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:Xi=[w111...w1hn,w211...w2mh,b11...b1h,b21...b2m]T,w1ij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,w2ki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,b1i表示隱含層第i個(gè)節(jié)點(diǎn)的閾值,b2k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:
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:pt、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,
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(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:
MSvc(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),MSvc(i,d1)是父代X(i,di)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。