[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

说明书

本发明公开了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，包括以下步骤：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；构建BP神经网络；随机初始化空气质点数量等参数；确定适应度值；按照适应度值将种群重新排列；风驱动优化算法迭代寻优；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；电力负荷预测。WDO算法对BP神经网络的权值和阈值进行寻优，能够克服BP神经网络存在的易受初始值、学习速率、动量因子影响以及收敛速度缓慢和易陷入局部极小值等不足，提高神经网络的收敛速度和预测精度。

技术领域

本发明涉及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，属于电力负荷预测技术领域。

背景技术

电力负荷预测是电力系统研究中重要的一部分，随着社会经济的快速发展，智能电网的建设开始进入我们的时代任务，以此来提高能源利用率。智能电网的建设能够实现电力系统经济稳定运行，而电力负荷预测工作是智能电网建设不可缺少的一部分。电能是一种特殊的能源，它无法实现大量存储的特点决定了它的生产、运输和使用要求同时完成，发电量过多，会造成电能浪费，过少则会造成停电损失，所以做到按需生产是电力能源管理过程中的重要原则，用电负荷预测是电力系统管理的重要内容。此外，根据过去的记录，方便了电力公司对未来电力需求的估计，它也帮助电力公司在决策和运营规划方面，如日常维护、发电机的调度、燃料的管理和基础设施的发展，同时也是节省能源，提高经济效应及社会效益的有效措施。

对于短期的电力负荷预测，有传统的最小二乘法、回归分析法和时间序列方等，但是由于具有高度非线性的电力负荷的理想的数学模型很难建立，使得这些方法的预测精度也较低，而不准确的负荷预测增加了公用事业公司在解除管制的市场环境下的运营成本。随着神经网络、模糊算法、灰色系统等智能方法的出现，较好地解决了非线性系统的输入与输出的关系。目前，电力负荷预测领域特别是短期负荷预测应用比较广泛的是BP(backpropagation)神经网络，但其有易受初始值、学习速率、动量因子影响以及收敛速度缓慢和易陷入局部极小值的不足。

对电力系统负荷预测的研究已经经历了较长的时间，国外在五、六十年代就开始了对电力负荷预测的研究工作。从整体而言，国内外对负荷预测技术的研究依据技术分类可以分为传统型和新型技术两种类型。然而这些方法大量的迭代运算会导致学习速度慢、涉及随机参数多，往往导致预测结果与实际值差别较大，影响后期的电网运行和电力调度。

发明内容

本发明的目的在于提供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，WDO(wind driven optimization)算法对BP神经网络的权值和阈值进行寻优，能够克服BP神经网络存在的易受初始值、学习速率、动量因子影响以及收敛速度缓慢和易陷入局部极小值等不足，提高神经网络的收敛速度和预测精度。

本发明的目的通过以下技术方案予以实现：

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，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)