[发明专利]基于调整PSO惯性权重的母线短期负荷预测方法及装置

说明书

本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法及装置，包括：S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度。

技术领域

本发明属于短期负荷预测领域，尤其涉及一种基于调整PSO惯性权重的母线短期负荷预测方法及装置。

背景技术

随着经济的快速发展和用电量水平的大幅上升，现有的电力市场中电网公司与售电部门通常是分离，电网公司的负荷侧数据需要从母线侧收集，因此，母线短期负荷预测对电网公司的运营具有重要意义，准确的负荷预测对综合能源系统的经济调度和优化运行有着重要的影响。

随着人工智能算法的不断发展，通常采用BP神经网络对母线短期负荷进行预测，同时为了避免BP神经网络(Back Propagation Neural Network)的过拟合问题，通过粒子群优化算法(Particle Swarm Optimization，PSO)对BP神经网络中的参数进行优化，设置通过迭代寻找粒子中的最优解，结合惯性权重调整粒子使其收敛，从而根据收敛的最优解实现对BP神经网络中的参数进行优化。然而，PSO中的惯性权重若设置不当，则会影响PSO的寻优效果，进而影响BP神经网络的预测精度。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法，包括：

S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；

S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；

S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；

S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。

可选的，所述BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。

可选的，所述S200包括：

获取粒子i在第k次迭代时的速度和位置其中，表示BP神经网络的各个参数，i、k的取值范围均为正整数；

基于公式一计算粒子i在第k次迭代时的适应度；

其中，fitness表示适应度，n为粒子总个数，为第k次迭代时以粒子i的位置为参数的BP神经网络的输出结果，y为第k次迭代时训练集中的实际结果，n的取值范围为正整数；

根据适应度确定第k次迭代后粒子i的个体极值以及所有粒子的全局极值根据惯性权重结合个体极值全局极值更新第k+1次迭代中粒子i的速度与位置

当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。

可选的，所述根据适应度确定第k次迭代后粒子i的个体极值以及所有粒子的全局极值包括：

将粒子i在前k次迭代中适应度最小时的位置作为粒子i的个体极值