[发明专利]电网短期负荷预测方法、预测装置及存储介质

说明书

本发明公开了一种电网短期负荷预测方法、预测装置及存储介质，旨在解决现有电网负荷预测精准度不足的技术问题。其包括：根据电网负荷时间序列计算离散随机变量的互信息熵，并利用互信息熵滤除松散相关的离散随机变量，获得负荷时间输入信号；根据负荷时间输入信号构建人工神经网络；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。本发明能够避免人工经验选取数据的不足，获取最优的输入变量集合，同时利用差分进化算法获得最优的预测结果，提高负荷预测的效率和准确度。

技术领域

本发明涉及一种电网短期负荷预测方法、预测装置及存储介质，属于电力系统负荷预测技术领域。

背景技术

电力系统负荷预测对电力系统的安全、经济和可靠运行具有重要的作用，机组调度、经济负荷分配等运行规划的优劣都与准确、快速的负荷预测密切相关。国内外学者对负荷预测方法的研究从未间断，现已形成两大类方法，一类是以时间序列法为代表的传统方法；另一类是以人工神经网络法为代表的人工智能方法。

在电网短期负荷预测建模过程中，输入变量的选取对模型预测结果有很大的影响，目前的负荷预测建模通常通过经验选取输入变量，但该做法高度依赖技术人员的主观经验，缺乏理论依据，同时，人工选择的输入变量维数过高，容易引入冗余变量，增加模型训练复杂度，降低了预测性能。而选择少量输入变量时，又难以获得足够的信息表征输出特性。因此，在训练模型前需要建立最优输入变量集合以克服人工经验选取的不足。

利用神经网络进行电力负荷预测时，前向神经网络可以通过学习，从复杂的样本数据中拟合出输入输出之间高维、非线性的映射关系，从而进行较高精度的预测。但是该方法不能明确区别影响因素对负荷数据的影响，网络结构不能自动寻优确定，易陷入局部最优的负荷预测结果。

发明内容

为了解决现有技术中电网短期负荷预测精准度不足的问题，本发明提供一种电网短期负荷预测方法、预测装置及存储介质，通过互信息熵进行负荷时间序列数据分级，选取最优输入变量，然后利用差分进化算法对人工神经网络进行优化，提高电网短期负荷预测效率和准确度。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了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，具体包括如下步骤：

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。

结合第一方面，进一步的，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。

结合第一方面，进一步的，步骤A中利用互信息熵对负荷时间序列进行预选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：