[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

说明书

本发明公开一种萤火虫算法优化神经网络的短期负荷预测方法，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；选择训练样本集建立神经网络预测模型；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；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。本发明本方法能获得较高精度的短期负荷预测结果。

技术领域

本发明涉及电网调度通信领域，特别涉及一种萤火虫算法优化神经网络 的短期负荷预测方法及装置。

背景技术

电能是目前世界上最重要的能量来源，但由于电能难以储存的缺点尚未 得到有效解决，这就要求发电计划与负荷需求达到动态平衡，因此高精度的 负荷预测是电力系统的正常安全运行以及高供电质量的重要保证。目前，随 着新能源发电发展迅速，负荷波动也越来越大，主要原因是新能源随机性强， 大量分布式新能源的接入对地区电网负荷的冲击性强，同时为地区电网负荷 预测带来巨大挑战，故高精度且实用性强的负荷预测技术对地区电网稳定和 安全运行尤为重要。

目前的负荷预测主要集中在短期预测方法的研究，常用的短期电力负荷 预测方法主要有:时间序列法、灰色预测法、模糊预测法、神经网络法、支持 向量机等。其中，BP神经网络在信息处理方面表现突出，可以实现从输入到 输出的任意非线性映射，在负荷预测领域逐步得到了广泛应用。但传统BP神 经网络在预测过程中存在局部最小值的问题，泛化能力也不理想。因此，上 述缺陷是亟需解决的问题。

发明内容

本发明的主要目的是提出一种萤火虫算法优化神经网络的短期负荷预测 方法，旨在克服以上问题。

为实现上述目的，一种萤火虫算法优化神经网络的短期负荷预测方法， 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。

优选地，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。

优选地，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。

优选地，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；