[发明专利]一种萤火虫算法优化神经网络的短期负荷预测方法

权利要求书

1.一种萤火虫算法优化神经网络的短期负荷预测方法，其特征在于，包括如下步骤：

S1获取历史负荷数据和天气数据，对所获取的数据进行预处理生成训练样本集和测试样本；

S2选择训练样本集建立神经网络预测模型；

S3采用训练样本集对神经网络进行训练，训练过程中采用萤火虫算法对神经网络的权值和阀值进行优化调整；

S4将测试样本输入S3中训练好的神经网络中进行预测，得到短期负荷预测结果。

2.如权利要求1所述的变电站负荷电压灵敏度统计分析方法，其特征在于，所述S1的构建训练样本集和测试样本具体步骤为：

训练样本集Tr_n包含模型的输入样本X_n和输出样本Y_n，输入样本是对历史负荷数据和天气数据连续采集而来，可表示为其中m为历史负荷数据个数，a为考虑历史天气因素个数，m+a为预测模型输入个数；输出样本是对历史负荷数据连续采集而来，可表示为l的取值由预测模型输出个数决定；n为样本集中第n个样本，测试样本Te_n的选取方式与训练样本集Tr_n的选取方式相同。

3.如权利要求1所述的变电站负荷电压灵敏度统计分析方法，其特征在于，所述S22的建立神经网络预测模型的具体步骤为：

输入层节点数m设为32个，隐含层节点数s设为6个，输出层节点数个数l设为24个，选择Tansig函数和logsig函数作为隐藏层和输出层的传输函数。，

神经网络需要优化的变量个数为：

num＝m×s+s×l+s+l。

4.如权利要求1所述的变电站负荷电压灵敏度统计分析方法，其特征在于，所述所述S3的采用萤火虫算法对神经网络的权值和阈值进行优化调整的具体步骤为：

S31参数初始化。萤火虫算法(FA)种群大小M设为60，最大迭代次数T_max取500，光强吸收因子γ设为1，最大吸引度β₀设为1；

S32随机生成初始种群X＝[x₁,x₂,...,x_M]^T。

其中，IW为输入权值，有m×s个；Ib为隐含层阈值，有s个；LW为输出权值，有s×l个；Lb为隐含层阈值，有l个；M为种群大小，共M个粒子，迭代次数k置1，将FA初始种群粒子转换成神经网络的权值和阈值，进行训练，由下式计算训练误差，即为粒子的适应度值：

式中：p_t、分别是实负荷输出和目标负荷输出，T为训练样本数；

S33这些粒子探索目标空间，在目标空间的k次迭代中，由I表示粒子荧光亮度：

I＝I₀e^-γr

I₀为萤火虫的最大荧光亮度，即为处的自身荧光亮度,r_ij表示两只萤火虫之间的空间距离，

由β表示吸引度：

计算粒子x_i(k)和粒子x_j(k)的荧光亮度I_i和I_j，若I_j>I_i，则粒子x_i(k)的位置更新公式如下：

x_i(k+1)＝x_i(k)+β(x_j(k)-x_i(t))+(rand-0.5)

粒子更新完成后，计算更新位置后的粒子适应度值，最优个体X_best；

S34当迭代次数t<T_max时，转(3)；否则，寻优结束，X_best即为神经网络的最优权值和阈值。