[发明专利]一种基于改进ABC算法的Elman神经网络的短期负荷预测方法

说明书

本发明公开了一种基于改进ABC算法的Elman神经网络的短期负荷预测方法，本发明在充分解析传统Elman神经网络的输入信号的正向传递、误差信号的反向传播和承接层的延时算子过程之后，针对人工蜂群(ABC)算法收敛速度慢、搜索方程的开发能力较弱等缺点进行了一系列的改进措施，包括重新设计搜索方程、调整蜜蜂搜索频率和改变较优解的选择机制等方面；再将改进ABC算法产生的最优权值与阈值用于Elman神经网络实现电力系统短期负荷预测，提高负荷预测速度，最后在MATLAB中实现负荷预测功能，由实验结果得出采用改进ABC算法进行权值和阈值寻优处理，使得最大预测绝对误差明显减少。

技术领域

本发明电力技术领域，具体是一种基于改进ABC算法的Elman神经网络短期负荷预测方法。

背景技术

供电低压台区负荷预测是供电部门的新兴工作之一，通过准确的负荷预测，可以经济合理地调整运行方式，减少上级电站备用容量、合理安排检修计划、降低运营成本、提高经济效益。根据电力系统负荷预测理论，在形成电力交易市场的过程中，负荷预测的研究更具重要意义，低压供电台区的负荷预测亦然。相对而言，中短区负荷预测对低压台区管理的价值更为重要。首先，中期负荷预测的结果，可以作为运行方式调整、低压电网工程施工的决策性依据。其次，24小时的短期负荷预测，可以作为供电企业提供设备过载预警。

低压台区负荷预测可以分为长期预测、中期预测、短期预测、超短期预测，对应的时间段为年度、月度、日和时。其中，周预测、日预测、小时预测归为短期预测。目前，由于其负荷发展变化规律趋于稳定缘故，国外的学者关于中长期预测的研究远远多于短期预测，国内则基本上两者并重，但对于供电低压台区的预测还很少。

目前，有学者对低压台区电网负荷预测进行了研究，提出了诸多负荷预测方法，如：中国专利(201410453192.1)提出来利用小波原理选取负荷数据中的特殊点作为插值点，同时根据Hurst参数与小波系数之间的关系确定迭代函数系统中的垂直比例因子。在此基础上对历史负荷数据进行仿射变换，得到未来时刻的数据，从而实现负荷预测。但是该方法收敛速度慢，易陷入局部极小值等缺点。中国专利(201610815893.4)获取个区域在待预测日的负荷预测值机近期一个样本空间的负荷、气象历史数据并根据基于概率距离的同步回代消除技术得到全天负荷预测序列。但是该方法忽视了季节天气的多样性，保存的正常数据难以覆盖所有类型的天气，所以负荷预测结果可信度不高。

发明内容

本发明所要解决的技术问题是提供一种基于改进人工蜂群(简称ABC)算法的Elman神经网络对短期负荷进行预测的方法。该方法是基于Elman神经网络强大的非线性映射能力，利用人工蜂群训练神经网络的权值和阈值，再将改进ABC算法产生的最优权值与阈值用于Elman神经网络电力系统短期负荷预测，提高负荷预测速度。

为解决上述技术问题，本发明采用的技术方案是：

一种基于改进人工蜂群的Elman神经网络的短期负荷预测方法，包括以下步骤：

步骤1：获取原始数据(包括初始负荷和气象数据集)，并对原始数据利用式(1)和式(2)进行预处理和归一化处理。气象数据包括每小时降水量、气压、湿度、温度、风速，其中温度又分为一个小时内的最高温、最低温和平均温，风速又分为瞬时风、最大风和极大风。

步骤2：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于改进的ABC算法的Elman神经网络。网络结构由输入、输出参数的个数决定，隐含层个数按循环设置不同的个数寻找最优个数n。

步骤3：确定适应度函数，每个食物源的位置为一组输入层权值、输出层权值和隐含层阈值。适应度值fit_i计算公式为：

式中e_i为第i个食物源对应的权值和阈值训练时的均方误差。e_i的计算公式如下：