[发明专利]基于脉冲神经网络的天气敏感型电力负荷预测方法及装置

权利要求书

1.基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述方法包括：

步骤一：将气象变量输入数据进行时间编码，得到编码后的脉冲数据；

步骤二：建立人体体感舒适度模型，依据人体体感舒适度模型获取人体舒适度与负荷区间映射关系；

步骤三：利用遗传算法对脉冲神经网络进行训练；遗传算法包括根据染色体向量构建优胜矩阵和劣汰矩阵，获取优胜矩阵与劣汰矩阵的差异百分比，将优胜矩阵与劣汰矩阵的差异百分比由大到小排序，将前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量，然后进行遗传操作获得新的种群，进行变异操作，随机选取变异参数的索引，判断变异参数的索引指向的向量是不是关键特征参数向量并更新染色体向量；

步骤四：将编码后的脉冲数据输入训练好的脉冲神经网络，对脉冲神经网络的输出数据进行数据解码得到当前时刻负荷；

步骤五：根据当前时刻负荷以及负荷区间端点值利用输出结果判定式检验当前时刻负荷是否属于异常数据，若不是则输出当前时刻负荷，若是则剔除该异常数据并记录当前时刻气象变量输入数据以及异常数据。

2.根据权利要求1所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述气象变量输入数据包括温度、湿度、风速以及被测地区的N个时间点的历史负荷数。

3.根据权利要求2所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述步骤二包括：所述人体体感舒适度模型为C_i＝0.25T_i²-10T_i²+100+10.12H_i+0.25(T_i-20)S_i，其中，T_i为i时刻的温度，H_i为i时刻的湿度，S_i为i时刻的风速，C_i为i时刻的人体体感舒适度。

4.根据权利要求1所述的基于脉冲神经网络的天气敏感型电力负荷预测方法，其特征在于，所述步骤三包括：

步骤301：将脉冲神经网络中待调整参数规整进一个染色体向量中，用随机数生成M个染色体向量Chrom_q[p]，Chrom_q[p]表示初始的第q个染色体向量，[p]表示第q个染色体向量中的第p个特征参数向量，特征参数向量长度41，M为初始种群总数；

步骤302：将初始的第q个染色体向量输入脉冲神经网络，利用公式计算初始的第q个染色体向量的契合度值，其中，为期望输出值，为实际输出值，Fit_q为初始的第q个染色体向量的契合度值；

步骤303：将所有染色体向量根据契合度值由大到小排序，选取契合度值排在前40％的染色体向量，以每个染色体向量成一行的规则组成优胜矩阵A，并将余下60％的染色体向量淘汰，并以每个染色体向量成一行的规则组成劣汰矩阵B，其中，优胜矩阵A为行、41列的矩阵，劣汰矩阵B为行、41列的矩阵；

步骤304：利用公式计算优胜矩阵A的第col列的平均数，利用公式计算劣汰矩阵B的第col列的平均数，利用公式计算优胜矩阵A与劣汰矩阵B的差异百分比，其中，rowA为优胜矩阵A的行索引，劣汰矩阵B的行索引，col为矩阵的列的索引，为优胜矩阵A的平均数，为劣汰矩阵B的平均数，differ_col为优胜矩阵A与劣汰矩阵B的差异百分比；

步骤305：矩阵的列的索引col自增一次，返回执行步骤304，直到col＞41停止执行，将每列的优胜矩阵A与劣汰矩阵B的差异百分比由大到小排序，选取前5个列对应的特征参数向量作为导致被淘汰的关键特征参数向量；

步骤306：将优胜矩阵A中的染色体向量进行复制并将复制后的染色体向量随机交叉互换，生成新的子代染色体向量，优胜矩阵A中染色体向量总数增加，新的子代染色体向量形成新的种群；

步骤307：利用公式随机选取变异参数的索引，若变异参数的索引指向的向量不是关键特征参数向量，则利用公式Chrom_q[p]'＝Chrom_q[p]+r(0.5-random())更新第q个染色体向量，若变异参数的索引指向的向量是关键特征参数向量，则利用公式更新第q个染色体向，其中，Chrom_q[p]'为更新后的第q个染色体向量，为优胜矩阵A的第p列的平均数，为劣汰矩阵B的第p列的平均数，r为更新步长，random()随机数函数，生成(0，1)之间的随机数；

步骤308：以新的种群作为初始种群，以更新后的第q个染色体向量作为初始的第q个染色体向量，循环执行步骤302至步骤307，直到初始的第q个染色体向量的契合度值小于δ，停止循环，脉冲神经网络训练完成，其中，δ为训练目标精度，δ取值范围为2％～5％。