[发明专利]基于松鼠杂草混合算法的神经网络短期电力负荷预测方法

说明书

本发明提出了一种基于松鼠杂草混合算法的神经网络短期电力负荷预测方法，步骤为：将待预测日前的历史电力负荷、气象因素及日期类型组成样本数据集，运用SPSS软件因子分析对气象因素数据进行主成分分析，提取主成分代替原来的气象因素变量组成新的样本数据集；将归一化后的历史电力负荷数据作为输出样本，气象因素和日期类型作为输入样本；应用松鼠杂草混合算法优化BP神经网络的权重和阈值构建SSIWO‑BP神经网络预测模型；将待预测日期类型和气象因素数据输入SSIWO‑BP神经网络预测模型预测电力负荷值。本发明考虑松鼠杂草混合算法的全局收敛性、高维空间下的稳定性，优化BP神经网络参数，增强了神经网络的泛化能力，提高了模型的预测精度。

技术领域

本发明涉及短期电力负荷预测的技术领域，尤其涉及一种基于松鼠杂草混合算法的神经网络短期电力负荷预测方法。

背景技术

在电力系统中，短期电力负荷预测是电网安全运行和节约运行成本的重要手段。随着现代社会的经济发展水平不断提高，电力负荷也一直呈现不断增长趋势。然而影响电力负荷的因素有很多，比如经济因素、气象因素、日期类型因素、地域因素、季节因素等。在电力负荷预测方面最大的问题是预测模型的建立，电力负荷预测实际上就是通过已有的历史数据和影响电力负荷因素的其他数据一起进行建模，回归拟合出一种输入与输出的映射关系，进而通过已有的数据来预测未知的电力负荷。因此，所选的预测模型直接影响着预测精度。

在短期电力负荷预测中，经典的预测方法有回归分析、时间序列法、卡尔曼滤波法等传统数理统计方法。20世纪90年代初，随着人工智能技术的发展，一些智能方法被引入到短期负荷预测中，如专家系统、模糊预测、小波分析、混沌理论和SVM等。但其中仍存在程序复杂、精度低、收敛速度慢、稳定性差等缺点。

目前，BP神经网络在短期负荷预测中得到了广泛的应用。经典的BP神经网络能够很好地拟合复杂样本数据输入与输出之间的高维非线性映射关系，从而实现高精度的预测。但该方法对负荷数据的影响因素识别不清，网络结构不能自动确定，预测结果容易陷入局部最优。随后一些学者采用进化算法和群智能算法优化BP神经网络参数的方法，取得了很好的预测效果。Panda等采用差分进化算法(DE)，Wang等采用遗传算法(GA)，Almeshaiei等通过时间序列法建立电量预测模型，但该方法对突发事件预测较差；Ray等通过建立BP神经网络对短期电量进行预测，但其运用梯度下降对网络参数进行训练的方法，易陷入局部最优，预测效果变差。Zhao等采用粒子群优化算法(PSO)来获得更好的预测性能。在样本是高维的情况下，预测效果变得较差。

发明内容

针对预测样本在高维度的情况下收敛速度慢，精度低等问题，本文提出了一种改进的松鼠算法来优化网络参数，此优化算法在求解高维优化问题方面有很好的效果，对于文中大量高维度的样本数据问题，运用改进的松鼠算法优化后的神经网络在预测电力负荷方面达到很好的精度。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于松鼠杂草混合算法的神经网络短期电力负荷预测方法，其步骤如下：

步骤一：将某地区待预测日前的历史电力负荷、气象因素及日期类型的数据组成样本数据集，运用SPSS软件的因子分析对样本数据集中的日最高温度、日最低温度、日平均温度、相对湿度和降水量的气象因素数据进行主成分分析并提取主成分代替原来的气象因素变量；

步骤二：将步骤一提取的气象因素主成分与日期类型的数据组成新的样本数据集，并归一化；

步骤三：将杂草算法的繁殖、空间扩散机制应用到松鼠算法中构成松鼠杂草混合算法，利用步骤二归一化后的气象因素的主成分数据与日期类型数据作为输入样本，构建出SSIWO-BP神经网络预测模型，历史电力负荷数据作为输出样本对BP神经网络进行训练；SSIWO-BP神经网络预测模型在训练的过程中，应用SSIWO算法代替传统的梯度下降法来优化BP神经网络的权重和阈值；