技術(shù)特征：

1.一種電力系統(tǒng)負(fù)荷預(yù)測方法，其特征在于，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；

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

2.如權(quán)利要求1所述的電力系統(tǒng)負(fù)荷預(yù)測方法，其特征在于，所述獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)包括：

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

3.如權(quán)利要求2所述的電力系統(tǒng)負(fù)荷預(yù)測方法，其特征在于，在所述獲取電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)之后還包括：

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

4.如權(quán)利要求1至3任一項(xiàng)所述的電力系統(tǒng)負(fù)荷預(yù)測方法，其特征在于，所述利用小波變換對所述歷史負(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。

5.如權(quán)利要求4所述的電力系統(tǒng)負(fù)荷預(yù)測方法，其特征在于，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)。

6.如權(quán)利要求5所述的電力系統(tǒng)負(fù)荷預(yù)測方法，其特征在于，所述利用帶有精英保留策略的縱橫交叉算法對網(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：

$a{1}_i=f(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}w{1}_{ij}{p}_j+b{1}_i),i=1,2,...,l$

輸出層第k個(gè)節(jié)點(diǎn)輸出值為：

$a{2}_k=f(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}w{2}_{ki}a{1}_i+b{2}_k),k=1,2,...,m$

激活函數(shù)選定為Sigmoid函數(shù)，如下：

$f\left(x\right)=\frac{1-e^{(-2x)}}{1+e^{(-2x)}}$

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：

$fit=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}\underset{t=1}{\overset{m}{\Σ}}{(p_t-{\hat{p}}_t)}^2$

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(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，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Xs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)。

7.一種電力系統(tǒng)負(fù)荷預(yù)測裝置，其特征在于，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)測模塊，用于采用優(yōu)化后的所述BP神經(jīng)網(wǎng)絡(luò)，對所述小波分解數(shù)據(jù)中單支重構(gòu)所得的負(fù)荷分量進(jìn)行預(yù)測；

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

8.如權(quán)利要求7所述的電力系統(tǒng)負(fù)荷預(yù)測裝置，其特征在于，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，對所述電力系統(tǒng)歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理。

9.如權(quán)利要求7或8所述的電力系統(tǒng)負(fù)荷預(yù)測裝置，其特征在于，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。

10.如權(quán)利要求9所述的電力系統(tǒng)負(fù)荷預(yù)測裝置，其特征在于，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。