[发明专利]基于PSO-BP模型的停限产情况下的电量预测方法

说明书

本发明公开了属于电量预测技术领域的一种基于PSO‑BP模型的停限产政策下的电量预测方法。该方法首先对输入数据进行分析处理；然后，将历史用电量影响因素作为自变量，将历史用电量作为因变量进行样本训练，使用PSO算法优化BP神经网络的权值和阈值，计算不同参数的预测精度，得到预测精度高的BP模型的权值和阈值；最后对BP神经网络模型预测，将粒子群算法优化后的参数以及预测样本输入预测模型，得到预测值。本发明利用PSO优化BP神经网络算法，考虑空气质量指数、气象因素和主要停限产产品产量因素对用电量的影响，对用电量的特征向量进行学习训练，经实验验证预测效果较理想，针对停限产政策影响下的地区用电量预测提供了一种新思路。

技术领域

本发明属于电量预测技术领域，尤其涉及一种基于PSO-BP模型的停限产情况下的电量预测方法。

背景技术

电力行业的发展必须通过不断提高电网的运行效率来满足经济社会发展及人民生活用电的需求。正确的判断和预测未来的电力需求变化趋势对于电力企业准确、科学、合理的进行规划，提高电力系统运行的稳定性和经济性具有至关重要的意义。近年来，为了有效保证重大事件及活动的举办地区的空气质量，政府将实施暂时性停产、限产措施。在重大活动期间停限产措施在明显改善空气质量的同时，终端企业用电水平很大幅度降低。因此，对基于停限产政策影响下的地区用电量预测方法进行研究具有重要理论价值和现实意义。

针对用电量预测方法，现有的预测技术主要可分为两类：一类是以回归分析、灰色预测型、时间序列预测模型为代表的传统预测方法，一类是以BP神经网络、支持向量机为代表的智能预测技术。随着对模型预测精度要求的提高，传统预测技术已渐渐满足不了预测，正逐步被智能预测技术所替代。目前在用电量预测研究中，研究者们主要关注经济因素、季节因素、气象因素与用电量之间的规律。但是，鲜有从空气质量指数、气象因素和停限产量角度考虑停限产政策影响下地区用电量的智能预测方法。

发明内容

针对上述问题，本发明提出了一种基于PSO-BP模型的停限产情况下的电量预测方法，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。

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。

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。

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。