[发明专利]站所终端负荷预测方法和预测装置

说明书

本发明提供了站所终端负荷预测方法和预测装置，本发明基于采集到的线路电流和电压数据，利用自适应粒子群优化结合自适应鲸鱼优化结合优化问题目标获取全局最优解，将全局最优解作为训练数据利用自适应鲸鱼优化算法优化BP神经网络参数获得预测模型。本发明基于自适应粒子群优化算法和自适应鲸鱼优化算法根据优化目标问题对输入的原始数据进行了优化，去除了不满足要求的噪声数据，优化了训练数据的质量，提高模型的训练时间和预测精度；同时采用了自适应鲸鱼优化算法对于BP神经网络的连接权值和阈值进行了优化，克服了传统BP神经网络容易达到局部极小值的问题，提高了模型的收敛速度和预测精度。

技术领域

本发明涉及站所终端技术领域，具体涉及站所终端负荷预测方法和预测装置。

背景技术

目前负荷预测方法主要分为统计方法和人工智能方法两类，其中统计方法包括时间序列和线性回归，人工智能方法则包括人工神经网络法、支持向量机法及基于深度学习方法等。基于人工智能的方法与统计方法相比，可以有效处理数据中存在的非线性关系。深度学习在负荷预测中的应用多采用深度置信网络(deep belief network，DBN)和循环神经网络(recurrent neural networks，RNN)模型。通过将无监督学习和有监督学习相结合，共同实现DBN的训练，可以实现较高的预测精度；通过将DBN与支持向量机(Support VectorMachine,SVM)相结合实现未来1h的负荷预测，预测精度较高，但忽略了不同时间负荷数据间的联系；将一种基于深度学习的RNN-LSTM模型应用于单位住户的用电量预测中，通过训练集训练后，测试集的预测结果图线可以很好地与实际数据拟合；为实现未来1h负荷值的预测，采用预测点7天前的负荷数据进行网络训练效果最佳；将长短期记忆(long short-term memory，LSTM)网络应用于短期负荷预测，通过将结果与多层BP网络进行对比，可以看出LSTM网络的预测效果远优于后者。然而LSTM网络是将所有输入特征编码成固定长度的向量表示，忽视了其与待预测负荷之间的关联性大小，因而无法有侧重地对历史数据加以利用。通过卷积神经网络(CNN)和LSTM的结合，将CNN提取的特征向量以序列的方式代替原始数据作为LSTM的输入，获得比传统方法更好的预测精度。但无论这是直接应用LSTM还是改进LSTM，均没有对优化器的学习率进行专门的设置，导致预测精度到了一定程度后难以提升。

目前站所终端负荷预测方法的预测值、误差率、稳定性还是收敛速度以及负荷预测精度都需要进一步提高，以满足实际应用需求。

发明内容

本发明旨在解决现有技术存在的以上不足的只要一个方面，提供了站所终端负荷预测方法和预测装置。本发明采用了以下技术方案。

一方面，本发明提供了站所终端负荷预测方法，包括如下步骤：

步骤1：定义优化目标问题及解空间，设置自适应粒子群优化算法和自适应鲸鱼优化算法的参数值；将采集到的线路电流数据和电压数据作为初始种群，将初始种群随机划分两个同等规模的子种群S1和子种群S2；利用混沌映射对子种群S1和子种群S2的位置进行初始化；

步骤2：当迭代次数小于设定的最大迭代次数，每次迭代过程中，子种群S1中的个体执行自适应粒子群优化算法求解所述优化目标问题，子种群S2中个体执行自适应鲸鱼优化算法求解所述优化目标问题；将子种群S1和子种群S2中一次更新后的个体分别按照适应度从高到低进行降序排序，按照特定比例从更新后的按照降序排列的两个种群中依次提取个体组合为与子种群S1和子种群S2同等规模的子种群S3；

对子种群S3中的个体进行信息交叉替换，然后将子种群S3中的个体重新组合后按照之前选择的特定比例随机返回子群体S1和子种群S2，替换原有种群中对应个体的位置，保持子种群S1和子种群S2规模不变；计算个体适应度值，更新全局最优解；

步骤3：迭代过程重复执行步骤2直至满足终止条件，输出全局最优解；否则，返回迭代阶段重复寻优过程；