[发明专利]基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法

说明书

基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法，包括首先初始化节点属性及网络参数，包括输入、连接函数、权重；之后建立网络学习样本，并对数据作归一化处理；然后所有输入以及连接输入的权重都相乘，再相加，之后转入到线性或非线性的激活函数，获得节点输出；最后将获得的节点输出用作系统输出或下一个节点的输入，通过突变连续进化CGPRNN基因型，直到达到所需的适应度，状态不再变化，获得最终的RNN。本方法利用了笛卡尔遗传规划CGP进行RNN的进化，能产生循环的ANN，具有较快的计算速度和较高的预测精度。

技术领域

本发明涉及配电网超短期负荷预测领域，尤其涉及一种基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法。

背景技术

随着主动配电网的大力推进，分布式电源、储能装置、微电网等技术将得到广泛应用。由于需求侧响应、可控负荷以及电动汽车充电等具有的随机性和滞后性，导致了负荷预测精度的降低。因此，为了提高主动配电网的优化控制和安全防御，提高短期负荷预测精度是必然的研究要求。超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5～10s或1～5min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值，对主动配电网的安全运行及控制具有重要意义。

目前已经提出了一些统计模型，以预测未来的负荷需求，包括支持向量回归，负荷预测的局部预测框架，自回归模型，自回归移动平均模型(ARMA)和具有外生变量的自回归移动平均值(ARMAX)，卡尔曼滤波和复杂网络。复杂网络在处理非线性和动态系统的广泛领域时具有重要意义。CGPRNN利用笛卡尔遗传规划(CGP)进行RNN的进化，它利用CGP的优越性能产生循环的ANN。CGP是一种高度灵活和高效的遗传编程技术，利用数组和笛卡尔框架来表示其架构。该功能允许CGPRNN产生拓扑，这在计算成本和预测精度上是十分有利的。

发明内容

本发明的目的是为了提高主动配电网的优化控制和安全防御，提高短期负荷预测精度，提供一种基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法。

本发明采用的技术方案如下：

基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法，其特征在于，所述方法包括以下步骤：

步骤S1，初始化节点属性及网络参数，包括输入、连接函数、权重；

步骤S2，建立网络学习样本，并对数据作归一化处理；

步骤S3，所有输入以及连接输入的权重都相乘，然后相加，然后转入到线性或非线性的激活函数，获得节点输出；

步骤S4，获得的节点输出用作系统输出或下一个节点的输入，通过突变连续进化CGPRNN基因型，直到达到所需的适应度，状态不再变化，获得最终的RNN。

所述步骤S1中初始化节点属性及网络参数包括：

所述输入包括程序输入、来源于前一节点的输入和来源于反馈的输入；对于CGPRNN的第一层，输入只能是循环值或者系统输入；对于之后的层，反馈路径将可能存在，其依赖于反馈输入是否经过变异；

使用平均绝对百分比误差MAPE作为确定个体网络适应度的评估参数；

与X基因型的y神经元节点的z输入连接的系统输入为：

geno(x,y,z)＝PRG[I:geno(x,y-1)...geno(x,1)...SOR]；

R＝[1,2,3,4...Nr]；

其中，伪随机生成器PRG用于选择是否将系统输入，先前节点的输出或作为输入的循环输出连接到节点的特定输入，SOR是作为输入反馈到系统的经常性系统输出，R为循环路径的数量，Nr是最大反馈路径；