[发明专利]基于ACDE和BP神经网络的电力负荷预测方法

摘要

本发明涉及一种基于ACDE和BP神经网络的电力负荷预测方法，其特征在于，包括训练阶段和测试阶段。本发明采用的ACDE算法，其中的自适应缩放因子和混沌理论对差分进化算法进行改进，使得算法搜索时间大大缩减，又弥补了差分进化算法后期局部搜索弱而使群体陷入早熟的缺陷，相比较于传统的DE算法有着明显的优势。本发明采用ACDE算法对BP神经网络进行参数寻优，进而构建基于ACDE‑BP的电力负荷预测模型，克服了传统BP网络参数选择效率低、泛化能力弱的不足。

主权项

1.一种基于ACDE和BP神经网络的电力负荷预测方法，其特征在于，包括训练阶段和测试阶段，其中，训练阶段包括以下步骤：步骤101、对原始数据集进行随机抽取，产生训练集和测试集，对训练集的数据进行归一化处理；步骤102、设置自适应混沌差分进化算法参数，对其进行混沌初始化操作，并将归一化后的训练集输入到BP神经网络中，对BP神经网络进行训练，将BP神经网络的输出值与实际值误差平方和结果作为自适应混沌差分进化算法的目标函数，采用误差大小和迭代次数作为寻优结束的判据，若达到结束条件，则获得最优的权值和阈值，否则进行自适应变异、交叉、选择及混沌细搜索操作，并获得新的参数值；步骤103、建立ACDE‑BP神经网络模型；步骤104、将归一化后的训练集输入到ACDE‑BP神经网络中进行训练，获得ACDE‑BP神经网络的参数初始值；测试阶段包括以下步骤：步骤201、对测试集中的数据按照训练阶段中的归一化参数进行归一化处理，得处理后的测试集；步骤202、将步骤201得到的测试集的数据序列分别代入对应的已经训练调整好的ACDE‑BP神经网络模型中，得到测试集的数据序列对应的预测值；步骤203、得到测试集的完整预测值，输出预测值，并将预测值反归一化得到完整的电力负荷预测值。