[发明专利]基于ACDE和BP神经网络的电力负荷预测方法

权利要求书

1.一种基于ACDE和BP神经网络的电力负荷预测方法，其特征在于，包括训练阶段和测试阶段，其中，训练阶段包括以下步骤：

步骤101、对原始数据集进行随机抽取，产生训练集和测试集，对训练集的数据进行归一化处理；

步骤102、设置自适应混沌差分进化算法参数，对其进行混沌初始化操作，并将归一化后的训练集输入到BP神经网络中，对BP神经网络进行训练，将BP神经网络的输出值与实际值误差平方和结果作为自适应混沌差分进化算法的目标函数，采用误差大小和迭代次数作为寻优结束的判据，若达到结束条件，则获得最优的权值和阈值，否则进行自适应变异、交叉、选择及混沌细搜索操作，并获得新的参数值；

步骤103、建立ACDE-BP神经网络模型；

步骤104、将归一化后的训练集输入到ACDE-BP神经网络中进行训练，获得ACDE-BP神经网络的参数初始值；

测试阶段包括以下步骤：

步骤201、对测试集中的数据按照训练阶段中的归一化参数进行归一化处理，得处理后的测试集；

步骤202、将步骤201得到的测试集的数据序列分别代入对应的已经训练调整好的ACDE-BP神经网络模型中，得到测试集的数据序列对应的预测值；

步骤203、得到测试集的完整预测值，输出预测值，并将预测值反归一化得到完整的电力负荷预测值。

2.如权利要求1所述的一种基于ACDE和BP神经网络的电力负荷预测方法，其特征在于，步骤101中，所述归一化处理基于下列公式：

式中，x'为归一化后的训练数据，x为原始的训练数据，x_min为训练集中训练数据的最小值，x_max为训练集中训练数据的最大值。

3.如权利要求1所述的一种基于ACDE和BP神经网络的电力负荷预测方法，其特征在于，步骤103中所述ACDE-BP神经网络模型包括：

差分进化算法：DE的三种进化过程包括变异、交叉和选择；

自适应缩放因子：采用自适应缩放因子，其取值随着迭代次数G的改变而改变，自适应缩放因子的定义如下式：

式中，F_j(G)表示当前第G代子群体i中第j个个体的自适应缩放因子；F_max和F_min分别为自适应缩放因子的上下限；分别为当前第G代子群体i中第j个个体随机选择的适应度最优、次优和最差的个体；

混沌搜索策略：采用Logistic映射，其基本表达式如下：

χ_t+1＝f(μ,χ_t)＝μχ_t(1-χ_t)

式中：t是自然数；χ_t为0到1间任意值，χ_t∈[0,1]；μ为Logistic参数，μ∈[0,4]，μ＝4时，系统处于完全混沌状态；f是[0,1]的满映射。