基于调整PSO惯性权重的母线短期负荷预测方法及装置

摘要

本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法及装置，包括：S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度。

说明书

技术领域

本发明属于短期负荷预测领域，尤其涉及一种基于调整PSO惯性权重的母线短期负荷预测方法及装置。

背景技术

随着经济的快速发展和用电量水平的大幅上升，现有的电力市场中电网公司与售电部门通常是分离，电网公司的负荷侧数据需要从母线侧收集，因此，母线短期负荷预测对电网公司的运营具有重要意义，准确的负荷预测对综合能源系统的经济调度和优化运行有着重要的影响。

随着人工智能算法的不断发展，通常采用BP神经网络对母线短期负荷进行预测，同时为了避免BP神经网络(Back Propagation Neural Network)的过拟合问题，通过粒子群优化算法(Particle Swarm Optimization，PSO)对BP神经网络中的参数进行优化，设置通过迭代寻找粒子中的最优解，结合惯性权重调整粒子使其收敛，从而根据收敛的最优解实现对BP神经网络中的参数进行优化。然而，PSO中的惯性权重若设置不当，则会影响PSO的寻优效果，进而影响BP神经网络的预测精度。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种基于调整PSO惯性权重的母线短期负荷预测方法，包括：

S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；

S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；

S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；

S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。

可选的，所述BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。

可选的，所述S200包括：

获取粒子i在第k次迭代时的速度

基于公式一计算粒子i在第k次迭代时的适应度；

其中，fitness表示适应度，n为粒子总个数，

根据适应度确定第k次迭代后粒子i的个体极值

当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。

可选的，所述根据适应度确定第k次迭代后粒子i的个体极值

将粒子i在前k次迭代中适应度最小时的位置作为粒子i的个体极值

将所有粒子在前k次迭代中适应度最小时的位置作为全局极值

可选的，所述根据惯性权重结合个体极值

基于公式二更新第k+1次迭代中粒子i的速度

其中，

分别获取

可选的，所述S300包括：

获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；

根据输出结果和真实值计算评价指标；

将所有评价指标的乘积作为评价结果，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复S200；

当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。

可选的，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μ

本发明还基于同样的思路提出了一种基于调整PSO惯性权重的母线短期负荷预测装置，包括：

初始化单元：用于构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；

寻优单元：用于将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；

评价单元：用于评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复寻优单元的功能；

预测单元：用于若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。

可选的，所述评价单元具体用于：

获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；

根据输出结果和真实值计算评价指标；

将所有评价指标的乘积作为评价结果，当评价结果超过预设阈值时，以预设步长增大惯性权重，重复寻优单元的功能；

当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。

可选的，所述评价单元计算的评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μ

本发明提供的技术方案带来的有益效果是：

通过引入PSO算法对BP神经网络的参数进行优化，并通过评价指标对PSO算法中的惯性权重进行调整，能够结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度，实现对母线负荷的短期精确预测，为电力市场的稳定运行提供支撑。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提出的基于调整PSO惯性权重的母线短期负荷预测方法的流程示意图；

图2为BP神经网络的结构示意图；

图3为本发明提出的基于调整PSO惯性权重的母线短期负荷预测装置的结构框图。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

如图1所示，本实施例提出了一种基于调整PSO惯性权重的母线短期负荷预测方法，包括：

S100：构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；

S200：将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；

S300：评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复S200；

S400：若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。

通过引入PSO算法对BP神经网络的参数进行优化，并通过评价指标对PSO算法中的惯性权重进行调整，能够结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度，实现对母线负荷的短期精确预测，为电力市场的稳定运行提供支撑。

所述BP神经网络的结构图如图2所示，包括输入层、隐含层以及输出层。其中，x

本实施例中BP神经网络本身通过反向误差调整权值，输出层权值调整量为：

隐含层权值调整量为：

其中，η为预设的学习率，T

由此可见，BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。本实施例中通过PSO算法对上述参数进行优化，PSO算法是一种通过群体中个体之间的协作与信息共享实现的优化算法，以无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度与位置。本实施例中粒子的位置即BP神经网络的参数，速度表示粒子移动的快慢。在PSO算法中粒子通过跟踪两个极值来更新自己，粒子本身所找到的最优解定义为个体极值，整个种群即所有粒子中目前找到的最优解定义为全局极值。通过惯性权重与个体极值、全局极值不断对粒子的速度和位置继续迭代更新，直至达到迭代条件时停止。在本实施例中，首先将母线侧的历史数据作为训练集输入BP神经网络，得到BP神经网络的第k次迭代时输出结果

获取粒子i在第k次迭代时的速度

基于公式一计算粒子i在第k次迭代时的适应度；

其中，fitness表示适应度，n为粒子总个数，

根据适应度确定第k次迭代后粒子i的个体极值

随后，根据惯性权重结合个体极值

基于公式二更新第k+1次迭代中粒子i的速度

其中，

同时，为了符合母线短期负荷的场景需求，本实施例还为粒子的速度与位置设置了设定界限，具体包括：分别获取

最后，当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。

通过上述更新过程，实现BP神经网络参数的快速优化，PSO算法的简单易实现的优点有利于BP神经网络的快速建模。

为了进一步提高BP神经网路的预测精度，本实施例通过设置评论指标对PSO算法中的惯性权重进行优化调整，具体包括：

获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；

根据输出结果和真实值计算评价指标，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μ

所述平均相对误差E表示为：

所述最大相对误差M表示为：

其中，μ

所述超负荷率μ

所述高于真实值负荷率μ

所述低于真实值负荷率μ

其中，N为输出结果的总数，N

均方差误差RMSE表示为：

平均绝对百分比误差MAPE表示为：

BP神经网络的预测时间t

t

将所有评价指标的乘积作为评价结果，即评价结果为：

C＝E×M×μ

当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。

最后，通过更新好参数的BP神经网络，根据输入的实时数据对母线短期负荷进行预测，使BP神经网络能够输出更精准的预测结果。

实施例二

如图3所示，本实施例提出了一种基于调整PSO惯性权重的母线短期负荷预测装置5，包括：

初始化单元51：用于构建用于预测母线短期负荷的BP神经网络，初始化BP神经网络的参数，初始化PSO算法的惯性权重；

寻优单元52：用于将母线侧的历史数据作为训练集输入BP神经网络，基于惯性权重对PSO算法中的粒子进行迭代寻优，迭代结束后根据寻优结果更新BP神经网络的参数；

评价单元53：用于评价更新参数后的BP神经网络的输出结果，若评价结果超过预设阈值，调整惯性权重，基于调整后的惯性权重重复寻优单元的功能；

预测单元54：用于若评价结果符合预设条件，将母线侧的实时数据输入更新参数后的BP神经网络，得到母线短期负荷的预测结果。

通过引入PSO算法对BP神经网络的参数进行优化，并通过评价指标对PSO算法中的惯性权重进行调整，能够结合BP神经网络的训练效果对惯性权重进行合理的优化，提高了BP神经网络的预测精度，实现对母线负荷的短期精确预测，为电力市场的稳定运行提供支撑。

所述BP神经网络的结构图如图2所示，包括输入层、隐含层以及输出层。其中，x

本实施例中BP神经网络本身通过反向误差调整权值，输出层权值调整量为：

隐含层权值调整量为：

其中，η为预设的学习率，T

由此可见，BP神经网络的参数包括BP神经网络的输入层、隐含层、输出层之间的权重，以及BP神经网络中节点的阈值。本实施例中通过PSO算法对上述参数进行优化，PSO算法是一种通过群体中个体之间的协作与信息共享实现的优化算法，以无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度与位置。本实施例中粒子的位置即BP神经网络的参数，速度表示粒子移动的快慢。在PSO算法中粒子通过跟踪两个极值来更新自己，粒子本身所找到的最优解定义为个体极值，整个种群即所有粒子中目前找到的最优解定义为全局极值。通过惯性权重与个体极值、全局极值不断对粒子的速度和位置继续迭代更新，直至达到迭代条件时停止。在本实施例中，寻优单元52具体用于：

获取粒子i在第k次迭代时的速度

基于公式一计算粒子i在第k次迭代时的适应度；

其中，fitness表示适应度，n为粒子总个数，

根据适应度确定第k次迭代后粒子i的个体极值

随后，根据惯性权重结合个体极值

基于公式二更新第k+1次迭代中粒子i的速度

其中，

同时，为了符合母线短期负荷的场景需求，本实施例中寻优单元52还用于根据设定界限调整粒子的速度与位置，具体包括：分别获取

最后，当满足预设迭代条件时，停止迭代寻优，根据最后一次迭代中的全局极值对BP神经网络的参数进行更新。

通过上述更新过程，实现BP神经网络参数的快速优化，PSO算法的简单易实现的优点有利于BP神经网络的快速建模。

为了进一步提高BP神经网路的预测精度，本实施例的评价单元53具体用于：

获取BP神经网络的输出结果，根据训练集获取母线短期负荷的真实值；

根据输出结果和真实值计算评价指标，所述评价指标包括输出结果与真实值之间的平均相对误差E、最大相对误差M、超负荷率μ

所述平均相对误差E表示为：

所述最大相对误差M表示为：

其中，μ

所述超负荷率μ

所述高于真实值负荷率μ

所述低于真实值负荷率μ

其中，N为输出结果的总数，N

均方差误差RMSE表示为：

平均绝对百分比误差MAPE表示为：

BP神经网络的预测时间t

t

将所有评价指标的乘积作为评价结果，即评价结果为：

C＝E×M×μ

当评价结果不超过预设阈值时，停止惯性权重的调整，输出迭代结束后的BP神经网络。

最后，通过更新好参数的BP神经网络，根据输入的实时数据对母线短期负荷进行预测，使BP神经网络能够输出更精准的预测结果。