[发明专利]电网短期负荷预测方法、预测装置及存储介质

权利要求书

1.一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，包括如下步骤：

步骤A、根据电网负荷时间序列计算离散随机变量的互信息熵，并利用互信息熵对负荷时间序列进行分级，滤除松散相关的离散随机变量，获得负荷时间输入信号；

步骤B、根据负荷时间输入信号构建人工神经网络；

步骤C、基于差分进化算法利用人工神经网络进行电网负荷的迭代预测，获得电网负荷的最优预测结果。

2.根据权利要求1所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，所述步骤A中的电网负荷时间序列的具体公式如下：

其中，P为从电网获取的负荷时间序列的矩阵，p(m,n)表示第n天的第m个小时电网消耗的有功功率，m∈[1，24]，n为大于等于1的自然数。

3.根据权利要求2所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，步骤A中利用互信息熵对负荷时间序列进行分级的方法包括如下步骤：

对矩阵P进行归一化处理，获得矩阵P_D；

从矩阵P_D中选取离散随机变量p_i和计算p_i和的联合熵H，具体公式如下：

其中，表示离散随机变量p_i和的联合概率，i,j∈{1,2}，t∈[1，m]；

根据联合熵H计算离散随机变量p_i和的互信息熵MI(P_D,p)，具体公式如下：

其中，pr(p_i)表示离散随机变量p_i的单一概率，即从矩阵P_D中选取离散随机变量p_i的概率，表示离散随机变量的单一概率；

基于二进制编码技术扩展互信息熵MI(P_D,p)后计算MI(P_D,p)的值；

根据互信息熵MI(P_D,p)的值对负荷时间序列进行分级，提取矩阵P_D中相关的离散随机变量，得到矩阵P′_D；

计算矩阵P_D中各列最大值和最小值的平均值，获得平均值集合

从矩阵P_D中提取离散随机变量p_c、p_d，计算p_c、p_d和的联合熵H'，并根据联合熵H'计算p_c、p_d和的互信息熵MI(P_D,p,p^m)，具体公式如下：

其中，表示离散随机变量p_c、p_d和的联合概率，pr(p_c)表示离散随机变量p_c的单一概率，pr(p_d)表示离散随机变量p_d的单一概率，表示的单一概率，c,d∈{1,2}；

基于二进制编码技术扩展互信息熵MI(P_D,p,p^m)后计算MI(P_D,p,p^m)的值；

根据互信息熵MI(P_D,p,p^m)的值对负荷时间序列进行分级，提取矩阵P_D中相关的离散随机变量，得到矩阵P_D；

取矩阵P′_D和矩阵P″_D的交集，进行二进制编码，得到负荷时间输入信号。

4.根据权利要求3所述的一种基于神经网络和差分进化算法的电网短期负荷预测方法，其特征在于，获得矩阵P_D的方法包括如下步骤：

以列为单位提取矩阵P中的每一列数据，并计算每一列数据的最大值p_n,max和最小值p_n,min；

将每列中的数据依次除以该列的最大值p_n,max，完成矩阵P中每一列数据的归一化处理，得到归一化后的矩阵P_D。