一种基于改进灰狼优化算法的弹性神经网络负荷预测方法

摘要

本发明公开了一种基于改进灰狼优化算法的弹性神经网络负荷预测方法，解决了传统电力系统短期负荷预测方法准确率低的问题。该方法将一个地区的历史气象数据与历史负荷数据作为神经网络的输入向量与输出向量，并采用弹性梯度下降法训练神经网络。在传统的灰狼优化算法基础上，引入kent混沌映射初始化、融合粒子群算法个体保留机制、采用局部收敛破坏机制，然后将这种改进的灰狼优化算法应用于神经网络的神经元初始连接权值与阈值优化，以此构建神经网络负荷预测模型，最后通过天气预报系统得到该地区未来时刻的气象数据，输入到预测模型之中，得到短期负荷预测结果。本发明提供的负荷预测方法提高了电力系统短期负荷预测的准确性。

说明书

技术领域

本发明属于电力负荷预测领域，具体涉及一种基于改进灰狼优化算法的弹性神经网络负荷预测方法。

背景技术

负荷是指电力需求量或用电量，负荷预测则是根据电力系统的运行特性、装机容量，并考虑当地的自然条件与社会影响等诸多因素，在满足一定精度要求的条件下，确定未来某特定时刻的用电负荷的一项技术。电力负荷预测是电网公司能量管理系统中的重要模块之一，准确的负荷预测数据，可以有效指导电力生产与调度部门的工作，从而经济地安排电网内部发电机组的启停，合理地制定发电机组的检修计划，保证电网运行的安全性和稳定性。同时可以减小不必要的发电机组备用容量，有效地降低发电成本，保障社会的正常生产和人民的正常生活，提高经济效益和社会效益。

负荷预测的方法主要分为经典预测方法和现代预测方法。经典预测方法包括趋势外推法、时间序列法、回归分析法等，这些经典的预测方法发展到现在已经比较成熟，预测结果具有一定的参考价值。但是，随着风能、太阳能等形式的新能源接入电网，导致电网的规模不断扩大，复杂程度不断提高，就对负荷预测提出了更高的要求，要进一步提高预测精度，就需要对传统方法进行一些改进。随着现代科学技术的不断进步，理论研究的逐步深入，现代预测方法得到了快速的发展，其中以模糊数学、灰色理论、专家系统理论和机器学习等为代表的一系列新理论与新技术的出现，为负荷预测的飞速发展提供了坚实的理论依据和技术基础。

作为机器学习的一种方式，BP神经网络是一种根据误差逆向传播进行训练的多层前馈网络，主要过程分为输入信号的正向传播和输出误差的反向传播两部分。神经元之间通过权值和阈值连接，权值的设置可以更好地拟合数据间的非线性关系，阈值的设置可以加快网络学习的速度。一般来说，神经网络的连接权值和阈值是系统随机生成的，对于非线性系统的神经网络训练，初始权值和阈值对于学习最终是否能够收敛达到最优以及训练时间的长短至关重要，但是又无法准确获得，针对这些特点可以考虑采用群智能优化算法对神经网络的参数进行优化。

灰狼优化算法是受到自然界中灰狼群体狩猎行为的启发而提出的一种群智能优化算法，狼群在头狼的带领下发现猎物，并逐渐包围、逼近，最后捕食猎物。传统的灰狼优化算法对收敛因子采用一种线性递减的取值方法，使收敛因子从最大值2线性递减到最小值0，以此来模拟狼群从逼近到捕食猎物这一行为。这样前期所有的灰狼个体都进行大范围搜索，局部探索能力差，收敛速度较慢，因此，初始灰狼种群的选择对后续的寻优效率起着重要作用；到了后期，所有的灰狼个体在局部进行小范围的搜索，忽略了周围可能存在的全局最优解，所以后期需要兼顾算法的局部与全局寻优能力，尽量避免陷入局部最优的情况。

发明内容

为了解决传统电力系统短期负荷预测精度低、准确性差等问题，本发明提出一种基于改进灰狼优化算法的弹性神经网络负荷预测方法。利用区域历史气象数据和用电负荷数据，采用该方法构建神经网络预测模型，对未来一段时间的用电负荷进行预测，预测结果精度较高。

一种基于改进灰狼优化算法的弹性神经网络负荷预测方法，包括以下步骤：

步骤1：搜集一个地区的历史气象数据和用电负荷数据，并对其进行归一化处理；

步骤2：根据数据规模确定神经网络的结构，根据数据规模确定神经网络的结构，计算需要优化的神经网络连接权值与阈值的个数；

步骤3：将步骤1归一化处理后的历史气象数据作为神经网络的输入向量，用电负荷数据作为神经网络的输出向量，选择预测样本的神经网络预测误差为适应度函数，并采用弹性梯度下降法训练神经网络；

步骤4：采用改进后的灰狼优化算法对神经网络各个神经元之间的连接权值与阈值进行迭代寻优，完成一次迭代寻优后，计算并记录本次寻优得到的灰狼个体作为神经网络连接权值与阈值时适应度函数的值，即预测误差的大小，在每一次迭代完成后都重复此操作，直到达到最大迭代次数；

4.1、引入kent混沌映射，得到分布更加均匀的初始灰狼种群；

4.2、融合粒子群算法个体保留机制，提高算法寻找到全局最优解的概率；

4.3、采用局部收敛破坏机制，避免算法陷入局部最优；

步骤5：迭代结束后，选择种群中适应度函数的值最小，即适应度最好的灰狼个体作为神经网络最终的连接权值和阈值，建立神经网络预测模型；

步骤6：根据天气预报系统给出的该地区未来时刻的气象数据，输入到步骤5所得到的神经网络预测模型之中，得到短期用电负荷预测结果。

进一步的，所述步骤2中，根据神经网络结构，计算需要优化的神经网络连接权值与阈值的个数，具体的计算方法为

n

其中，n

n

其中，n

n

其中，n

进一步的，在步骤3中，采用弹性梯度下降法训练神经网络的具体流程包括：

3.1、计算隐含层各个神经元的输入和输出；

3.2、计算输出层各个神经元的输入和输出；

3.3、计算输入层到输出层各神经元的连接权值误差，并记录梯度变化的正负号；

3.4、计算隐含层到输出层各神经元的连接权值误差，并记录梯度变化的正负号；

3.5、如果前两次训练时梯度的正负号没有改变，权值和阈值的修正值乘以大于1的增量因子；如果前两次训练时梯度的正负号发生改变，权值和阈值的修正值乘以小于1的减量因子；如果梯度为0，则修正值不变；

3.6、计算实际输出值和期望输出值的误差，若满足设定的精度值或者达到最大迭代次数，则结束训练，否则返回步骤3.1继续逐步学习训练。

进一步的，所述步骤4.1中，kent混沌映射是一种分段的线性映射，其数学表达式：

其中，x

由于混沌变量的定义域在[0,1]之间，所以需要将随机生成的初始种群映射到[0,1]之间，两者之间的转换映射公式为

X

其中，x

混沌映射完成后，再通过映射公式，将混沌种群个体重新转换为灰狼个体；

为了度量种群的均匀性，这里引入一种有限点集的分布均匀性度量方法：

设有m维立方体C

其中，n表示点集A内数据个数，i表示数据编号，

其中，

其中，d(x,x

传统的灰狼优化算法种群个体位置更新公式为

其中，X

在式(10)位置更新的基础上，再引入粒子群算法的种群个体位置更新公式

X

其中，r是[0,1]之间的随机数，X

进一步的，所述步骤4.3中，采用局部收敛破坏机制主要包括：

4.3.1、设置停滞更新叠加环节记录算法停滞更新次数，并设定停滞更新阈值；

4.3.2、判断停滞更新次数是否达到了设定阈值，若小于设定阈值，继续正常寻优；若等于设定阈值，则进入步骤4.3.3中；

4.3.3、设初始种群个体数为P，取新种群的个体数P

4.3.4、计算新种群中每只灰狼个体的适应度函数，按照升序进行排序，选择其中适应度最好的三只个体，替换原停滞更新种群中最优、次优和第三优的灰狼个体；

4.3.5、返回步骤4.3.2，继续寻优。

有益效果：

本发明针对电力系统短期负荷预测问题，提出了一种基于改进灰狼优化算法的弹性神经网络负荷预测方法。相比于现有技术，本发明的优势在于：

1)传统的灰狼优化算法在开始阶段随机生成初始种群，没有考虑初始种群的均匀性对后续寻优效率的影响，通过引入Kent混沌映射的方法，使初始种群分布更加均匀，提高了算法的寻优效率；

2)传统的灰狼优化算法忽略了种群中除头狼以外的其他个体的寻优能力，往往会造成后期收敛速度慢的缺点，通过融合粒子群算法中的个体保留机制，挖掘了其他灰狼个体的寻优潜力，提高了算法寻找到全局最优解的概率；

3)通过引入局部收敛破坏机制，人为干预算法的寻优过程，在一定程度上降低了算法后期做无用功的可能性，避免算法陷入局部最优的情况。

4)采用弹性梯度下降法训练神经网络，避免了传统的随机梯度下降法在输入量过大或过小时，训练过程缓慢甚至停滞的情况；

5)利用改进的灰狼优化算法优化弹性神经网络的初始参数，提高了神经网络预测模型的精度，从而获得准确性更高的负荷预测数据，为电力生产部门的生产计划提供更加可靠的指导意见。

附图说明

图1为本发明所提供的一种基于改进灰狼优化算法的弹性神经网络负荷预测方法流程图；

图2为本发明所提供的一种基于改进灰狼优化算法的神经网络优化方法流程图；

图3为本发明所使用的多输入单输出的BP神经网络拓扑结构图；

图4为改进灰狼优化算法对比遗传算法和传统灰狼优化算法测试经典单峰函数Sphere的迭代寻优过程；

图5为改进灰狼优化算法对比遗传算法和传统灰狼优化算法测试经典多峰函数Rastrigin的迭代寻优过程；

图6为甘肃省定西市某地区2020年10月份的天气变化情况；

图7为神经网络预测模型得到的预测值与真实值的比较；

图8为改进灰狼优化算法在弹性神经网络负荷预测过程中的适应度迭代曲线。

具体实施方式

以下将结合具体实例来描述本发明的实施方式。应当指出的是，所展示的附图以及描述的具体实施方式只是示例性的，目的在于阐述本发明的应用原理，并非限制本发明的应用范围。

一种基于改进灰狼优化算法的弹性神经网络负荷预测方法，包括以下步骤：

步骤1：搜集一个地区的历史气象数据和用电负荷数据，并对其进行归一化处理。具体地，

搜集甘肃省定西市某地区某供电所2020年10月份的居民用电负荷数据，同时通过中国天气网查询该地区对应时间段的历史气象数据，主要包括天气状况，最低温度和最高温度。为了区分不同的天气状况之间的差异，这里将雪天记为0，雨天记为0.2，阴天记为0.5，多云记为0.8，晴天记为1。具体的每日天气变化情况如图6所示。

在采集到的负荷数据中，由于在同一天的不同时间段的用电负荷差异很大，并且不同日期的气象数据也存在差异，为了提升模型的收敛速度和预测精度，需要对负荷数据和气象数据进行归一化处理，即对原始数据进行线性变换，使结果落到[0,1]之间。

首先对负荷数据做归一化处理，然后对最低温度和最高温度做归一化处理，考虑到天气状况已经被量化且分布在[0,1]之间，因此不必再做归一化处理。

步骤2：根据数据规模确定神经网络的结构，根据数据规模确定神经网络的结构，计算需要优化的神经网络连接权值与阈值的个数。具体地，

一般来说，一个包含输入层、隐含层和输出层的三层神经网络，经过训练理论上可以拟合任何一个非线性的系统，考虑到本实例只涉及到一个月的气象与负荷数据，所以这里选择三层的弹性神经网络。其中，输入层的神经元数目设置为3，隐含层神经元数目设置为7，输出层神经元数目设置为1。经过计算，本实例需要优化的参数，即神经网络连接权值和阈值的数量为36个。

步骤3：将步骤1归一化处理后的历史气象数据作为神经网络的输入向量，用电负荷数据作为神经网络的输出向量，选择预测样本的神经网络预测误差为适应度函数，并采用弹性梯度下降法训练神经网络。具体地，

将10月1日-14日的气象数据和负荷数据作为训练集的输入向量和输出向量，15日的气象数据和负荷数据作为测试集的输入向量和输出向量，并采用弹性梯度下降法训练神经网络，同时利用适应度函数计算每一只灰狼个体的适应度。本案例是为了使神经网络在预测时，预测值与真实值的之间的误差尽可能小，所以选择预测样本的预测值与真实值的误差矩阵的2范数作为适应度函数。

步骤4：采用改进后的灰狼优化算法对神经网络各个神经元之间的连接权值与阈值进行迭代寻优，完成一次迭代寻优后，计算并记录本次寻优得到的灰狼个体作为神经网络连接权值与阈值时适应度函数的值，即预测误差的大小，在每一次迭代完成后都重复此操作，直到达到最大迭代次数。具体地，

为了验证Kent混沌映射所得到的初始种群相较于随机初始化种群具分布更为均匀，采用上述有限集点分布均匀性度量方法来计算二者的分布均匀度，种群的维度取为50。首先利用rand函数直接随机生成一个50×50的随机种群，然后取随机种群矩阵的第一行作为混沌种群的初始值，按照Kent映射公式迭代1000次，取最后50行得到一个50×50的混沌种群，分别计算两种种群的分布均匀度E。为了减小结果的偶然性，两种方法按照上述步骤共生成5组种群，计算结果如表1所示。

表1种群分布均匀度值

表1的结果表明Kent混沌映射所得到的初始种群的均匀度指标更小，说明相比于随机初始化种群的分布更加均匀。

步骤5：迭代结束后，选择种群中适应度函数的值最小，即适应度最好的灰狼个体作为神经网络最终的连接权值和阈值，建立神经网络预测模型。具体地，

通过计算每次迭代完成后神经网络的预测值与真实值之间的误差矩阵的2范数，迭代结束后从种群中选择误差最小的灰狼个体作为神经网络最终的连接权值和阈值，按照步骤2所确定的神经网络结构，建立神经网络预测模型。

步骤6：根据天气预报系统给出的该地区未来时刻的气象数据，输入到步骤5所得到的神经网络预测模型之中，得到短期用电负荷预测结果。具体地，

为了验证弹性神经网络预测模型的准确性，将16日-31日的气象数据输入已经建立好的神经网络预测模型之中，得到日负荷预测数据，并与已知的真实负荷进行比较，计算预测结果的平均准确率，由下式给出：

其中，

神经网络负荷预测结果如图7所示，详细的日负荷预测数据和准确率在表2中给出。

表2日负荷预测结果

预测结果表明，日负荷预测结果的准确率在85％以上，并且绝大部分的日负荷预测结果的准确率在90％以上，验证了采用改进灰狼优化算法的弹性神经网络负荷预测方法具有较高的准确性。

以上所述结合一个具体实例详细说明了本发明的实施方式，只是对本发明的目的、实施方案和有益效果做了进一步的阐述，因此并不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，可以在本发明构思的基础之上，做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。