[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

说明书

本发明公开了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，所述方法包括：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；建立人体体感舒适度模型；利用遗传算法对脉冲神经网络进行训练；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；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；本发明的优点在于：减少算法运行时间和资源，提升算法的稳定性，加快训练效率。

技术领域

本发明涉及电力负荷预测领域，更具体涉及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。

背景技术

在电力系统中，配电网的任务就是给用户配送持续合格的电能，由于在电网中发电与用电之间存在着同时性，故电网管理调度部门需要提前做好发电预案。因此，电力负荷预测就成为电力系统运行调度中非常重要的内容。因此，短期负荷预测(Short Term LoadForecasting,STLF)的准确性直接关系到电力公司的运营成本。电力负荷的变化具有随机性，但在整体上又呈现一定的规律性。可将电力负荷分为天气敏感型负荷和基本负荷，天气敏感型负荷是容易受气象变化影响的一类负荷，例如夏季城市中热岛效应使得空调负荷比例因天气而大大升高；而基本负荷短时间内不会明显变化。因此，若精准把握天气敏感型负荷的变化趋势，就能更加准确地预测短期内的负荷走势。天气敏感型电力负荷预测需要获取实时天气数据，作为预测依据。并使用历史负荷数据作为基准。近年来，人工智能技术持续火热，很多学者将人工智能技术引入电力负荷预测中，并取得了相对于传统方法更高的精确度和鲁棒性。研究者们针对不同的负荷类型，因地制宜地使用了不同类型的人工神经网络进行负荷预测。

在传统的天气敏感型负荷预测方法中，传统神经网络模型对于具有丰富时空特性、混沌特性以及非线性的，天气敏感型电力负荷预测问题处理性能仍然不佳。传统神经网络复杂的拓扑结构往往导致学习效率低下。而时间编码的脉冲神经网络(Spiking NeuralNetwork，SNN)所特有的时空计算能力，成为解决天气敏感型电力负荷预测问题的更好选择。

在传统脉冲神经网络训练方法研究中，研究者发现，脉冲神经网络的激活函数可能出现不可微性，因此不能用传统的BP反向传播方法进行训练。针对这一问题，研究者们应用了遗传算法对脉冲神经网络进行训练。但是其脉冲神经网络训练所使用的遗传算法的具有严重缺陷，自身不稳定，变异在带来产生优秀个体的同时，也增加了产生更劣等个体的可能性。故算法可能会在若干次交叉互换和变异后，仍然难以得到令人满意的结果，并且耗费了大量时间和资源，综述，其在脉冲神经网络进行训练过程中易出现不稳定性缺陷，训练效率低。

发明内容

本发明所要解决的技术问题在于如何解决现有天气敏感型负荷预测方法在对脉冲神经网络进行训练过程中易出现不稳定性缺陷，训练效率低的问题。

本发明通过以下技术手段实现解决上述技术问题的：基于脉冲神经网络的天气敏感型电力负荷预测方法，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；