[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

说明书

本发明提出了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，通过采集目标区域在某一时间段的用电负荷数据及对应的天气特征数据，分别归一化后形成原始数据集；利用三层小波分解将原始数据集分解为四个小波；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和火焰的种群维数；利用改进飞蛾火焰算法迭代优化BP神经网络参数，分别对四个小波进行预测得到预测数据，将其叠加，得到最终的负荷预测值。该方法能够更加准确地解决多重场景的用电负荷预测，具有较好的预测精度。

技术领域

本发明属于电力负荷预测技术领域，特别涉及一种基于改进飞蛾火焰算法和BP神经网络的负荷预测方法。

背景技术

负荷预测是保证电力供需平衡的基础，并为电网、电源的规划建设以及电网企业、电网使用者的经营决策提供信息和依据。电力负荷预测是电力部门的重要工作之一，准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。

目前电力负荷预测方法分为两类：一类是经典预测方法，如趋势外推法、指数平滑法、多元线性回归分析和时间序列分析；另一类是以模糊分析、支持向量机或人工神经网络为主体的现代预测方法。由于电力负荷在实际应用中是在多个不同类型因素的干扰下，所形成的复合序列数据，因此使用神经网络的人工智能算法在精度上有着很大的提高空间。

发明内容

针对背景技术存在的问题，本发明提供一种基于改进飞蛾火焰算法和BP神经网络的负荷预测方法。

为解决上述技术问题，本发明采用如下技术方案：

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。

在上述的方法，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；

在上述的方法，

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；

在上述的方法，BP神经网络的构建包括如下公式：

确定输入层的输入量：