[发明专利]一种基于改进飞蛾火焰算法优化BP神经网络的负荷预测方法

权利要求书

1.一种基于改进飞蛾火焰算法优化BP神经网络的负荷预测方法，其特征在于，包括以下步骤：

采集目标区域的电力负荷、最高温度、最低温度、平均温度、相对湿度、降雨量六类原始数据并进行归一化预处理；

利用三层小波分解将归一化预处理后的原始数据集分解为A1、D1、D2、D3四个小波；

构建并确定BP神经网络初始参数以及改进飞蛾火焰算法初始参数，依据BP神经网络参数的个数确定飞蛾火焰种群维数；

利用改进飞蛾火焰算法迭代优化BP神经网络权值和阈值，建立基于BP神经网络的预测模型，并利用预测模型分别对四个小波进行预测，得到预测时间段四个小波对应的预测数据A1′、D1′、D2′、D3′；

将预测数据A1′、D1′、D2′、D3′全部叠加，得到预测时间段的电力负荷预测值。

2.根据权利要求1所述基于改进飞蛾火焰算法和BP神经网络的负荷预测方法，其特征在于：采集目标区域的电力负荷、最高温度、最低温度、平均温度、相对湿度、降雨量六类原始数据，分别将最大值最小值归一化后形成原始数据集；对数据的归一化处理：

其中，x_ij表示第i类指标中的第j个参数原始值，x_ij^*为其经归一化处理后的值，x_imax、x_imin分别为第i类指标中参数的最大最小值。

3.根据权利要求1所述基于改进飞蛾火焰算法和BP神经网络的负荷预测方法，其特征在于：

构建并确定BP神经网络的结构、学习效率、目标精度和训练次数；

确定改进飞蛾火焰算法的种群规模、迭代次数、搜索空间上下界、搜索速度上下界，依据BP神经网络参数的个数确定飞蛾火焰种群维数。

4.根据权利要求1所述基于改进飞蛾火焰算法和BP神经网络的负荷预测方法，其特征在于：BP神经网络的构建包括如下公式：

确定输入层的输入量：

其中，隐含层的输入量为：隐含层的输出量为：隐含层的Sigmoid函数为：

输出层的输入量为：输出层的输出量为：

反向传播误差函数为：

其中，r(k)和y(k)分别为网络模型输出值和实际输出值；

在误差反向传播阶段中，将反向传播误差函数计算得到的值对隐含层及输出层的权值系数进行负梯度修正，从而得到隐含层到输出层加权系数的增量：

其中，η为学习效率，α为惯性系数；

输出层的加权系数修正增量为：

其中，

隐含层的加权系数修正增量为：

其中，