式识别、回归估计、风险预算、时间序列分析与预测、密度估计、新奇性检验等各个领域获得了巨大成功，其立刻成为机器学习、神经网络、人工智能等方向的专家与学者研究的热点。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原则基础上的。根据有限的样本信息，在模型的复杂性和学习能力之间寻求最佳折衷，以获得最好的推广能力。支持向量机集优化和最佳推广能力等特点于一身。其主要优点有：
(1)支持向量机专门针对小样本情况，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。它具有坚实的数学和理论基础。
(2)支持向量机算法最终将转化成为一个二次规划问题。从理论上说，得到的解将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题。
(3)支持向量机巧妙地解决了维数问题，其算法复杂度与样本维数无关。在支持向量机方法中，只要选取不同的核函数就可以实现多项式逼近、径向基函数(Radial BasisFunction，RBF)方法、多层感知器网络等许多现有学习算法。其非常适合于处理非线性问题。
(4)支持向量机是依据统计学习理论中的结构风险最小化原则构造而成的一个通用的学习机器，其具有非常好的推广能力。
粒子群算法作为群智能研究领域的主要算法，最早由Kennedy和Eberhart于1995年提出。粒子群算法(Particle Swarm Optimization PSO)同遗传算法类似，都是进化算法，通过个体之间的竞争和协作，实现在复杂的空间中搜索最优解。PSO采用的基本思想是把每个优化问题的潜在解看成是搜索空间中的粒子，每个粒子都有一个适应值(FitnessValue)，它由要优化的目标函数决定，每个粒子还有一个速度向量，它决定了该粒子在搜索空间中飞行的距离和方向，在每一次的迭代中，粒子通过跟踪个体极值和全局极值来更新自己，其中个体极值是粒子自己本身到当前迭代次数为止搜索到的最优值，而全局极值是整个种群到当前迭代为止，搜索到的最优值。
速度更新由三部分组成，第一部分反映了当前速度的影响，说明了粒子目前状态；第二部分反映粒子本身的认知能力，即粒子本身的自我记忆的影响，第三部分反映了粒子群体间的信息共享与合作。
PSO-SVM算法的基本思路是利用支持向量机与粒子群的结合，构造粒子群支持向量机模型，经优化得到的惩罚系数、核函数作为支持向量机作为最终的模型参数。具体思路如下：
1)初始化
对于每个粒子随机分配一组，在空间上有许多的网格点，每个网格点与每个状态相对应，每个状态同时又对应着空间上的一个解，也就是所谓的参数值，粒子在网格中运动时，将会根据目标函数值在网点间留下信息素，从而使得粒子在运行过程中根据信息素的大小来进行搜索。
2)计算相邻节点目标函数差值
在建立误差模型时，通常选取均方根误差来作为目标函数，当整个模型训练一段时间后，相邻节点间的目标函数差值越小，得到的网格点信息量越大，此时缩小变量范围，在该点附近进行粒子局部搜素将会得到新网点的信息素。
3)算法终止
对于精度的值来说，要使得精度足够小，也就是说，当支持向量机各变量的等分值小于精度的确定值时，算法终止。
1.2预测步骤
PSO-SVM算法的实现步骤如下：
1)初始化算法控制参数。主要包括粒子的群体规模，惯性权值，迭代次数，粒子自身加速度权重系数，全局加速度权重系数，粒子的飞行速度，相互独立且均匀分布的随机数；
2)初始化群粒子，主要是随机位置和速度；
3)计算每个粒子的适应值；
4)将每个粒子的适应值与历史最好位置的适应值进行比较，若好，将其作为个体最优值；
5)将每个粒子的个体最优值与全局最好位置的适应值进行比较，若好，将其作为全局最优值；
6)计算惯性权重，更新粒子速度和位置；
7)判断是否满足终止条件，若满足则结束搜素，输出支持向量机最优参数，否则将跳至步骤3，继续进行搜索；
8)将其得到的最优参数代入支持向量机预测模型中。
为了更清楚对算法过程进行说明，在此给出学习算法流程图，如图2所示：
PSO-BP神经网络的详细说明如下：
2.1模型原理
人工神经网络是一种非程序化、适应性、大脑风格的信息处理系统，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。
BP神经网络(Back Propagation Neural Network,BPNN)是目前最常用的人工神经网络模型，起源于学者Rumelhart和McCelland提出的一种多层前馈网络的误差反向传播算法，其特点是可以进行信息的分布式存储和并行处理，具有自组织、自学习能力等。BP神经网络模型通常分为三层：输入层、隐含层和输出层，各层之间全连接，但同一层的神经元无连接。基本的BP神经网络算法包括信号的前向传播和误差的反向传播两个方面，在计算的过程中，BP神经网络通过自身学习机制，根据网络的输出与期望输出间的误差信号，调整隐含层的连接权值，直到误差满足网络训练的目标要求或迭代次数达到网络设定的上限，最终得到全局误差极小的神经网络；
BP神经网络的优点是可以模仿人脑的智能化处理方式，具有非线性映射能力，擅于从输入和输出信号中寻找规律，不需要精确的数学模型，并行计算能力强等，与常规算法和专家系统技术相比，BP神经网络有较强的自学习和自适应功能。
粒子群算法(PSO)最早是在1995年由美国社会心理学家James Kennedy与电气工程师Russel Eberhart共同提出的一种群体智能算法，其基本思想是通过迭代运算搜索空间中随机粒子群潜在的最优解，在每一次迭代当中，粒子会找出当前时刻本身的最优解与整个粒子群的最优解，实际上，PSO算法也是通过个体的竞争和协作来完成空间最优解的搜寻。
目前，PSO优化BP网络主要有两种方案。第一种是通过优化网络的权值和阈值来训练神经网络，即在确定神经网络结构的基础上，将BP网络的权值按统一的次序排列为一个向量的元素，将该向量作为粒子群中的一个粒子，然后将BP神经网络正向传播过程得到的误差作为PSO算法的适应度函数，由BP神经网络和PSO算法的循环迭代来找到最佳的BP网络的权值；第二种是用PSO算法优化BP神经网络的拓扑结构，包括网络的权值、隐含层数及其节点数，该方法比较复杂，因网络结构的变化会影响到PSO算法解空间维度的变化，因此实现较困难，也在很大程度上影响到算法的收敛速度。经比较两个方案，本文采用第一种优化方法对BP神经网络进行优化。
PSO优化BP神经网络权值的关键是：如何建立BP网络中的权值与PSO中粒子的维度间的映射。PSO中的每一个粒子的维度分量与BP网络中的一个权值相对应，即BP网络有多少个权值和阈值，粒子群中的每一个粒子就有多少维；PSO的适应函数选用BP网络的均方误差，经过强大搜索性的PSO算法使BP网络的均方误差最小。PSO优化BP网络是在网络误差反向传播过程中使用PSO优化BP网络的权重与阈值。设置粒子群算法的适应度函数，在本文中选用均方差(Mean Square Error，MSE)作为PSO-BP神经网络的适应度函数。
2.2预测步骤
PSO-BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。模型具体计算步骤如下：
(1)初始化。首先确定神经网络模型的输入变量及输出变量，建立网络拓扑结构，即输入层节点数n，隐含层节点数h，输出层节点m；初始化粒子的位置xi0d和速度vi0d，粒子群总数N、最大迭代次数Tmax、惯性权重的最大值及最小值ωmax和ωmin、学习因子c1和c2等参数；
(2)样本数据的训练和仿真。将输入变量及输出变量数据输入BP神经网络模型，计算粒子的适应度，得到粒子的个体最优与全局最优值。记录当前最好粒子的位置；评价每一个粒子的适应度值。若该值优于个体最优，则将个体最优置为当前值，并更新该粒子的个体最优；若粒子中的个体最优优于当前的全局最优，则将个体最优置为该粒子全局最优，并更新全局极值；用PSO算法优化BP神经网络的权值和阈值，然后将其优化值作为BP神经网络的初始权值代入BP网络进行训练，通过BP网络的训练来调节权值和阈值，当满足网络的性能指标均方误差(MSE)小于预先设定的误差要求或最大迭代次数时，则停止迭代，输出结果，否则就继续迭代直至算法收敛，下图展示了PSO-BP神经网络的算法流程。
为了更清楚对算法过程进行说明，在此给出学习算法流程图，如图3所示：
(3)负荷预测。将各时间点的历史数据代入上述PSO-BP神经网络模型中，预测接下来一段时间的负荷。
(4)结果分析。根据预测结果，分析电力负荷的变化趋势。
本发明提供的电力负荷预测方法基于遗传算法，将PSO-SVM和PSO-BP算法进行组合，确定其组合的权重，构建一种电力负荷预测模型。
在一个实施方式中，所述最终电力负荷预测结果的计算式如下：
Figure BDA0003133972720000101
上式中，
Figure BDA0003133972720000102
为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，yPSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，yPSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
具体的，本发明应用遗传算法对上述预先建立的BP神经网络模型对应的预测权重和预先建立的BP神经网络模型对应的预测权重进行优化，进而得到更准确的电力负荷预测结果；
遗传算法起源于美国大学的教授及其研究生对生物系统所进行的计算机模拟研究。遗传算法,其基于达尔文的进化论和孟德尔的遗传学说,是一种模仿自然生物进化过程的随机方法。对于一些采用其他方法难以解决地多模型、多目标、非线性的函数优化问题,遗传算法往往可以较为简单和方便的得到令人满意的结果。基于这一特点,遗传算法得以广泛应用于自动控制、机器学习以及图像处理等领域。
自然生物的进化理论认为,每个物种的发展过程中都是朝着越来越适应环境的方向发展,每个物种的后代都会继承父代的基本特征,但又不完全与父代相同,不相同的部分若能更适应环境,则会被保留下来,若不能适应环境,则会被淘汰。基因作为遗传密码包含在染色体中,每个基因都控制着对应的特性,不同的基因组合决定了个体的整体特性,其中就包括了个体对环境的适应性。基因突变或基因杂交既可能产生适应力更强的个体,也可能产生适应力变差的个体,通过优胜劣汰的自然法则,适应力更强的后代个体的基因被保存下来,并可以遗传到下一代。
遗传算法通过模拟自然生物进化过程中出现的复制、交叉和变异现象,选择任意某群体,通过对其进行随机选择、交叉和变异等操作,重新生成新一代的适应力更强的个体,促进群体进化,经过若干代繁衍进化,最终群体演变为一群适应力最强的个体,将这些新的个体作为问题的最优解。
如图4所示，遗传算法的优化过程一般步骤如下：
步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率Pc、变异概率Pm和置终止进化准则，随机产生M个个体作为初始种群X(0)；
步骤b.计算或估价X(t)中各个体的适应度；
步骤c.从X(t)中运用选择算法选择出B/2对母体；
步骤d.对所选择的B/2对母体，依概率Pc执行交叉形成B个中间个体；
步骤e.对B个中间个体分别独立依概率Pm执行变异，形成B个候选个体；
步骤f.从所述B个候选个体中依适应度选择出Mt个个体组成新一代种群X(t+1)。
步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c。
其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
在一个实施方式中，本文采用GA算法进行组合预测方法中权重的确定，GA算法的核心是确定适应值函数，GA算法中通过计算个体的适应度,作为判断其在优化计算过程中可能达到或者最能接近最优解的优良程度的指标,适应度较高的个体较之适应度低的个体能遗传给下一代的概率要大,度量适应度的函数称之为适应度函数。本发明选取测试数据集的平均绝对误差的倒数作为遗传算法的适应度函数，所述个体的适应度的计算式如下：
Figure BDA0003133972720000111
上式中，fj为第j个个体的适应值，
Figure BDA0003133972720000112
为第j个个体作为所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重后确定的最终电力负荷预测结果，h为电力负荷历史实际值。
在遗传算法选择操作中有轮盘赌法、锦标赛法等多种方法，本文中选择轮盘赌法，积极与适应值比例的选择策略，第j个个体的选择概率Pj的计算式如下：
Figure BDA0003133972720000113
基于上述方案，本发明提供了一种最优实施例，从某工业园区得到的2020年9月1日至2020年9月30日的真实负荷数据作为实验数据集，此数据集由每天每十五分钟的电力负荷采样构成2880(96*300)条负荷数据，如图5所示。
(1)电力负荷数据的数据特性
由图5可看出，电力负荷数据具有明显的周期性。
①电力负荷数据的日周期规律：
每日从0点-11点随着人们工作、生活的开始负荷数据逐渐增大，在11点时负荷值达到日最大值，11点到12点因午休导致负荷下降，12点到13点负荷短暂增加，13点到24点负荷逐渐下降，在午夜24点负荷数据达到日最低值。一天内会在上午11时以及13时出现两次负荷峰值，但上午峰值会略高于下午峰值，即每日的负荷最大值会出现在上午11时左右，会因午休等原因在12时出现日间负荷波谷值，由于夜间人们活动的结束会在午夜出现负荷最低值。
②电力负荷数据的周周期规律：
一周中每天的负荷数据均遵循上述日变化规律，其中周一至周五作为正常工作日，工业用电占据主要位置，负荷呈周期性变化，变化规律、负荷大小以及相应时间基本相同；周六、周日随着工厂等用电大户的休息，居民用电量占据主导位置，同期负荷值、负荷峰值会较工作日低，周六与周日相比，周日又会较周六的同期负荷值、负荷峰值低。
此外由图可看出，电力负荷数据具有明显的连续性。由于电网系统的对发电、供电、用电的稳定性要求，电力负荷数据是连续的，中间一般不会发生阶跃或者数据离散现象。电力负荷数据的周期性、连续性是其固有特性，同时也是能够对电力负荷数据进行预测的基础和前提。
(2)电力负荷预测的基本原则
电力负荷预测的进行必须在一定的前提条件和原则下进行，这些原则包括：
①连续性原则。所有事物的发展均会同它的过去存在必然联系，也就是说假定所有条件都固定时，电力负荷的大小是不会发生改变的，否则电力负荷预测将会没有任何内在规律可以依照，这也将失去电力负荷预测的根本立足点。同时这也说明电力负荷的历史数据当中存在着可以用来预测未来负荷变化的规律信息，越是能精确概括这种内在规律越能提高预测的精度。
②相似原则。在特定的情况下，事物的变化会存在相似之处，因此在预测事物的未来变化时可以根据之前的变化进行类推，正如如果知道某地某月前三周的电力负荷变化便可大致推测出最后一周的电力负荷变化情况，即未来的电力负荷数据可根据相似条件下的历史数据进行类推获得。
基于上述三种模型进行实例分析。
(1)PSO-SVM模型
1)初始化。根据上文对原始数据的预处理，选取9月1日至9月26日的数据作为训练数据，对9月27日至9月30日的数据进行预测。
2)核函数的选择
本实施例选取的核函数为径向基核函数
Figure BDA0003133972720000131
3)训练与仿真。根据上述电力负荷历史数据建立基于PSO-SVM智能预测模型，对历史数据进行训练和学习，将拟合结果与原始数据进行分析对比，为能够更加直观地体现PSO-SVM模型预测的效果，将预测值与实际值绘制于图6；
(2)PSO-BP模型
1)初始化。根据上文对原始数据的预处理，选取9月1日至9月26日的数据作为训练数据，对9月27日至9月30日的数据进行预测。
模型参数设置如下：网络输入层神经元个数为10、隐含层神经元个数为20、输出层神经元个数为1、粒子群总数为60、最大迭代次数为200、惯性权重ω的最大值及最小值ωmax＝0.9和ωmin＝0.3、学习因子c1＝c2＝2，对电力负荷进行学习和仿真。
2)训练与仿真。根据上述电力负荷历史数据建立基于PSO-BP智能预测模型，对历史数据进行训练和学习，将拟合结果与原始数据进行分析对比，为能够更加直观地体现PSO-BP模型预测的效果，将预测值与实际值绘制于图7；
(3)基于遗传算法的神经网络组合模型
1)模型参数设置如下：确定种群规模为500、交叉概率Pc＝0.8、变异概率Pm＝0.8和置终止进化准则。
2)训练与仿真。根据上述电力负荷历史数据建立基于遗传算法的神经网络组合模型，对历史数据进行训练和学习，将拟合结果与原始数据进行分析对比，为能够更加直观地体现组合模型预测的效果，将预测值与实际值绘制于图8；
为了评估预测结果，本实施例使用了包括准确性和稳定性在内的不同性能指标来对我们提出的系统和其他竞争模型进行全面比较。它们分别是平均绝对误差(MeanAbsolute Error，MAE)，均方根误差(Root Mean Square Error，RMSE)，平均绝对百分比误差(Mean Absolute Percent Error，MAPE)和方差(Variance of the forecasting error，VAR)。
①绝对平均误差(The mean absolute error，MAE)：
Figure BDA0003133972720000141
②均方根误差(Root Mean Square Error，RMSE)：
Figure BDA0003133972720000142
③平均绝对百分比误差(Mean Absolute Percent Error，MAPE)：
Figure BDA0003133972720000143
④方差(Variance of the forecasting error，VAR)：
VAR＝E(xi'-E(xi'))2
其中，xi代表i点的观测值，xi′代表i点的预测值，n代表样本个数。
根据预测结果分析其误差，得到以下结果：
表1预测结果
方法 MAE RMSE MAPE VAR
PSO-SVM 2.563113 2.578742 1.799687 206.9436
PSO-BP 3.183848 3.941873 2.528132 196.3306
遗传算法组合 1.392742 1.958969 1.634230 163.1478
VAR用于评估预测模型的稳定性，VAR的值越小，表示预测误差的稳定性较高。MAE，RMSE和MAPE的值越小，则表示预测精度越高。在本例中，可以看到，利用PSO-SVM模型预测的结果，MAE为2.563113，RMSE为2.578742，MAPE为1.799687％，VAR为206.9436；利用PSO-BP模型预测的结果，MAE为3.183848，RMSE为3.941873，MAPE为2.528132％，VAR为196.3306；组合模型预测的结果，MAE为1.392742，RMSE为1.958969，MAPE为1.634230％，VAR为163.1478；PSO-SVM模型的MAE，RMSE和MAPE的值都远远小于PSO-BP模型的结果，但是误差的稳定性较差，通过基于遗传算法的神经网络组合模型进行预测，其结果均优于前两种模型预测的结果，大大减少了误差，使得误差结果有所降低，从而提高了模型的预测精度。
基于同一发明构思，本发明还提供一种电力负荷预测装置，如图9所示，所述电力负荷预测装置包括：
初始预测模块，用于将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
最终预测模块，用于基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
优选的，所述预先建立的支持向量机/预先建立的BP神经网络模型的建立过程包括：
利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；
利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。
优选的，所述最终电力负荷预测结果的计算式如下：
Figure BDA0003133972720000151
上式中，
Figure BDA0003133972720000152
为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，yPSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，yPSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
进一步的，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：
步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率Pc、变异概率Pm和置终止进化准则，随机产生M个个体作为初始种群X(0)；
步骤b.计算或估价X(t)中各个体的适应度；
步骤c.从X(t)中运用选择算法选择出B/2对母体；
步骤d.对所选择的B/2对母体，依概率Pc执行交叉形成B个中间个体；
步骤e.对B个中间个体分别独立依概率Pm执行变异，形成B个候选个体；
步骤f.从所述B个候选个体中依适应度选择出Mt个个体组成新一代种群X(t+1)。
步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c。
其中，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
进一步的，所述个体的适应度的计算式如下：
Figure BDA0003133972720000161
上式中，fj为第j个个体的适应值，
Figure BDA0003133972720000162
为第j个个体作为所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重后确定的最终电力负荷预测结果，h为电力负荷历史实际值。
进一步的，所述选择算法为轮盘赌算法，第j个个体的选择概率Pj的计算式如下：
Figure BDA0003133972720000163
进一步，本发明还提供了一种存储装置。在根据本发明的一个存储装置实施例中，存储装置可以被配置成存储执行上述方法实施例的电力负荷预测方法的程序，该程序可以由处理器加载并运行以实现上述电力负荷预测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该存储装置可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中存储是非暂时性的计算机可读存储介质。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种电力负荷预测方法，其特征在于，所述方法包括：
将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
2.如权利要求1所述的方法，其特征在于，所述预先建立的支持向量机/预先建立的BP神经网络模型的建立过程包括：
利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；
利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。
3.如权利要求1所述的方法，其特征在于，所述最终电力负荷预测结果的计算式如下：
Figure FDA0003133972710000011
上式中，
Figure FDA0003133972710000012
为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，yPSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，yPSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
4.如权利要求3所述的方法，其特征在于，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：
步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率Pc、变异概率Pm和置终止进化准则，随机产生M个个体作为初始种群X(0)；
步骤b.计算或估价X(t)中各个体的适应度；
步骤c.从X(t)中运用选择算法选择出B/2对母体；
步骤d.对所选择的B/2对母体，依概率Pc执行交叉形成B个中间个体；
步骤e.对B个中间个体分别独立依概率Pm执行变异，形成B个候选个体；
步骤f.从所述B个候选个体中依适应度选择出Mt个个体组成新一代种群X(t+1)；
步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c；
其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
5.如权利要求4所述的方法，其特征在于，所述个体的适应度的计算式如下：
Figure FDA0003133972710000021
上式中，fj为第j个个体的适应值，
Figure FDA0003133972710000022
为第j个个体作为所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重后确定的最终电力负荷预测结果，h为电力负荷历史实际值。
6.如权利要求5所述的方法，其特征在于，所述选择算法为轮盘赌算法，第j个个体的选择概率Pj的计算式如下：
Figure FDA0003133972710000023
7.一种电力负荷预测装置，其特征在于，所述装置包括：
初始预测模块，用于将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；
最终预测模块，用于基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；
其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。
8.如权利要求7所述的装置，其特征在于，所述最终电力负荷预测结果的计算式如下：
Figure FDA0003133972710000024
上式中，
Figure FDA0003133972710000031
为最终电力负荷预测结果，W1为所述预先建立的支持向量机对应的预测权重，yPSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W2为所述预先建立的BP神经网络模型对应的预测权重，yPSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。
9.如权利要求8所述的装置，其特征在于，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：
步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率Pc、变异概率Pm和置终止进化准则，随机产生M个个体作为初始种群X(0)；
步骤b.计算或估价X(t)中各个体的适应度；
步骤c.从X(t)中运用选择算法选择出B/2对母体；
步骤d.对所选择的B/2对母体，依概率Pc执行交叉形成B个中间个体；
步骤e.对B个中间个体分别独立依概率Pm执行变异，形成B个候选个体；
步骤f.从所述B个候选个体中依适应度选择出Mt个个体组成新一代种群X(t+1)；
步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c；
其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。
10.一种存储装置，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的电力负荷预测方法。
CN202110711523.7A 2021-06-25 2021-06-25 一种电力负荷预测方法及装置 Pending CN115526092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110711523.7A CN115526092A (zh) 2021-06-25 2021-06-25 一种电力负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110711523.7A CN115526092A (zh) 2021-06-25 2021-06-25 一种电力负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN115526092A true CN115526092A (zh) 2022-12-27

Family

ID=84694493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110711523.7A Pending CN115526092A (zh) 2021-06-25 2021-06-25 一种电力负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN115526092A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744895A (zh) * 2024-02-20 2024-03-22 山东华科信息技术有限公司 一种热力负荷预测方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744895A (zh) * 2024-02-20 2024-03-22 山东华科信息技术有限公司 一种热力负荷预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
Al Mamun et al. A comprehensive review of the load forecasting techniques using single and hybrid predictive models
Bao et al. Comparison and analysis of the selection mechanism in the artificial bee colony algorithm
Fu Deep belief network based ensemble approach for cooling load forecasting of air-conditioning system
Wang et al. Adaptive learning hybrid model for solar intensity forecasting
Kim et al. Particle swarm optimization-based CNN-LSTM networks for forecasting energy consumption
Ghods et al. Methods for long-term electric load demand forecasting; a comprehensive investigation
CN112508275A (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN112614009A (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
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
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
Sharma et al. A review on artificial bee colony and it’s engineering applications
CN117498400B (zh) 一种分布式光伏与储能数据的处理方法及系统
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN115940294A (zh) 多级电网实时调度策略调整方法、系统、设备及存储介质
Hong et al. Short-term electric load forecasting using particle swarm optimization-based convolutional neural network
CN115526092A (zh) 一种电力负荷预测方法及装置
Zhu et al. Wind power interval and point prediction model using neural network based multi-objective optimization
Li et al. A hybrid learning method for the data-driven design of linguistic dynamic systems
Safari et al. Electricity prices forecasting using ANN hybrid with invasive weed optimization (IWO)
Yasin et al. Long-term load forecasting using grey wolf optimizer-least-squares support vector machine
CN111563614A (zh) 一种基于自适应神经网络与tlbo算法的负荷预测方法
CN111799820A (zh) 一种电力系统双层智能混合零星云储能对抗调控方法
CN115438842A (zh) 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法
Fathi et al. Artificial Intelligence and Evolutionary Algorithms-Based Optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication