基于神经网络和思维演化搜索的短期负荷预测方法，其步骤为：步骤一：获取历史负荷数数据，并对其进行分段以及归一化处理；步骤二：获取天气状况和日期类型等相关影响负荷预测的数据样本，连同历史负荷数据一起作为输入变量；步骤三：确定训练集、测试集的输入输出样本；步骤四：根据输入输出样本的矩阵维数；步骤五：确定Elman网络结构；步骤六：由网络结构确定编码长度；步骤七：进行MEA算法参数设置；步骤八：进行趋同和异化操作，获取最优权值，最优阈值；步骤九：由最优权值和阈值建立Elman网络模型，并进行负荷预测；步骤十：对网络输出值进行去归一化处理，得到预测值，并进行误差分析和预测性能评估。
【技术实现步骤摘要】
本专利技术属于电力系统配电网负荷预测
，具体涉及一种基于神经网络和思维演化搜索的短期负荷预测方法。
技术介绍
电力负荷预测是电力规划、营销、市场交易、调度等部门工作的重要依据，较好的预测方法有助于电力部门作出正确的决策。根据预测时间长短，通常可以将电力系统负荷预测分为长期、中期、短期以及超短期预测等几种类型。其中短期负荷预测是电力负荷预测的重要组成部分，主要包括日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划。在当前的电力市场条件下，提高短期负荷预测精度，对安排开停机计划、机组最优组合、发电容量的合理规划以及经济调度和电力市场交易等有着重要的实际意义。目前国内外专家学者提出了多种预测方法，根据预测数学建模方法的不同主要可以分为两大类：数学统计法和人工智能法。数学统计法主要包括：随机序列法、线性回归法、状态空间法以及指数平滑法等。数学统计方法能够较好地进行线性负荷预测，而缺乏处理非线性负荷的能力。人工智能方法包括：专家系统法、模糊推理法、人工神经网络法等。专家系统法需获取经验操作知识，而将经验知识转化为数学规则是比较困难的。模糊推理是专家系统的扩展，为了获取负荷数据的非线性行为，需要通过专家知识构造模糊推理最优结构和最小化误差模型。人工神经网络不依赖人为经验，通过训练样本数据，建立预测网络，能够较好地处理负荷数据的非线性关系。经检索，基于BP神经网络的电力系统负荷预测方法(公开号为CN 103295081 A)，以及专利一种基于Elman神经网络的居民负荷预测方法(公开号为CN 104636822 A)，存在如下问题：由于BP神经网络和Elman网络均采用的是BP算法，以上专利未考虑BP算法在学习新样本时，有遗忘旧样本的趋势，且在求取权值阈值时，存在容易陷入局部极小解的缺陷，影响负荷预测精度。本专利技术选择了Elman人工神经网络，具有短期记忆功能，能够避免网络在训练新样本时遗忘旧样本的弊端。同时利用思维进化算法(MEA)的全局寻优与并行搜索性能，优化Elman神经网络的权值和阈值，建立了MEA-Elman预测模型，提高了预测准确率。
技术实现思路
本专利技术的目的是提供一种基于神经网络和思维演化搜索的短期负荷预测方法。本专利技术是基于神经网络和思维演化搜索的短期负荷预测方法，其步骤为：步骤一：获取历史负荷数数据，并对其进行分段以及归一化处理；步骤二：获取天气状况和日期类型等相关影响负荷预测的数据样本，连同历史负荷数据一起作为输入变量；步骤三：确定训练集、测试集的输入输出样本；步骤四：根据输入输出样本的矩阵维数，确定Elman网络输入层神经元个数S1和输出层神经元个数S3，中间隐含层神经元个数由网络反复训练决定，记为S2；步骤五：确定Elman网络结构，Elman网络由输入层、隐含层、承接层、输出层构成，其中承接层用来记忆隐含层前一时刻的输出，并将该输出信息反馈给隐含层，通常可将该网络结构简记为S1-S2-S3；步骤六：由网络结构确定编码长度，记为S，即所需优化的权值阈值个数；步骤七：进行MEA算法参数设置，设置种群大小POPsize、优胜种群个数Bestsize、临时种群大小Temsize、子群体大小SG；步骤八：进行趋同和异化操作，比较其适应度值Fitness大小并产生优胜个体，获取最优权值w1、w2、w3，最优阈值b1、b2；步骤九：由最优权值和阈值w1、w2、w3、b1、b2建立Elman网络模型，并进行负荷预测；步骤十：对网络输出值进行去归一化处理，得到预测值，并进行误差分析和预测性能评估。本专利技术的预测模型有益效果是：本专利技术利用MEA算法优化Elman网络，避免网络在求取权值阈值易陷入局部极小解的缺陷，进而提高负荷预测的精度，对电力系统合理调度、市场规划以及提高用电效率，有着重要意义。附图说明图1为本专利技术预测模型结构框图，图2为本专利技术使用的MEA算法流程图，图3为本专利技术使用的Elman神经网络结构图，图4为本专利技术使用的MEA-Elman优化模型流程图，图5为本专利技术提出的MEA-Elman预测模型预测结果与Elman神经网络预测结果对比图，图6为本专利技术提出的MEA-Elman预测模型预测结果与BP神经网络预测结果对比图，图7为负荷预测的电力大数据平台架构图，图8为MapReduce并行计算原理图，图9为本专利技术提出的MEA-Elman预测算法与MapReduce结合的预测框图。具体实施方式实施例一，本专利技术是基于神经网络和思维演化搜索的短期负荷预测方法，其步骤为：步骤一：获取历史负荷数数据，并对其进行分段以及归一化处理；步骤二：获取天气状况和日期类型等相关影响负荷预测的数据样本，连同历史负荷数据一起作为输入变量；步骤三：确定训练集、测试集的输入输出样本；步骤四：根据输入输出样本的矩阵维数，确定Elman网络输入层神经元个数S1和输出层神经元个数S3，中间隐含层神经元个数由网络反复训练决定，记为S2；步骤五：确定Elman网络结构，Elman网络由输入层、隐含层、承接层、输出层构成，其中承接层用来记忆隐含层前一时刻的输出，并将该输出信息反馈给隐含层，通常可将该网络结构简记为S1-S2-S3；步骤六：由网络结构确定编码长度，记为S，即所需优化的权值阈值个数；步骤七：进行MEA算法参数设置，设置种群大小POPsize、优胜种群个数Bestsize、临时种群大小Temsize、子群体大小SG；步骤八：进行趋同和异化操作，比较其适应度值Fitness大小并产生优胜个体，获取最优权值w1、w2、w3，最优阈值b1、b2；步骤九：由最优权值和阈值w1、w2、w3、b1、b2建立Elman网络模型，并进行负荷预测；步骤十：对网络输出值进行去归一化处理，得到预测值，并进行误差分析和预测性能评估。以上所述预测方法，步骤一中历史负荷数据分段规则为：用过去L个时刻的值，进行P步预测，可取L个相邻的样本为滑动窗，并将它们映射为P个预测值，即输入为：{[X1、X2……XL]、[X2、X3……XL+1]…[XK、XK+1……XK+L-1]本文档来自技高网...
【技术保护点】
基于神经网络和思维演化搜索的短期负荷预测方法，其特征在于，其步骤为：步骤一：获取历史负荷数数据，并对其进行分段以及归一化处理；步骤二：获取天气状况和日期类型等相关影响负荷预测的数据样本，连同历史负荷数据一起作为输入变量；步骤三：确定训练集、测试集的输入输出样本；步骤四：根据输入输出样本的矩阵维数，确定Elman网络输入层神经元个数S1和输出层神经元个数S3，中间隐含层神经元个数由网络反复训练决定，记为S2；步骤五：确定Elman网络结构，Elman网络由输入层、隐含层、承接层、输出层构成，其中承接层用来记忆隐含层前一时刻的输出，并将该输出信息反馈给隐含层，通常可将该网络结构简记为S1‑S2‑S3；步骤六：由网络结构确定编码长度，记为S，即所需优化的权值阈值个数；步骤七：进行MEA算法参数设置，设置种群大小POPsize、优胜种群个数Bestsize、临时种群大小Temsize、子群体大小SG；步骤八：进行趋同和异化操作，比较其适应度值Fitness大小并产生优胜个体，获取最优权值w1、w2、w3，最优阈值b1、b2；步骤九：由最优权值和阈值w1、w2、w3、b1、b2建立Elman网络模型，并进行负荷预测；步骤十：对网络输出值进行去归一化处理，得到预测值，并进行误差分析和预测性能评估。...
【技术特征摘要】
1.基于神经网络和思维演化搜索的短期负荷预测方法，其特征在于，其步骤为：步骤一：获取历史负荷数数据，并对其进行分段以及归一化处理；步骤二：获取天气状况和日期类型等相关影响负荷预测的数据样本，连同历史负荷数据一起作为输入变量；步骤三：确定训练集、测试集的输入输出样本；步骤四：根据输入输出样本的矩阵维数，确定Elman网络输入层神经元个数S1和输出层神经元个数S3，中间隐含层神经元个数由网络反复训练决定，记为S2；步骤五：确定Elman网络结构，Elman网络由输入层、隐含层、承接层、输出层构成，其中承接层用来记忆隐含层前一时刻的输出，并将该输出信息反馈给隐含层，通常可将该网络结构简记为S1-S2-S3；步骤六：由网络结构确定编码长度，记为S，即所需优化的权值阈值个数；步骤七：...
【专利技术属性】
技术研发人员：包广清，林麒麟，汪宁渤，王晓兰，张晓英，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：甘肃;62
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。