本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，特別是涉及一種電力系統(tǒng)負(fù)荷預(yù)測(cè)方法及裝置。

背景技術(shù)：

電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的重要組成部分，較準(zhǔn)確的預(yù)測(cè)數(shù)據(jù)有利于調(diào)度人員合理制定水火發(fā)電機(jī)組的啟停安排、峰谷電能的協(xié)調(diào)、輸電線路分接點(diǎn)負(fù)荷安排以及變配電設(shè)備檢修計(jì)劃制定等，其預(yù)測(cè)精度直接影響到電力系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和供電質(zhì)量。

目前常用的短期負(fù)荷預(yù)測(cè)方法有以時(shí)間序列法、回歸分析法為代表的經(jīng)典預(yù)測(cè)法，以專家系統(tǒng)法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)為代表的人工智能方法。其中，BP神經(jīng)網(wǎng)絡(luò)由于網(wǎng)絡(luò)結(jié)構(gòu)、算法相對(duì)簡(jiǎn)單，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，在負(fù)荷預(yù)測(cè)領(lǐng)域逐步得到了應(yīng)用。

隨著對(duì)短期負(fù)荷預(yù)測(cè)的深入研究，各種改進(jìn)的神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于負(fù)荷預(yù)測(cè)中。使用PSO(粒子群算法)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，雖然收斂速度快，但當(dāng)考慮因素增多，變量規(guī)模將會(huì)快速增長(zhǎng)，PSO(粒子群算法)在求解大規(guī)模優(yōu)化問(wèn)題時(shí)容易出現(xiàn)早熟現(xiàn)象；利用小波分解將負(fù)荷投影到不同尺度上進(jìn)行預(yù)測(cè)，得到較高的預(yù)測(cè)精度，但BP神經(jīng)網(wǎng)絡(luò)對(duì)高頻分量預(yù)測(cè)精度不高，所以該方法不適用于含較多沖擊負(fù)荷的地區(qū)；而采用動(dòng)態(tài)調(diào)整人工蟻群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，改善了神經(jīng)網(wǎng)絡(luò)的泛化能力，但迭代過(guò)程中為保持種群的多樣性，采用比較復(fù)雜的算法結(jié)構(gòu)，控制參數(shù)較多。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種電力系統(tǒng)負(fù)荷預(yù)測(cè)方法及裝置，以解決現(xiàn)有BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和泛化能不足的缺點(diǎn)，以有效提高含大量沖擊負(fù)荷地區(qū)的預(yù)測(cè)精度。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種電力系統(tǒng)負(fù)荷預(yù)測(cè)方法，包括：

獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；

利用小波變換對(duì)所述歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；

建立BP神經(jīng)網(wǎng)絡(luò)模型；

利用所述BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所述小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；

采用優(yōu)化后的所述BP神經(jīng)網(wǎng)絡(luò)，對(duì)所述小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；

將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。

可選地，所述獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)包括：

通過(guò)數(shù)據(jù)采集與監(jiān)控裝置獲取所述歷史負(fù)荷數(shù)據(jù)。

可選地，在所述獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)之后還包括：

對(duì)所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理。

可選地，所述利用小波變換對(duì)所述歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)包括：

采用db小波函數(shù)進(jìn)行小波分解，將所述歷史負(fù)荷數(shù)據(jù)分解為低頻部分A3以及高頻部分D1、D2、D3四個(gè)分量。

可選地，所述建立BP神經(jīng)網(wǎng)絡(luò)模型包括：

將所述歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本，確定前向神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)。

可選地，所述利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)包括：

確定種群規(guī)模和最大迭代次數(shù)，隨機(jī)產(chǎn)生初始種群X，其中第i粒子為：X_i＝[w1₁₁...w1_hn,w2₁₁...w2_mh,b1₁...b1_h,b2₁...b2_m]^T，w1_ij表示輸入層第j個(gè)節(jié)點(diǎn)到隱含層第i個(gè)節(jié)點(diǎn)的權(quán)值，w2_ki表示隱含層第i個(gè)節(jié)點(diǎn)到輸出層第k個(gè)節(jié)點(diǎn)的權(quán)值，b1_i表示隱含層第i個(gè)節(jié)點(diǎn)的閾值，b2_k表示輸出層第k個(gè)節(jié)點(diǎn)的閾值；

將每個(gè)粒子轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)各層對(duì)應(yīng)的權(quán)值和閾值，根據(jù)BP網(wǎng)絡(luò)的前向算法，隱含層第i個(gè)節(jié)點(diǎn)輸出值為：

輸出層第k個(gè)節(jié)點(diǎn)輸出值為：

激活函數(shù)選定為Sigmoid函數(shù)，如下：

根據(jù)如下適應(yīng)度函數(shù)計(jì)算每個(gè)粒子的適應(yīng)值：

式中：p_t、分別是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和目標(biāo)輸出，N為訓(xùn)練樣本數(shù)；

采用橫向交叉算子將兩個(gè)不同粒子進(jìn)行交叉運(yùn)算，交叉前和交叉后的粒子分別是父代粒子和子代粒子，每個(gè)粒子代表神經(jīng)網(wǎng)絡(luò)的各個(gè)閥值和權(quán)值，

MS_hc(i,d)＝r₁×X(i,d)+(1-r₁)×X(j,d)+c₁×(X(i,d)-X(j,d))

MS_hc(j,d)＝r₂×X(j,d)+(1-r₂)×X(i,d)+c₂×(X(j,d)-X(i,d))

i,j∈N(1,M)d∈N(1,D)

采用縱向交叉算子將同一個(gè)粒子不同維度進(jìn)行交叉運(yùn)算，交叉前和交叉后的粒子分別是父代粒子和子代粒子，假設(shè)父代粒子X(jué)(i)的第d₁維和第d₂維進(jìn)行交叉，則它們的子代為：

MS_vc(i,d₁)＝r·X(i,d₁)+(1-r)·X(i,d₂)

i,j∈N(1,M)d₁,d₂∈N(1,D)

式中：r是介于[0,1]之間的隨機(jī)數(shù)，MS_vc(i,d₁)是父代X(i,d_i)經(jīng)過(guò)交叉運(yùn)算后產(chǎn)生的子代粒子；

利用精英保留策略將父代種群中所有粒子、橫向交叉產(chǎn)生的所有子代粒子以及縱向交叉產(chǎn)生所有子代粒子結(jié)合起來(lái)，形成種群規(guī)模大小為3*N的混合種群，將混合種群按照適應(yīng)度大小順序進(jìn)行排列，并選擇適應(yīng)度高的前N個(gè)粒子作為最后的子代粒子X(jué)s進(jìn)入下一次迭代；

利用帶有精英保留策略的縱橫交叉算法迭代優(yōu)化，判斷是否滿足迭代終止條件，如果是，則迭代終止，并將適應(yīng)值最好的一組解轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，否則重新進(jìn)入到迭代計(jì)算中，確定最優(yōu)網(wǎng)絡(luò)參數(shù)。

本發(fā)明還提供了一種電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置，包括：

獲取模塊，用于獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；

分解模塊，用于利用小波變換對(duì)所述歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；

建立模塊，用于建立BP神經(jīng)網(wǎng)絡(luò)模型；

訓(xùn)練優(yōu)化模塊，用于利用所述BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所述小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；

預(yù)測(cè)模塊，用于采用優(yōu)化后的所述BP神經(jīng)網(wǎng)絡(luò)，對(duì)所述小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；

結(jié)果確定模塊，用于將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。

可選地，還包括：

處理模塊，用于在獲取所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)之后，對(duì)所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理。

可選地，所述分解模塊具體為：采用db小波函數(shù)進(jìn)行小波分解，將所述歷史負(fù)荷數(shù)據(jù)分解為低頻部分A3以及高頻部分D1、D2、D3四個(gè)分量的模塊。

可選地，所述建立模塊具體為：將所述歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本，確定前向神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)的模塊。

本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法及裝置，通過(guò)獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；利用小波變換對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；建立BP神經(jīng)網(wǎng)絡(luò)模型；利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，對(duì)小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法及裝置，基于小波變換和縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型，使用縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和泛化能不足的缺點(diǎn)，能夠有效提高含大量沖擊負(fù)荷地區(qū)的預(yù)測(cè)精度。

附圖說(shuō)明

為了更清楚的說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單的介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法的一種具體實(shí)施方式的流程圖；

圖2為本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法的另一種實(shí)施方式的流程圖；

圖3為本發(fā)明實(shí)施例的預(yù)測(cè)模型示意圖；

圖4為本實(shí)施例中三層小波分解結(jié)構(gòu)圖；

圖5為小波分解后的示意圖；

圖6為本實(shí)施例中BP神經(jīng)網(wǎng)絡(luò)模型示意圖；

圖7為本發(fā)明實(shí)施例提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法的一種具體實(shí)施方式的流程圖如圖1所示，該方法包括：

步驟S101：獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；

電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)可以為通過(guò)數(shù)據(jù)采集與監(jiān)控裝置采集的歷史數(shù)據(jù)。在獲取到歷史負(fù)荷數(shù)據(jù)后，還可以進(jìn)一步包括：對(duì)所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化預(yù)處理。

步驟S102：利用小波變換對(duì)所述歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；

利用小波變換可以對(duì)原始負(fù)荷中的沖擊毛刺進(jìn)行預(yù)處理。

步驟S103：建立BP神經(jīng)網(wǎng)絡(luò)模型；

步驟S104：利用所述BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所述小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；

步驟S105：采用優(yōu)化后的所述BP神經(jīng)網(wǎng)絡(luò)，對(duì)所述小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；

步驟S106：將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。

本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法，通過(guò)獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；利用小波變換對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；建立BP神經(jīng)網(wǎng)絡(luò)模型；利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，對(duì)小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法，基于小波變換和縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型，使用縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和泛化能不足的缺點(diǎn)，能夠有效提高含大量沖擊負(fù)荷地區(qū)的預(yù)測(cè)精度。

在上述實(shí)施例的基礎(chǔ)上，本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法中步驟S102利用小波變換對(duì)所述歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)可以具體為：采用db小波函數(shù)進(jìn)行小波分解，將所述歷史負(fù)荷數(shù)據(jù)分解為低頻部分A3以及高頻部分D1、D2、D3四個(gè)分量。

請(qǐng)參照?qǐng)D2本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法的另一種實(shí)施方式的流程圖以及圖3本發(fā)明實(shí)施例的預(yù)測(cè)模型示意圖，下面通過(guò)一具體實(shí)施例對(duì)實(shí)施過(guò)程進(jìn)行詳細(xì)介紹。

步驟S201：獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；

歷史負(fù)荷數(shù)據(jù)是由數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)獲取的實(shí)測(cè)負(fù)荷量，本實(shí)施例中所有數(shù)據(jù)的時(shí)間分辨率均為5min，即一天擁有288個(gè)數(shù)據(jù)樣本。另外考慮到影響負(fù)荷預(yù)測(cè)精度的主要因素天氣狀況和日類型，例如是工作日還是周末。

步驟S202：采用db小波函數(shù)進(jìn)行小波分解，將所述歷史負(fù)荷數(shù)據(jù)分解為低頻部分A3以及高頻部分D1、D2、D3四個(gè)分量；

參照?qǐng)D4本實(shí)施例中三層小波分解結(jié)構(gòu)圖，用db小波函數(shù)進(jìn)行小波分解，將原負(fù)荷數(shù)據(jù)進(jìn)行分解，最終分解成低頻部分A3和高頻部分D1、D2、D3共計(jì)四個(gè)分量，以3天數(shù)據(jù)樣本點(diǎn)，共864點(diǎn)為例，分解后的示意圖如圖5所示。其中，A3負(fù)荷分量代表了負(fù)荷的主要分量，主要體現(xiàn)為線性分量和周期分量的合成，負(fù)荷變化緩慢；D1、D2、D3分量代表了原始負(fù)荷中最具隨機(jī)性的部分，該分量主要對(duì)應(yīng)于隨機(jī)沖擊負(fù)荷。

步驟S203：根據(jù)給定的歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本，確定前向神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和各層的節(jié)點(diǎn)數(shù)。

本實(shí)施例中，輸入層，隱含層和輸出層的節(jié)點(diǎn)數(shù)分別為28、6和24。如圖6本實(shí)施例中BP神經(jīng)網(wǎng)絡(luò)模型示意圖所示，輸入量為28個(gè)，分別為預(yù)測(cè)日前一天24h歷史輸出，預(yù)測(cè)日氣溫，降雨量和風(fēng)速；隱含層為6個(gè)；輸出量為24個(gè)，對(duì)應(yīng)于預(yù)測(cè)日24h負(fù)荷的預(yù)測(cè)值，CSO-NN(縱橫交叉算法與BP神經(jīng)網(wǎng)絡(luò))模型變量個(gè)數(shù)為342個(gè)。

步驟S204：利用所述BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所述小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；

該過(guò)程具體包括：

確定種群規(guī)模和最大迭代次數(shù)，隨機(jī)產(chǎn)生初始種群X，其中第i粒子為：X_i＝[w1₁₁...w1_hn,w2₁₁...w2_mh,b1₁...b1_h,b2₁...b2_m]^T，w1_ij表示輸入層第j個(gè)節(jié)點(diǎn)到隱含層第i個(gè)節(jié)點(diǎn)的權(quán)值，w2_ki表示隱含層第i個(gè)節(jié)點(diǎn)到輸出層第k個(gè)節(jié)點(diǎn)的權(quán)值，b1_i表示隱含層第i個(gè)節(jié)點(diǎn)的閾值，b2_k表示輸出層第k個(gè)節(jié)點(diǎn)的閾值；

將每個(gè)粒子轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)各層對(duì)應(yīng)的權(quán)值和閾值，根據(jù)BP網(wǎng)絡(luò)的前向算法，隱含層第i個(gè)節(jié)點(diǎn)輸出值為：

輸出層第k個(gè)節(jié)點(diǎn)輸出值為：

激活函數(shù)選定為Sigmoid函數(shù)，如下：

根據(jù)如下適應(yīng)度函數(shù)計(jì)算每個(gè)粒子的適應(yīng)值：

式中：p_t、分別是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和目標(biāo)輸出，N為訓(xùn)練樣本數(shù)；

采用橫向交叉算子將兩個(gè)不同粒子進(jìn)行交叉運(yùn)算，交叉前和交叉后的粒子分別是父代粒子和子代粒子，每個(gè)粒子代表神經(jīng)網(wǎng)絡(luò)的各個(gè)閥值和權(quán)值，

MS_hc(i,d)＝r₁×X(i,d)+(1-r₁)×X(j,d)+c₁×(X(i,d)-X(j,d))

MS_hc(j,d)＝r₂×X(j,d)+(1-r₂)×X(i,d)+c₂×(X(j,d)-X(i,d))

i,j∈N(1,M)d∈N(1,D)

采用縱向交叉算子將同一個(gè)粒子不同維度進(jìn)行交叉運(yùn)算，交叉前和交叉后的粒子分別是父代粒子和子代粒子，假設(shè)父代粒子X(jué)(i)的第d₁維和第d₂維進(jìn)行交叉，則它們的子代為：

MS_vc(i,d₁)＝r·X(i,d₁)+(1-r)·X(i,d₂)

i,j∈N(1,M)d₁,d₂∈N(1,D)

式中：r是介于[0,1]之間的隨機(jī)數(shù)，MS_vc(i,d₁)是父代X(i,d_i)經(jīng)過(guò)交叉運(yùn)算后產(chǎn)生的子代粒子；

利用精英保留策略將父代種群中所有粒子、橫向交叉產(chǎn)生的所有子代粒子以及縱向交叉產(chǎn)生所有子代粒子結(jié)合起來(lái)，形成種群規(guī)模大小為3*N的混合種群，將混合種群按照適應(yīng)度大小順序進(jìn)行排列，并選擇適應(yīng)度高的前N個(gè)粒子作為最后的子代粒子X(jué)s進(jìn)入下一次迭代；

利用帶有精英保留策略的縱橫交叉算法迭代優(yōu)化，判斷是否滿足迭代終止條件，例如迭代次數(shù)大于預(yù)設(shè)的最大值；如果是，則迭代終止，并將適應(yīng)值最好的一組解轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，否則重新進(jìn)入到迭代計(jì)算中，確定最優(yōu)網(wǎng)絡(luò)參數(shù)。

需要指出的是，本申請(qǐng)通過(guò)引入精英保留策略的縱橫交叉算法，能為父代種群和子代種群提供群體競(jìng)爭(zhēng)平臺(tái)，保證所有子代種群中的粒子都為歷史最優(yōu)解，大大提高了種群質(zhì)量。

步驟S205：采用優(yōu)化后的所述BP神經(jīng)網(wǎng)絡(luò)，對(duì)所述小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；

步驟S206：將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。

需要指出的是，傳統(tǒng)縱橫交叉算法采用的競(jìng)爭(zhēng)算子更新產(chǎn)生的子代種群雖然整體上適應(yīng)度優(yōu)于對(duì)應(yīng)的父代種群，但是由于競(jìng)爭(zhēng)過(guò)程中子代粒子和父代粒子是一對(duì)一的競(jìng)爭(zhēng)關(guān)系，缺少對(duì)父代種群中其他粒子進(jìn)行競(jìng)爭(zhēng)比較，這樣導(dǎo)致容易遺漏父代種群中的優(yōu)秀粒子。而本申請(qǐng)實(shí)施例在橫向交叉、縱向交叉的基礎(chǔ)上引入精英保留策略，即用新的競(jìng)爭(zhēng)策略代替原始的競(jìng)爭(zhēng)算子。

精英保留策略是將父代種群中所有粒子、橫向交叉產(chǎn)生的所有子代粒子以及縱向交叉產(chǎn)生所有子代粒子結(jié)合起來(lái)，形成種群規(guī)模大小為3*N的混合種群，將混合種群按照適應(yīng)度大小順序進(jìn)行排列，并選擇適應(yīng)度高的前N個(gè)粒子作為最后的子代粒子X(jué)_s進(jìn)入下一次迭代。引入精英保留策略的縱橫交叉算法能為父代種群和子代種群提供群體競(jìng)爭(zhēng)平臺(tái)，保證所有子代種群中的粒子都為歷史最優(yōu)解，大大提高種群質(zhì)量。

下面對(duì)本發(fā)明實(shí)施例提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置進(jìn)行介紹，下文描述的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置與上文描述的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法可相互對(duì)應(yīng)參照。

圖7為本發(fā)明實(shí)施例提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置的結(jié)構(gòu)框圖，參照?qǐng)D7電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置可以包括：

獲取模塊100，用于獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；

分解模塊200，用于利用小波變換對(duì)所述歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；

建立模塊300，用于建立BP神經(jīng)網(wǎng)絡(luò)模型；

訓(xùn)練優(yōu)化模塊400，用于利用所述BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所述小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；

預(yù)測(cè)模塊500，用于采用優(yōu)化后的所述BP神經(jīng)網(wǎng)絡(luò)，對(duì)所述小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；

結(jié)果確定模塊600，用于將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。

作為一種具體實(shí)施方式，本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置還可以進(jìn)一步包括：

處理模塊，用于在獲取所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)之后，對(duì)所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理。

作為一種具體實(shí)施方式，本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置中，上述分解模塊具體為：采用db小波函數(shù)進(jìn)行小波分解，將所述歷史負(fù)荷數(shù)據(jù)分解為低頻部分A3以及高頻部分D1、D2、D3四個(gè)分量的模塊。

作為一種具體實(shí)施方式，本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置中，上述建立模塊具體為：將所述歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本，確定前向神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)的模塊。

本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置，通過(guò)獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)；利用小波變換對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行分解并單支重構(gòu)，得到不同頻率負(fù)荷的小波分解數(shù)據(jù)；建立BP神經(jīng)網(wǎng)絡(luò)模型；利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)小波分解數(shù)據(jù)進(jìn)行訓(xùn)練，并利用帶有精英保留策略的縱橫交叉算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，確定最優(yōu)網(wǎng)絡(luò)參數(shù)；采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，對(duì)小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測(cè)；將各負(fù)荷分量的預(yù)測(cè)值進(jìn)行疊加，確定實(shí)際預(yù)測(cè)結(jié)果。本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置，基于小波變換和縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型，使用縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和泛化能不足的缺點(diǎn)，能夠有效提高含大量沖擊負(fù)荷地區(qū)的預(yù)測(cè)精度

本實(shí)施例的電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置用于實(shí)現(xiàn)前述的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法，因此電力系統(tǒng)負(fù)荷預(yù)測(cè)裝置中的具體實(shí)施方式可見(jiàn)前文中的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法的實(shí)施例部分，例如，獲取模塊100，分解模塊200，建立模塊300，訓(xùn)練優(yōu)化模塊400，預(yù)測(cè)模塊500，結(jié)果確定模塊600，分別用于實(shí)現(xiàn)上述電力系統(tǒng)負(fù)荷預(yù)測(cè)方法中步驟S101，S102，S103，S104，S105，S106。所以，其具體實(shí)施方式可以參照相應(yīng)的各個(gè)部分實(shí)施例的描述，在此不再贅述。

本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上對(duì)本發(fā)明所提供的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法以及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。