[发明专利]一种短期电力负荷预测方法

权利要求书

1.一种短期电力负荷预测方法，其特征是，它包括以下步骤：

S1:选取相似日集

S1.1:选取相似日粗集

选取温度、天气情况、日期类型作为相似日粗集的影响因素，选择待预测日前60天数据、前L年同日期前后各30天数据作为数据样本的范围，L表示样本数据的年限，取决于系统所拥有的数据量，取值范围为2-6；

S1.2:量化影响因素

因温度、天气情况以及日期类型的数量级和单位都不相同，不能做进一步计算，需要对预测日和相似日粗集各影响因素进行量化，

S1.2.1:对于温度的量化：最高气温≥40℃时，量化取值为2.0；最高气温33～39℃时，量化取值为1.9；最高气温26～32℃时，量化取值为1.8；最高气温19～25℃时，量化取值为1.7；最高气温12～18℃时，量化取值为1.6；最高气温5～11℃时，量化取值为1.5；最高气温-2～4℃时，量化取值为1.4；最高气温≤-3℃时，量化取值为1.3；最低气温≤-25℃时，量化取值为2.0；最低气温-24～-18℃时，量化取值为1.9；最低气温-17～-11℃时，量化取值为1.8；最低气温-10～-4℃时，量化取值为1.7；最低气温-3～3℃时，量化取值为1.6；最低气温4～10℃时，量化取值为1.5；最低气温11～17℃时，量化取值为1.4；最低气温≥18℃时，量化取值为1.3；平均气温≤-20℃时，量化取值为2.0；平均气温-19～-12℃时，量化取值为1.9；平均气温-11～-4℃时，量化取值为1.8；平均气温-3～4℃时，量化取值为1.7；平均气温5～12℃时，量化取值为1.6；平均气温13～20℃时，量化取值为1.5；平均气温21～28℃时，量化取值为1.4；平均气温≥29℃时，量化取值为1.3；

S1.2.2对于天气情况的量化：晴时，量化取值0.1；多云时，量化取值0.2；阴时，量化取值0.3；雾时，量化取值0.4；霾时，量化取值0.5；扬沙时，量化取值0.6；小雨时，量化取值0.7；阵雨时，量化取值0.8；雷阵雨时，量化取值0.9；小到中雨时，量化取值1.0；中雨时，量化取值1.1；中到大雨时，量化取值1.2；大雨时，量化取值1.3；大到暴雨时，量化取值1.4；暴雨时，量化取值1.5；雨夹雪时，量化取值1.6；小雪时，量化取值1.7；小到中雪时，量化取值1.8；中雪时，量化取值1.9；中到大雪时，量化取值2.0；大雪时，量化取值2.1；大到暴雪时，量化取值2.2；暴雪时，量化取值2.3；

S1.2.3对于日期类型的量化：周一时，量化取值0.35；周二时，量化取值0.2；周三时，量化取值0.15；周四时，量化取值0.2；周五时，量化取值0.35；周六时，量化取值0.6；周日时，量化取值0.7；节假日时，量化取值1.0，

S1.3:利用改进灰色关联方法选取相似日集

S1.3.1:构造特征矩阵

由步骤S1.2量化后的各影响因素值组成特征向量X，其中预测日特征向量用X₀＝[x₀(1),x₀(2),…,x₀(m)]表示，m是特征向量的维数，相似日粗集中的每日特征向量用X₁，X₂，…，X_n表示，n为相似日粗集中样本的个数,这n+1个序列构成一个m×(n+1)的特征矩阵如式(1)所示，

式中：x₀(k)为预测日的第k个特征，x_i(k)为相似日粗集中第i个样本的第k个特征；

S1.3.2:计算形状相似性灰色关联度

计算预测日序列与相似日粗集中样本序列各分量的差值，组成差值矩阵，如公式(2)所示：

式中：为预测日的第k个特征的值与相似日粗集中第i个样本的第k个特征的值的差,将引入公式(3)计算其形状相似性灰色关联度：

式中：γ₁(x₀(k),x_i(k))为预测日的第k个特征与相似日粗集中第i个样本的的第k个特征的形状相似性灰色关联度；

S1.3.3:计算距离相近性灰色关联度

计算预测日序列与相似日粗集中样本序列各分量的商，组成商矩阵，如公式(4)所示：

式中：为预测日的第k个特征的值与相似日粗集中第i个样本的第k个特征的值的商，将引入公式(5)计算其距离相近性灰色关联度：

式中：γ₂(x₀(k),x_i(k))为预测日的第k个特征与相似日粗集中第i个样本的的第k个特征的距离相近性灰色关联度；

S1.3.4:计算综合灰色关联度

计算相似日粗集中每个历史日与预测日的综合灰色关联度，如公式(6)所示：

式中：为预测日与相似日粗集中第i个样本的综合灰色关联度；

S1.3.5:选取相似日

选择步骤S1.3.4中综合灰色关联度大于0.85的所有相似日粗集样本组成相似日样本集，

S2:构建蝙蝠算法优化的RBF神经网络预测模型

S2.1:数据预处理

S2.1.1:确认负荷预测模型的输入量和输出量

所述输入向量包括相似日前一天t-1、t、t+1时刻的负荷数据及相似日的负荷影响因素，所述输出向量为相似日t时刻的负荷数据，

S2.1.2:对步骤S2.1.1所得输入向量和输出向量按公式(7)、公式(8)进行归一化处理，得到归一化输入向量和归一化输出向量，其中归一化公式为：

式中：M为输入层节点数，N为输出层节点数，d_τ和y_τ分别为归一化处理前原始输入向量和原始输出向量中第τ分量，d_τ,max和d_τ,min分别为归一化处理前原始输入向量中第τ分量的最大值和最小值，y_τ,max和y_τ,min分别为归一化处理前原始输出向量中第τ分量的最大值和最小值，和分别为归一化处理后的原始输入向量和原始输出向量中第τ分量；

S2.2:初始化RBF网络模型

将步骤S2.1.2所得到的归一化后的输入向量和输出向量作为训练样本构建RBF神经网络预测模型，RBF神经网络为三层结构，包括输入层、隐含层和输出层，其中隐含层节点数根据Hecht-Nielsen的经验公式(9)确定：

式中：N_h为隐含层节点数，M为输入层节点数，N为输出层节点数，公式(9)所得值向上取整数，

在RBF神经网络预测模型中，隐含层每个神经元的输出为：

式中：为输入的训练样本,B为样本个数；‖·‖为欧式范数；ε_a表示隐含层第a个神经元核函数的中心向量,由K-means算法确定；σ_a为隐含层第a个神经元的扩展常数；g(·)取高斯函数，即：

S2.3:蝙蝠算法优化RBF模型的权值

S2.3.1:初始化蝙蝠种群,初始化整个种群的蝙蝠个体数量S，每只蝙蝠个体的最大脉冲音强A⁰和最大脉冲发射率R⁰；随机生成第c只蝙蝠在第t′时刻的位置速度脉冲音强和脉冲发射率c＝1,2,···,S；初始化蝙蝠种群回声定位的最大频率f_max和最小频率f_min，脉冲音强衰减系数α，脉冲发射率增加系数μ，整个种群最大迭代次数Z，当前迭代次数z，搜索精度θ；

S2.3.2:记录当前迭代次数，根据公式(12)计算第c只蝙蝠个体适应度值Fitness(c)：

式中：B为训练样本集中样本个数，N为输出层节点数；为第c个样本的第q个输出节点的预测值，为第c个样本的第q个输出节点对应的实际值；同理利用公式(12)求出剩下S-1只蝙蝠的适应度，再在所有的适应度值中找出适应度值最小的作为当前最优适应度F_best,所对应的位置为当前最优解，标记为P_best；

S2.3.3:判断当前迭代次数z是否达到最大迭代次数Z或当前最优适应度小于搜索精度θ，如果满足上述终止条件，则进入步骤S2.3.8；否则进入步骤S2.3.4，

S2.3.4:根据公式(13)、公式(14)、公式(15)更新每只蝙蝠的速度和位置,并把更新后的位置作为当前位置，根据公式(12)计算新解的适应度，更新每只蝙蝠的历史最优解和蝙蝠种群的全局最优解，

f_c＝f_min+(f_max-f_min)×β (13)

式中：f_c是第c只蝙蝠的回声定位频率，且f_c∈[f_min,f_max]；β是均匀分布在[0,1]上的随机数；分别表示蝙蝠c在t′时刻和t′+1时刻的速度，分别表示蝙蝠c在t′时刻和t′+1时刻的位置；

S2.3.5：在[0,1]范围内随机生成一个数rand1，如果则在当前所有个体中选择一个个体为全局最优个体位置P_best，利用公式(16)在P_best附近随机产生一个局部个体，计算这个局部个体的适应度值F_new，

式中：θ是[0,1]上的随机数，P_new表示蝙蝠的新位置，P_old表示蝙蝠的旧位置，表示当前蝙蝠种群中所有蝙蝠的脉冲音强的平均值；

S2.3.6:在[0,1]范围内随机生成一个数rand2,如果且F_new<F_best，则接受新解为当前最优全局个体，更新蝙蝠历史最优解和全局最优解，保存其适应度值，利用公式(17)、公式(18)减小脉冲音强和增大脉冲发射率，

式中，α为脉冲音强衰减系数，μ为脉冲发射率增加系数；分别表示蝙蝠c在t′时刻和t′+1时刻的脉冲音强；为第c只蝙蝠的最大脉冲发射率，为蝙蝠c在t′+1时刻的脉冲发射率；

S2.3.7:更新迭代次数z＝z+1，返回步骤S2.3.3；

S2.3.8:将蝙蝠算法全局最优解作为RBF神经网络隐含层到输出层的权值矩阵W，构建蝙蝠算法优化的RBF神经网络预测模型，

S3:利用蝙蝠算法优化的RBF神经网络模型对预测日电力负荷预测

将预测日的电力负荷影响因素及预测日前一天t-1、t、t+1时刻的负荷数据按公式(7)归一化后作为预测输入向量，将该预测输入向量输入到训练好的RBF神经网络中，经公式(19)得到预测日t时刻的电力负荷预测的输出值，

式中：w_aτ为隐含层到输出层的连接权值,h_a为隐含层每个神经元的输出，a＝1,···,N_h,N_h为隐含层节点数，N为输出层节点数；为与输入样本对应的网络的第τ个输出节点的实际输出值，

再将得到的输出值经公式(20)反归一化处理得到预测日t时刻的电力负荷预测值，

式中：表示反归一化处理后的电力负荷预测值，y_τ，max和y_τ，min分别为归一化处理前原始输出向量中第τ分量的最大值和最小值。

2.根据权利要求1所述的一种短期电力负荷预测方法，其特征是，所述L取决于系统所拥有的数据量的取值为3。