一种基于降维和改进神经网络的短期电力负荷预测方法技术

本发明专利技术公开了一种基于降维和改进神经网络的短期电力负荷预测方法，涉及电力负荷预测技术领域，所述方法包括：首先运用SNE算法将高维负荷相关气象数据通过仿射变换映射到低维，然后通过飞蛾火焰优化算法将ELM的输出权值和阈值作为优化变量，负荷预测结果的均方误差值作为优化结果，找到预测最佳结果对应的训练权值和阈值反馈给ELM，得到改进的神经网络预测模型。将降维的气象数据协同电力负荷数据共同输入改进的神经网络进行数据训练和负荷预测。本发明专利技术改进了神经网络的短期电力负荷预测过程，大大提高了电力负荷预测的精度。

【技术实现步骤摘要】
一种基于降维和改进神经网络的短期电力负荷预测方法
本专利技术涉及电力负荷预测
，尤其是一种基于降维和改进神经网络的短期电力负荷预测方法。
技术介绍
负荷预测对于电力系统可靠、经济运行具有重要意义，在能源部门的各个方面，负荷预测都是一个必不可少的工具，也是保证电力系统可靠供电和安全运行的前提。随着电网大数据到来，多维气象影响因素的干扰都将影响负荷预测的准确性。数据维度的不断增长导致了维度灾难等诸多问题，如何在低维空间中表示高维数据变得越来越重要。SNE能够将高维空间的数据更好地映射到低维空间，保持高维空间的数据结构。传统的预测网络BP神经网络反向传播误差，训练速度慢且预测精度不高，ELM虽然预测速度较快但稳定性不佳，这都将导致电力的运行成本大幅增加。因此，我们提出了一种基于降维和改进神经网络的短期电力负荷预测方法。
技术实现思路
本专利技术需要解决的技术问题是提供一种基于降维和改进神经网络的短期电力负荷预测方法，改进了神经网络的短期电力负荷预测过程，大大提高了电力负荷预测的精度。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于降维和改进神经网络的短期电力负荷预测方法，包括以下步骤：1)获取电网的历史负荷数据，每30min采样一次，选取连续8日的负荷数据；2)确定影响短期电力负荷变化的重要因素，获取7种气象影响因素，每种因素对应一列数据序列，共7列384点数据序列；3)通过可视化降维分析算法将气象影响因素数据进行降维处理，经仿射变换以低维数据代替高维气象数据，得到新的气象数据；4)将ELM的输出权值阈值作为优化变量，负荷预测结果的误差值作为优化结果，通过MFO优化算法找到最优的训练权值和阈值，得到改进的神经网络预测模型；5)建立改进的神经网络短期电力负荷预测模型进行训练预测。本专利技术技术方案的进一步改进在于：步骤2)中所述的相关气象影响因素包括：风速、气压、降水量、温度、云量、湿度、SO2浓度。本专利技术技术方案的进一步改进在于：所述的步骤3)中对气象影响因素数据进行降维处理进行降维可视化分析的具体过程如下：A、设7列384点气象数据序列为高维空间矩阵X，随机产生低维空间矩阵Y；B、分别计算高维空间和低维空间中点与点之间的相似概率；C、将KL散度作为两个空间之间的相似性标准，进行迭代计算，保留高维和低维空间中相似度更高的数据点；D、通过仿射变换得到高维空间在低维空间的映射Y。本专利技术技术方案的进一步改进在于：步骤5)中建立改进的神经网络短期电力负荷预测模型的具体过程如下：A、根据输入数据确定ELM神经网络的输入层、中间层和输出层的结点个数，计算神经网络的权值和阈值的总个数；B、通过MFO算法优化权值阈值，将得到的最优权值阈值反馈给ELM神经网络；C、划分训练集和测试集，对输入数据进行训练。本专利技术技术方案的进一步改进在于：步骤5)中所述的预测过程是将降维得到的新的气象数据及历史负荷数据共同作为改进神经网络的输入进行训练预测。由于采用了上述技术方案，本专利技术取得的技术进步是：本专利技术降低了计算数据，对于结果的输出较稳定，提高电力负荷预测精度，改进了神经网络的短期电力负荷预测过程，大大提高了电力负荷预测的精度。飞蛾火焰优化算法能够在求解具有约束和未知搜索空间的复杂问题时具有优越性，将其用于ELM神经网络的权值阈值优化，解决了ELM权值输出不稳定，易陷入局部最小值等问题。通过SNE降维算法可以将高维空间的数据更好地映射到低维空间，保持高维空间的数据结构，更好地将高维数据降至低维，减少输入数据；MFO，即飞蛾火焰优化算法能够在求解具有约束和未知搜索空间的复杂问题时具有优越性，将其用于ELM神经网络的权值阈值优化，解决了ELM权值输出不稳定，易陷入局部最小值等问题，明显提高了电力负荷的预测精度和预测速度。附图说明图1是本专利技术方法的流程示意图；图2是改进的神经网络结构示意图；图3是气象影响因素降维后的新气象分量数据散点图；图4是不同方法的负荷预测结果的折线图；图5是不同预测方法的均方误差的折线图。具体实施方式下面结合实施例对本专利技术做进一步详细说明：如图1至图5所示，一种基于大数据简约的短期电力负荷预测方法，包括以下步骤：1)获取电网的历史负荷数据，每30min采样一次，选取连续8日的负荷数据；2)确定影响短期电力负荷变化的重要因素，获取与负荷数据对应日期的相关性较强关性较强的7种气象影响因素，每种因素对应一列数据序列，共7列384点数据序列，其中相关气象影响因素负荷数据包括：风速L1、气压L2、降水量L3、温度L4、云量L5、湿度L6、SO2浓度L7；3)通过可视化降维分析算法将气象影响因素数据进行降维处理，经仿射变换以低维数据代替高维气象数据，得到新的气象数据；4)将ELM的输出权值阈值作为优化变量，负荷预测结果的误差值作为优化结果，通过MFO(飞蛾火焰优化算法)找到最优的训练权值和阈值，得到改进的神经网络预测模型；5)建立改进的神经网络短期电力负荷预测模型，将新的气象数据及历史负荷数据共同作为改进神经网络的输入进行训练预测。所述步骤3)中的SNE可视化降维分析算法将气象影响因素数据进行降维处理，SNE降维算法通过仿射变换将原始数据点之间的相似性映射到概率分布上，以条件概率表示空间中两个点的相似性，其具体方法概括如下：(A)SNE降维算法通过仿射变换将原始数据点之间的相似性映射到概率分布上，以条件概率表示空间中两个点的相似性，设高维空间X中任意两个数据点xi和xj，设选择xj作为xi邻近点的概率为pj|i，且条件概率服从高斯分布，σi为高斯分布的标准差，令高斯分布的方差为随机给定一个初始化的低维空间Y，则在高维空间中概率表示为pj|i，低维空间中概率表示为qj|i：(B)为衡量两个空间的相似性，引入代价函数即KL散度为：(C)将代价函数对yi进行求导得：(D)迭代寻优，将低维表达式作为优化变量，对目标函数进行寻优，不断更新低维数据，直至得到对应所求最优解：其中η学习率，α(t)为学习动量，最终将Y的维度降至2或3即得到降维的气象数据序列。所述步骤4)中对改进的ELM神经网络负荷预测，其具体方法概括如下：根据输入数据的结构确定ELM的权值wij和阈值bij的个数，通过飞蛾火焰优化算法对权值和阈值进行优化。设ub为待优化参数的上界，lb为待优化参数的下界，初始化故初始化待优化参数的上下限为：ub＝[1,1,1,...1,1](8)lb＝[-1,-1,-1,...-1,-1](9)随机产生蛾群初始位置，蛾群的空间维度为d，设n为蛾的数量，则蛾群的初始位置M为：初始化火焰的数量及位置，初始火焰的数量等于蛾群的数量本文档来自技高网...

【技术保护点】
1.一种基于降维和改进神经网络的短期电力负荷预测方法，其特征在于：包括以下步骤：/n1)获取电网的历史负荷数据，每30min采样一次，选取连续8日的负荷数据；/n2)确定影响短期电力负荷变化的重要因素，获取7种气象影响因素，每种因素对应一列数据序列，共7列384点数据序列；/n3)通过可视化降维分析算法将气象影响因素数据进行降维处理，经仿射变换以低维数据代替高维气象数据，得到新的气象数据；/n4)将ELM的输出权值阈值作为优化变量，负荷预测结果的误差值作为优化结果，通过MFO优化算法找到最优的训练权值和阈值，得到改进的神经网络预测模型；/n5)建立改进的神经网络短期电力负荷预测模型进行训练预测。/n

【技术特征摘要】
1.一种基于降维和改进神经网络的短期电力负荷预测方法，其特征在于：包括以下步骤：
1)获取电网的历史负荷数据，每30min采样一次，选取连续8日的负荷数据；
2)确定影响短期电力负荷变化的重要因素，获取7种气象影响因素，每种因素对应一列数据序列，共7列384点数据序列；
3)通过可视化降维分析算法将气象影响因素数据进行降维处理，经仿射变换以低维数据代替高维气象数据，得到新的气象数据；
4)将ELM的输出权值阈值作为优化变量，负荷预测结果的误差值作为优化结果，通过MFO优化算法找到最优的训练权值和阈值，得到改进的神经网络预测模型；
5)建立改进的神经网络短期电力负荷预测模型进行训练预测。


2.根据权利要求1所述的一种基于降维和改进神经网络的短期电力负荷预测方法，其特征在于：步骤2)中所述的相关气象影响因素包括：风速、气压、降水量、温度、云量、湿度、SO2浓度。


3.根据权利要求1所述的一种基于降维和改进神经网络的短期电力负荷预测方法，其特征在于：所述的步骤3)中对气象影响因素数据进行降维处...

【专利技术属性】
技术研发人员：张淑清，段晓宁，姜安琦，尹少杰，董伟，张晓文，李永博，时康，李君，黄娇，上官甲新，刘海涛，宋姗姗，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13