[发明专利]基于风驱动优化BP神经网络的电力系统负荷预测方法

权利要求书

1.一种基于风驱动优化BP神经网络的电力系统负荷预测方法，其特征在于，包括以下步骤：

第一步：采集历史用电负荷作为输入数据，并进行归一化处理，创建BP神经网络；由于采集的历史用电负荷数据数值大小差异较明显，需要进行数据异常处理和归一化处理，使得处理后的数据分布范围为[0，1]，避免产生学习误差；

(1)异常数据处理：设置一个阈值δ作为相邻两点负荷变化范围的上限，如果相邻两点负荷差值的绝对值超过设定阈值δ时，就认为是异常数据；如公式(1)所示，即当

时，L_d,t即被当做异常数据予以剔除；然后将缺失数据进行补全，采用平均值的方法平稳序列的突变，处理公式如式(2)所示：

L_d,t＝(L_d,t+L_d,t+1)/2 (2)

式中，L_d,t为第d天t时刻的负荷数据；

L_d,t-1为第d天t-1时刻的负荷数据；

L_d,t+1为第d天t+1时刻的负荷数据；

(2)数据归一化处理：防止输入数据的绝对值过大，保证输出数据中数值小的不被吞食，加快训练网络的收敛性，需要把输入数据限制在[0，1]范围内；数据归一化的处理公式如式(3)所示：

式中，L_max和L_min分别为训练样本负荷数据的最大值和最小值；

第二步：构建BP神经网络；确定网络输入、输出、隐含层节点数并将处理后的样本数据作为输入层和输出层参数带入建立好的BP神经网络模型中，建立BP神经模型；

第三步：随机初始化空气质点数量、设置最大迭代次数、空气摩擦系数α、地球重力加速度g、理想气体常数R、温度T、常数c、搜索边界，以及定义压力函数，即适应度函数；其中，空气质点数表示为一个个体成员，其坐标值表示解决当前问题的一个候选方案；压力表示为赋给空气质点的一个值，认为是该空气质点的适应度，压力函数即为空气质点的适应度函数；c＝-2|Ω|RT，Ω为地球旋转角速率；

其中，空气质点数量、最大迭代次数分别设为100和200；

第四步：确定适应度值：将风驱动优化算法每次迭代后空气质点的初始位置作为BP神经网络初始权值与阈值；适应度值为不同的样本下的适应度函数值，适应度函数fit为训练样本的目标输出与实际输出误差的相关函数，即适应度函数，定义适应度函数fit如式(4)所示：

其中，y_k和y'_k分别为第k个样本的目标输出和实际输出；n为训练样本数；位置表示为一个空气质点的坐标，代表优化问题的一种解决方案；

第五步：随机初始化空气质点，随机分配起始速度和位置，计算当前迭代中空气质点的压力值，即适应度值，并按照适应度值将种群重新排列；速度表示为每次迭代的位置偏移量，种群表示为一个预定数量的由不同空气质点组成的集合；

第六步：风驱动优化算法迭代寻优：更新所有空气质点的速度，并检查速度值是否越界；更新所有空气质点的位置，并检查位置是否越界，直至达到最大迭代次数；输出当前最优值，作为BP神经网络的最优权值和阈值；

第七步：利用风驱动优化算法优化网络初始阈值和权值，构建改进的风驱动优化BP神经网络模型，并用训练样本进行训练，直至输出小于最小误差ε＝y_i-y'_i；

第八步：电力负荷预测：用训练好的风驱动优化BP神经网络预测测试样本输出，对电力负荷进行预测。

2.如权利要求1所述的基于风驱动优化BP神经网络的电力系统负荷预测方法，其特征在于，第一步异常数据处理，设置阈值δ＝500作为相邻两点负荷变化范围的上限。