[发明专利]基于PSO-BP模型的停限产情况下的电量预测方法

权利要求书

1.一种基于PSO-BP模型的停限产政策下的电量预测方法，其特征在于，包括以下步骤：

步骤1：分析在停限产政策下地区用电量预测的影响因素，构建PSO-BP模型；

步骤2：将样本数据作为PSO-BP模型的输入，并对其进行归一化处理，其中样本数据包括历史用电量和历史用电量影响因素；

步骤3：利用PSO-BP模型训练样本数据，将历史用电量影响因素作为PSO-BP模型的自变量，将历史用电量作为PSO-BP模型的因变量，在网络误差反向传播过程中，利用PSO算法优化BP神经网络的权值和阈值，通过计算不同参数的预测精度，得到优化后的BP神经网络的权值和阈值；

步骤4：训练PSO-BP模型，将经过PSO算法优化后的BP神经网络的权值和阈值以及预测样本输入PSO-BP模型中，得到预测样本的日用电量预测值。

2.根据权利要求1所述的一种基于PSO-BP模型的停限产政策下的电量预测方法，其特征在于，所述步骤1构建PSO-BP模型的方法为：首先定义PSO中的粒子位置对应着BP神经网络中一组待优化的权值阈值，在网络误差反向传播过程中利用PSO算法优化BP神经网络的权重与阈值，即在确定神经网络结构的基础上，将BP神经网络的权值按统一的次序排列为一个向量的元素，将该向量作为粒子群中的一个粒子，将BP神经网络正向传播过程得到的误差作为PSO算法的适应度函数，由BP神经网络和PSO算法的循环迭代来找到最佳的BP网络的权值。

3.根据权利要求1所述的一种基于PSO-BP模型的停限产政策下的电量预测方法，其特征在于，所述步骤2对数据进行归一化处理的计算公式为：

其中，是经归一化处理的样本数据，x_i是样本数据，x_max是样本数据中的最大值，x_min是样本数据中的最小值。

4.根据权利要求1所述的一种基于PSO-BP模型的停限产政策下的电量预测方法，其特征在于，所述历史用电量影响因素包括AQI指数、钢铁产量、水泥产量、最高气温、最低气温、风力、降水和日类型。

5.根据权利要求1所述的一种基于PSO-BP模型的停限产政策下的电量预测方法，其特征在于，所述步骤3利用PSO算法优化BP神经网络的权值和阈值，即在确定神经网络结构的基础上，将BP神经网络在正向传播过程得到的误差作为PSO算法的适应度函数，由BP神经网络和PSO算法的循环迭代找到最佳的BP神经网络的权值，在网络误差反向传播过程中使用PSO算法优化BP神经网络的权重和阈值，其中选用BP神经网络的均方差作为PSO算法的适应度函数，经过PSO算法优化BP神经网络的权重和阈值，使得BP神经网络的均方差最小，所述适应度函数表示为：

式中，N表示训练的样本数；表示第i个样本第j个网络输出节点的期望输出值；y_j,i表示第i个样本的第j个网络输出节点的实际输出值；M表示神经网络输出层节点数。

6.根据权利要求1所述的一种基于PSO-BP模型的停限产政策下的电量预测方法，其特征在于，所述步骤3利用PSO-BP模型训练样本数据的具体方法为：

(1)确定BP神经网络模型的输入变量、输出变量、输入层节点数n、隐含层节点数h以及输出层节点m，建立网络拓扑结构；

(2)初始化PSO-BP模型的权值和阈值，包括粒子的位置和速度粒子群总数N、最大迭代次数T_max、惯性权重ω的最大值ω_max及最小值ω_min、学习因子c₁和c₂；

(3)对BP神经网络模型的输入变量及输出变量的样本数据进行归一化处理；

(4)将归一化处理后的输入变量及输出变量数据输入BP神经网络模型，计算粒子的适应度函数值，得到粒子的个体最优值与全局最优值；

(5)将每个粒子的适应度函数值与当前时刻的个体最优值pbest和全局最优值gbest进行比较，记录当前最优粒子的位置；

(6)评价每个粒子的适应度值，若该值优于个体最优值P_bd，则将个体最优值P_bd设置为当前值，并更新该粒子的个体最优值；若粒子中的个体最优值优于当前的全局最优值，则将该个体最优值设置为全局最优值并更新全局最优值；

(7)利用PSO算法优化BP神经网络的权值和阈值，将优化后的权值和阈值代入BP神经网络中进行训练，并调节权值和阈值，当满足BP神经网络均方误差小于预先设定的误差或最大迭代次数时，则停止迭代，输出结果，否则继续迭代直至算法收敛。