[发明专利]基于蚁群神经网络的负荷预测方法及包含该方法的系统、存储器

权利要求书

1.基于蚁群神经网络的负荷预测方法，其特征在于包括以下步骤：

S1:选取历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据相关的历史气象数据；

S2:建立BP神经网络，将气象数据作为输入量，负荷数据作为输出量，设定隐含神经元个数，并确认学习规则；

S3:根据所述的神经网络包含的权值个数n建立检索地图，所检索地图由n个权值生成的数据集合构成；

S4:初始化检索地图上的所有元素的概率相等，并初始化蚂蚁个数；

S5:驱动每一个蚂蚁按概率在n个权值集合的元素间爬行；

S6:计算每一个蚂蚁在所述权值集合的元素中留下的信息素；

S7:计算权值的元素所经过蚂蚁留下的信息素总和，获得累积信息素；

S8:根据所述信息素更新蚂蚁经过权值的元素的概率：

其中，α表示信息素的相对重要程度，β表示启发式因子的相对重要程度；J_a(i)表示蚂蚁a下一步选择的城市集合，t为时刻；η_ij(t)表示t时刻的启发式因子，反映蚂蚁从元素i到元素j的启发程度；τ_is(t)表示在t时刻在i集合中s元素上的信息素；

S9:重新执行步骤S5，至最大迭代次数或终止条件；

S10:输出最优值的蚂蚁所爬行进过的权值元素；

S11:将所述权值元素代入BP神经网络对应权值，并将历史负荷数据及其相关的历史气象数据代入神经网络完成训练。

2.根据权利要求1所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S6中，蚂蚁爬过的权值元素留下的信息素：

其中，Q表示蚂蚁a完成一次循环之后所产生的信息素和，为设定的常量；e^a为元素j成神经网络的权值之时，所有的训练样本的最大输出误差，即n为样本数目，x₀与x_k为神经网络的实际输出以及期望输出值。

3.根据权利要求1所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S7中，所经过蚂蚁留下的信息素总和：

其中，ρ表示信息素的挥发系数，表示在t+1次循环在权值集合第j个元素留下的信息素总和。

4.根据权利要求1-3任意一项所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S2中的输入量还包括日期类型。

5.根据权利要求1-3任意一项所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S1中还包括对所述历史负荷数据、所述气象数据的清洗。

6.根据权利要求1-3任意一项所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S1中还包括对所述历史负荷数据，所述历史气象数据进行归一化处理。

7.根据权利要求1-3任意一项所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S1中的所述历史日期是指预测日前N天，所述历史负荷数据是指预测日前N天的M时段的负荷数据，所述历史气象数据包括前N天的最高温度、最低温度及M时段的温度、湿度。

8.根据权利要求1-3任意一项所述的基于蚁群神经网络的负荷预测方法，其特征在于：步骤S9中所述终止条件为所有蚂蚁收敛至同一路径。

9.一种存储器，其特征在于包含权利要1-8任意一项所述的基于蚁群神经网络的负荷预测方法。

10.一种负荷预测系统，包括数据预处理模块、BP神经网络模块、蚁群优化模块及输出模块，其特征在于：

所述数据预处理模块用于采集历史日期的历史数据，所述历史数据包括历史负荷数据以及与所述历史负荷数据相关的历史气象数据；

所述BP神经网络模块用于接收气象数据，输出负荷数据；

所述蚁群优化模块用于优化所述神经网络模块的权值，蚂蚁经过权值的元素的概率：

其中，α表示信息素的相对重要程度，β表示启发式因子的相对重要程度；J_a(i)表示蚂蚁a下一步选择的权值元素的集合，t为时刻；η_ij(t)表示t时刻的启发式因子，反映蚂蚁从元素i到元素j的启发程度；τ_is(t)表示在t时刻在i集合中s元素上的信息素；

所述输出模块用于在接收预测日气象数据后输出预测负荷数据。