基于神經(jīng)網(wǎng)絡(luò)和思維演化搜索的短期負(fù)荷預(yù)測方法
【專利摘要】基于神經(jīng)網(wǎng)絡(luò)和思維演化搜索的短期負(fù)荷預(yù)測方法，其步驟為：步驟一：獲取歷史負(fù)荷數(shù)數(shù)據(jù)，并對其進(jìn)行分段以及歸一化處理；步驟二：獲取天氣狀況和日期類型等相關(guān)影響負(fù)荷預(yù)測的數(shù)據(jù)樣本，連同歷史負(fù)荷數(shù)據(jù)一起作為輸入變量；步驟三：確定訓(xùn)練集、測試集的輸入輸出樣本；步驟四：根據(jù)輸入輸出樣本的矩陣維數(shù)；步驟五：確定Elman網(wǎng)絡(luò)結(jié)構(gòu)；步驟六：由網(wǎng)絡(luò)結(jié)構(gòu)確定編碼長度；步驟七：進(jìn)行MEA算法參數(shù)設(shè)置；步驟八：進(jìn)行趨同和異化操作，獲取最優(yōu)權(quán)值，最優(yōu)閾值；步驟九：由最優(yōu)權(quán)值和閾值建立Elman網(wǎng)絡(luò)模型，并進(jìn)行負(fù)荷預(yù)測；步驟十：對網(wǎng)絡(luò)輸出值進(jìn)行去歸一化處理，得到預(yù)測值，并進(jìn)行誤差分析和預(yù)測性能評估。
【專利說明】
基于神經(jīng)網(wǎng)絡(luò)和思維演化搜索的短期負(fù)荷預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于電力系統(tǒng)配電網(wǎng)負(fù)荷預(yù)測技術(shù)領(lǐng)域，具體設(shè)及一種基于神經(jīng)網(wǎng)絡(luò)和思 維演化捜索的短期負(fù)荷預(yù)測方法。
【背景技術(shù)】
[0002] 電力負(fù)荷預(yù)測是電力規(guī)劃、營銷、市場交易、調(diào)度等部口工作的重要依據(jù)，較好的 預(yù)測方法有助于電力部口作出正確的決策。根據(jù)預(yù)測時間長短，通?？蒞將電力系統(tǒng)負(fù)荷 預(yù)測分為長期、中期、短期W及超短期預(yù)測等幾種類型。
[0003] 其中短期負(fù)荷預(yù)測是電力負(fù)荷預(yù)測的重要組成部分，主要包括日負(fù)荷預(yù)測和周負(fù) 荷預(yù)測，分別用于安排日調(diào)度計劃和周調(diào)度計劃。在當(dāng)前的電力市場條件下，提高短期負(fù)荷 預(yù)測精度，對安排開停機(jī)計劃、機(jī)組最優(yōu)組合、發(fā)電容量的合理規(guī)劃W及經(jīng)濟(jì)調(diào)度和電力市 場交易等有著重要的實際意義。
[0004] 目前國內(nèi)外專家學(xué)者提出了多種預(yù)測方法，根據(jù)預(yù)測數(shù)學(xué)建模方法的不同主要可 W分為兩大類:數(shù)學(xué)統(tǒng)計法和人工智能法。數(shù)學(xué)統(tǒng)計法主要包括:隨機(jī)序列法、線性回歸法、 狀態(tài)空間法W及指數(shù)平滑法等。數(shù)學(xué)統(tǒng)計方法能夠較好地進(jìn)行線性負(fù)荷預(yù)測，而缺乏處理 非線性負(fù)荷的能力。人工智能方法包括:專家系統(tǒng)法、模糊推理法、人工神經(jīng)網(wǎng)絡(luò)法等。專家 系統(tǒng)法需獲取經(jīng)驗操作知識，而將經(jīng)驗知識轉(zhuǎn)化為數(shù)學(xué)規(guī)則是比較困難的。模糊推理是專 家系統(tǒng)的擴(kuò)展，為了獲取負(fù)荷數(shù)據(jù)的非線性行為，需要通過專家知識構(gòu)造模糊推理最優(yōu)結(jié) 構(gòu)和最小化誤差模型。人工神經(jīng)網(wǎng)絡(luò)不依賴人為經(jīng)驗，通過訓(xùn)練樣本數(shù)據(jù)，建立預(yù)測網(wǎng)絡(luò)， 能夠較好地處理負(fù)荷數(shù)據(jù)的非線性關(guān)系。
[0005] 經(jīng)檢索，基于BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測方法(公開號為CN 103295081 A)， W及專利一種基于Elman神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測方法(公開號為CN 104636822 A)，存在 如下問題：由于BP神經(jīng)網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)均采用的是BP算法，W上專利未考慮BP算法在學(xué)習(xí) 新樣本時，有遺忘舊樣本的趨勢，且在求取權(quán)值闊值時，存在容易陷入局部極小解的缺陷， 影響負(fù)荷預(yù)測精度。
[0006] 本發(fā)明選擇了 Elman人工神經(jīng)網(wǎng)絡(luò)，具有短期記憶功能，能夠避免網(wǎng)絡(luò)在訓(xùn)練新樣 本時遺忘舊樣本的弊端。同時利用思維進(jìn)化算法(MEA)的全局尋優(yōu)與并行捜索性能，優(yōu)化 Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和闊值，建立了MEA-Elman預(yù)測模型，提高了預(yù)測準(zhǔn)確率。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是提供一種基于神經(jīng)網(wǎng)絡(luò)和思維演化捜索的短期負(fù)荷預(yù)測方法。 [000引本發(fā)明是基于神經(jīng)網(wǎng)絡(luò)和思維演化捜索的短期負(fù)荷預(yù)測方法，其步驟為： 步驟一:獲取歷史負(fù)荷數(shù)數(shù)據(jù)，并對其進(jìn)行分段W及歸一化處理； 步驟二:獲取天氣狀況和日期類型等相關(guān)影響負(fù)荷預(yù)測的數(shù)據(jù)樣本，連同歷史負(fù)荷數(shù) 據(jù)一起作為輸入變量； 步驟=:確定訓(xùn)練集、測試集的輸入輸出樣本； 步驟四：根據(jù)輸入輸出樣本的矩陣維數(shù)，確定Elman網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)Si和輸出層 神經(jīng)元個數(shù)S3，中間隱含層神經(jīng)元個數(shù)由網(wǎng)絡(luò)反復(fù)訓(xùn)練決定，記為S2 ; 步驟五:確定E Iman網(wǎng)絡(luò)結(jié)構(gòu)，E Iman網(wǎng)絡(luò)由輸入層、隱含層、承接層、輸出層構(gòu)成，其中 承接層用來記憶隱含層前一時刻的輸出，并將該輸出信息反饋給隱含層，通常可將該網(wǎng)絡(luò) 結(jié)構(gòu)簡記為S1-S2-S3; 步驟六：由網(wǎng)絡(luò)結(jié)構(gòu)確定編碼長度，記為S，即所需優(yōu)化的權(quán)值闊值個數(shù)； 步驟屯:進(jìn)行MEA算法參數(shù)設(shè)置，設(shè)置種群大小POPsize、優(yōu)勝種群個數(shù)Bestsize、臨時種 群大小Tenisize、子群體大小Sg ; 步驟八:進(jìn)行趨同和異化操作，比較其適應(yīng)度值Fitness大小并產(chǎn)生優(yōu)勝個體，獲取最 優(yōu)權(quán)值Wl、W2、W3，最優(yōu)闊值bi、b2; 步驟九：由最優(yōu)權(quán)值和闊值Wi、W2、W3、bi、b2建立Elman網(wǎng)絡(luò)模型，并進(jìn)行負(fù)荷預(yù)測； 步驟十:對網(wǎng)絡(luò)輸出值進(jìn)行去歸一化處理，得到預(yù)測值，并進(jìn)行誤差分析和預(yù)測性能評 估。
[0009]本發(fā)明的預(yù)測模型有益效果是:本發(fā)明利用MEA算法優(yōu)化Elman網(wǎng)絡(luò)，避免網(wǎng)絡(luò)在 求取權(quán)值闊值易陷入局部極小解的缺陷，進(jìn)而提高負(fù)荷預(yù)測的精度，對電力系統(tǒng)合理調(diào)度、 市場規(guī)劃W及提高用電效率，有著重要意義。
【附圖說明】
[0010]圖1為本發(fā)明預(yù)測模型結(jié)構(gòu)框圖，圖2為本發(fā)明使用的MEA算法流程圖，圖3為本發(fā) 明使用的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，圖4為本發(fā)明使用的MEA-Elman優(yōu)化模型流程圖，圖5為本 發(fā)明提出的MEA-Elman預(yù)測模型預(yù)測結(jié)果與Elman神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比圖，圖6為本發(fā)明 提出的MEA-Elman預(yù)測模型預(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比圖，圖7為負(fù)荷預(yù)測的電力 大數(shù)據(jù)平臺架構(gòu)圖，圖8為MapReduce并行計算原理圖，圖9為本發(fā)明提出的MEA-Elman預(yù)測 算法與MapReduce結(jié)合的預(yù)測框圖。
【具體實施方式】
[0011]實施例一，本發(fā)明是基于神經(jīng)網(wǎng)絡(luò)和思維演化捜索的短期負(fù)荷預(yù)測方法，其步驟 為： 步驟一:獲取歷史負(fù)荷數(shù)數(shù)據(jù)，并對其進(jìn)行分段W及歸一化處理； 步驟二:獲取天氣狀況和日期類型等相關(guān)影響負(fù)荷預(yù)測的數(shù)據(jù)樣本，連同歷史負(fù)荷數(shù) 據(jù)一起作為輸入變量； 步驟=:確定訓(xùn)練集、測試集的輸入輸出樣本； 步驟四：根據(jù)輸入輸出樣本的矩陣維數(shù)，確定Elman網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)Si和輸出層 神經(jīng)元個數(shù)S3，中間隱含層神經(jīng)元個數(shù)由網(wǎng)絡(luò)反復(fù)訓(xùn)練決定，記為S2 ; 步驟五:確定E Iman網(wǎng)絡(luò)結(jié)構(gòu)，E Iman網(wǎng)絡(luò)由輸入層、隱含層、承接層、輸出層構(gòu)成，其中 承接層用來記憶隱含層前一時刻的輸出，并將該輸出信息反饋給隱含層，通?？蓪⒃摼W(wǎng)絡(luò) 結(jié)構(gòu)簡記為S1-S2-S3; 步驟六：由網(wǎng)絡(luò)結(jié)構(gòu)確定編碼長度，記為S，即所需優(yōu)化的權(quán)值闊值個數(shù)； 步驟屯:進(jìn)行MEA算法參數(shù)設(shè)置，設(shè)置種群大小POPsize、優(yōu)勝種群個數(shù)Bestsize、臨時種 群大小Tenisize、子群體大小Sg ; 步驟八:進(jìn)行趨同和異化操作，比較其適應(yīng)度值Fitness大小并產(chǎn)生優(yōu)勝個體，獲取最 優(yōu)權(quán)值Wl、W2、W3，最優(yōu)闊值bi、b2; 步驟九：由最優(yōu)權(quán)值和闊值Wi、W2、W3、bi、b2建立Elman網(wǎng)絡(luò)模型，并進(jìn)行負(fù)荷預(yù)測； 步驟十:對網(wǎng)絡(luò)輸出值進(jìn)行去歸一化處理，得到預(yù)測值，并進(jìn)行誤差分析和預(yù)測性能評 估。
[0012] W上所述預(yù)測方法，步驟一中歷史負(fù)荷數(shù)據(jù)分段規(guī)則為：用過去L個時刻的值，進(jìn) 行P步預(yù)測，可取L個相鄰的樣本為滑動窗，并將它們映射為P個預(yù)測值，即輸入為：{[XI、 X2……Xl]、[X2、X3……Xl+1]...[Xk、Xk+1……乂1(心1]}，則對應(yīng)輸出為：{^^^1+2……Xl+p]、 [Xl+2、Xl+3……Xl+p+1 ]…[化吐、)(k+l+i……化心P-I]};運(yùn)里取L = 3,P=I，即用前S天的負(fù)荷數(shù)據(jù) 預(yù)測第四天負(fù)荷變化情況。
[0013] W上所述預(yù)測方法，步驟一中歸一化處理表達(dá)式為：
(1) 其中ymin和ymax是歸一化參數(shù)，取ymin = 0，ymax = 1 ; y為歸一化后標(biāo)準(zhǔn)值，取值范圍為 [ymin，ymax];而X為樣本原始值，Xmin、Xmax分別為樣本中的最小值和最大值。
[0014] W上所述預(yù)測方法，步驟六中編碼長度S表達(dá)式為： S = 81*82+82*82+82*83+82+83 (2) 其中Sl巧2為輸入層到隱含層的連接權(quán)值的個數(shù)，S2*S2為承接層到隱含層的連接權(quán)值 個數(shù)，S2*S3為隱含層到輸出層的連接權(quán)值個數(shù)，S2為隱含層闊值個數(shù)，S3為輸出層闊值個 數(shù)。
[0015] W上所述預(yù)測方法，步驟屯中子群體大小Sg表達(dá)式為： SG = POPsize/(Bestsize 巧 emsize) (3) 其中POPsize為種群大小、Bestsize優(yōu)勝種群個數(shù)、Temsize臨時種群個數(shù)。
[0016] W上所述預(yù)測方法，步驟八中適應(yīng)度值函數(shù)Fitness表達(dá)式為：
(4) 其中Ttest為測試集真實值，Tsim為測試集預(yù)測值，n為預(yù)測值個數(shù)。
[0017] W上所述預(yù)測方法，步驟十中去歸一化處理表達(dá)式為：
巧） 其中XF為去歸一化后的返回值，XTmax和XTmin分別為測試集樣本中的最大值和最小值，y。 為網(wǎng)絡(luò)輸出值，參數(shù)ymin和ymax的值保持不變，分別取為0和1。
[001 8] W上所述預(yù)測方法，步驟十中誤差分析表達(dá)式為：
腳 (7) 其中Rei為實際值，F(xiàn)i為預(yù)測值，N為預(yù)測值個數(shù)；MAPE為平均百分絕對誤差（Mean Absolute F*e;rcen1:age Error) ;RM沈為均方根誤差（Root Mean Square Error)。
[0019] 下面對本發(fā)明的方法做進(jìn)一步的展開，本發(fā)明的方法的具體步驟為： (1) 獲取歷史負(fù)荷數(shù)數(shù)據(jù)，并對其進(jìn)行分段W及歸一化處理； (2) 獲取天氣狀況和日期類型等相關(guān)影響負(fù)荷預(yù)測的數(shù)據(jù)樣本，連同歷史負(fù)荷數(shù)據(jù)一 起作為輸入變量； (3) 確定訓(xùn)練集、測試集的輸入輸出樣本； (4) 根據(jù)輸入輸出樣本的矩陣維數(shù)，確定Elman網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)Si和輸出層神經(jīng) 元個數(shù)S3，中間隱含層神經(jīng)元個數(shù)由網(wǎng)絡(luò)反復(fù)訓(xùn)練決定，記為S2 ; (5) 確走Elman網(wǎng)絡(luò)結(jié)構(gòu),Elman網(wǎng)絡(luò)由輸入層、隱含層、承接層、輸出層構(gòu)成,其中承接 層用來記憶隱含層前一時刻的輸出，并將該輸出信息反饋給隱含層，通常可將該網(wǎng)絡(luò)結(jié)構(gòu) 簡記為S1-S2-S3; (6) 由網(wǎng)絡(luò)結(jié)構(gòu)確定編碼長度，記為S，即所需優(yōu)化的權(quán)值闊值個數(shù)； (7) 進(jìn)行MEA算法參數(shù)設(shè)置，設(shè)置種群大小POPsize、優(yōu)勝種群個數(shù)Bestsize、臨時種群大 小Temsize、子群體大小Sg; (8) 進(jìn)行趨同和異化操作，比較其適應(yīng)度值Fitness大小并產(chǎn)生優(yōu)勝個體，獲取最優(yōu)權(quán) 值Wl、W2、W3，最優(yōu)闊值bi、b2 ; (9) 由最優(yōu)權(quán)值和闊值Wi、W2、W3、bi、b2建立E Iman網(wǎng)絡(luò)模型，并進(jìn)行負(fù)荷預(yù)測； (10) 對網(wǎng)絡(luò)輸出值進(jìn)行去歸一化處理，得到預(yù)測值，并進(jìn)行誤差分析和預(yù)測性能評估。
[0020] 其中步驟（1)中歷史負(fù)荷數(shù)據(jù)分段規(guī)則為：用過去L個時刻的值，進(jìn)行P步預(yù)測，可 取L個相鄰的樣本為滑動窗，并將它們映射為P個預(yù)測值，即輸入為：{[Xi、X2……Xl]、[X2、 X3……Xl + 1]...[Xk、Xk+1……乂1(心1]}，則對應(yīng)輸出為：{[乂^1^1+2……Xl+p]、[Xl+2、Xl+3…… Xl+p+1]…[XkaJk+l+i……乂1(吐沖-1]};運(yùn)里取1 = 3，？ = 1，即用前^天的負(fù)荷數(shù)據(jù)預(yù)測第四天負(fù) 荷變化情況。
[0021 ]其中步驟(1)中歸一化處理的表達(dá)式如下：
(1) 其中ymin和ymax是歸一化參數(shù)，取ymin = 0，ymax = 1 ; y為歸一化后標(biāo)準(zhǔn)值，取值范圍為 [ymin，ymax];而X為樣本原始值，Xmin、Xmax分別為樣本中的最小值和最大值。
[0022] 其中步驟(6)中編碼長度S表達(dá)式如下： S = 81*82+82*82+82*83+82+83 (2) 式中，Sl*S2為輸入層到隱含層的連接權(quán)值的個數(shù)，S2*S2為承接層到隱含層的連接權(quán)值 個數(shù)，S2*S3為隱含層到輸出層的連接權(quán)值個數(shù)，S2為隱含層闊值個數(shù)，S3為輸出層闊值個 數(shù)。
[0023] 其中步驟(7)子群體大小Sc表達(dá)式為： SG = P0Psize/(Bestsize 巧 emsize) (3) 式中，POPsize為種群大小、Bestsize優(yōu)勝種群個數(shù)、Temsize臨時種群個數(shù)。
[0024] 其中步驟(8)適應(yīng)度值函數(shù)F i tne S S表達(dá)式為：
(4) 其中Ttest為測試集真實值，Tsim為測試集預(yù)測值，n為預(yù)測值個數(shù)。
[002引其中步驟(9似Wi、W2、W3、bi、b2為權(quán)值闊值的賦值表達(dá)式為： net_optimized. IWjl, 1} =Wi (5) net_optimized 丄 W(1,1} =W2 (6) net_optimized.LW{2,1} = W3 (7) net_optimized.b{l} = bi (8) net_optimized.b{2} =b2 (9) (5)式表示將Wi賦值給輸入層到隱含層間的連接權(quán)值；（6)式表示將W2賦值給承接層到 隱含層間的連接權(quán)值；（7)式表示將W3賦值給隱含層到輸出層間的連接權(quán)值；（8)式表示將bi 賦值給隱含層的闊值；（9)式表示將b2賦值給輸出層的闊值；（5)~(9)式中net_optimized 表示經(jīng)MEA算法優(yōu)化后的權(quán)值闊值。
[0026] 其中步驟(9)中Elman網(wǎng)絡(luò)模型狀態(tài)空間表達(dá)式如下： yh(k) =g(wiu(k-l)+w 巧 c(k)+bi) (10) yc(k)=yh(；k-l) (11) y〇(k)=f(W3yh(；k)+b2) (12) (10)式中yh化)為隱含層輸出，W功輸入層至隱含層連接權(quán)值，U化-I)為輸入樣本，W2為 承接層到隱含層間的連接權(quán)值，y。化)為承接層輸出，bi為隱含層闊值，g化)為隱含層傳遞函 數(shù)，可W選擇為Sigmoid函數(shù)，表達(dá)式為:g化）= 1/(1+6^); (11)式中yc化)為承接層輸出，yh 化-1)為隱含層前一時刻輸出；（12)式中yo化)為輸出層輸出，W3為隱含層至輸出層的連接權(quán) 值，yh化)為隱含層輸出，為輸出層闊值，f化)為輸出層傳遞函數(shù)，一般為線性函數(shù)。
[0027] 其中步驟(10)中去歸一化處理表達(dá)式為：
(13) 其中XF為去歸一化后的返回值，XTmax和XTmin分別為測試集樣本中的最大值和最小值，y。 為網(wǎng)絡(luò)輸出值，參數(shù)ymin和ymax的值保持不變，分別取為0和1。
[0028] 其中步驟(10)中誤差表達(dá)式如下：
(14) (15) (14)、（15)式中Rei為真實值，F(xiàn)i為預(yù)測值，N為預(yù)測值個數(shù)；（14)式中MAPE為平均百分 絕對誤差（MeanAbsolute Percentage Error); (15)式中RM 沈為均方根誤差（Root Mean Square Error) ;MAPE、RMSE可同時作為預(yù)測的綜合評價標(biāo)準(zhǔn);MAPE、RM沈值越小，表明預(yù)測 效果越好。
[0029] 下面結(jié)合附圖詳細(xì)說明本發(fā)明的具體實施方案。
[0030] 該實施方案采用某地區(qū)1月份前30天每日整點負(fù)荷、天氣狀況及其日期類型為數(shù) 據(jù)樣本，預(yù)測第31天整點時刻負(fù)荷。
[0031] 圖1為本發(fā)明預(yù)測模型結(jié)構(gòu)框圖，本發(fā)明將天氣狀況、日期類型、W及歷史負(fù)荷數(shù) 據(jù)作為MEA-Elman預(yù)測模型的輸入，進(jìn)行負(fù)荷預(yù)測。其中天氣狀況可用歸一化參數(shù)表示，如 表1所示。日期類型歸一化參數(shù)如表2所示。 「00)勺1 口 ^來Zr
[0034] 取每天24點的負(fù)荷數(shù)據(jù)，產(chǎn)生31X24的數(shù)據(jù)樣本，記為：
(1巧 對數(shù)據(jù)樣本進(jìn)行分段處理，用前3天的整點負(fù)荷數(shù)據(jù)預(yù)測第4天的整點負(fù)荷數(shù)據(jù)，此時 形成新的數(shù)據(jù)樣本，記為：
(17) 將P矩陣的1到27行作為訓(xùn)練集的輸入，記為Ptrain;將化ta矩陣4到30行作為訓(xùn)練集的 輸出，記為Ttrain;將P矩陣的第28行作為測試集的輸入，記為Ptest;將化化矩陣的第31行作為 測試集的輸出，記為Ttest。同時考慮每天天氣狀況及其日期類型，便可W前30天負(fù)荷數(shù)據(jù)預(yù) 測第31天24個整點時刻的負(fù)荷數(shù)據(jù)。
[0035] 確定網(wǎng)絡(luò)各層神經(jīng)元個數(shù)，本專利采用前3天整點負(fù)荷預(yù)測第4天負(fù)荷，每天隔1小 時對負(fù)荷進(jìn)行采集一次，一天共計24組數(shù)據(jù)，=天共計72組數(shù)據(jù)，考慮天氣狀況和日期類型 運(yùn)兩組數(shù)據(jù)，則可確定網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為74,網(wǎng)絡(luò)輸出層神經(jīng)元個數(shù)為24,隱含層神 經(jīng)元個數(shù)經(jīng)網(wǎng)絡(luò)經(jīng)網(wǎng)絡(luò)反復(fù)訓(xùn)練設(shè)置為97。
[0036] 圖2為思維進(jìn)化算法流程圖，首先進(jìn)行MEA算法初始化，產(chǎn)生初始種群，然后隨機(jī)產(chǎn) 生優(yōu)勝子群體和臨時子群體，再進(jìn)行趨同異化操作，最后選出適應(yīng)度值最高的子群體，輸出 最優(yōu)個體。其中趨同是在子群體內(nèi)進(jìn)行，計算所有個體適應(yīng)度值，適應(yīng)度值最高者為優(yōu)勝個 體，其余個體向優(yōu)勝者學(xué)習(xí)，并產(chǎn)生新的子群體，重復(fù)W上操作，直至該子群體成熟;異化是 在整個解空間進(jìn)行，將臨時子群體的適應(yīng)度值與優(yōu)勝子群體的適應(yīng)度值比較，若高于優(yōu)勝 子群體適應(yīng)度值，則替代該優(yōu)勝子群體，反之，則將該臨時子群體遺棄。MEA算法與遺傳算法 相比，可W記憶不止一代的進(jìn)化信息，結(jié)構(gòu)上具有并行特性，用趨同和異化計算代替了遺傳 算法中的交叉和變異操作，提高了進(jìn)化效率。
[0037] 圖3為Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，Elman神經(jīng)網(wǎng)絡(luò)是一種動態(tài)反饋網(wǎng)絡(luò)，包括輸入層、 隱含層、承接層、輸出層。其中承接層是一個特別的隱含層，該層從隱含層接收反饋信號，通 過聯(lián)接記憶將上一個時刻的隱層狀態(tài)連同當(dāng)前時刻的網(wǎng)絡(luò)輸入一起作為隱層的輸入，相當(dāng) 于狀態(tài)反饋。它與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比，具有短期記憶功能，能夠避免網(wǎng)絡(luò)在訓(xùn)練 新樣本時遺忘舊樣本的缺陷。
[003引圖4為MEA-Elman優(yōu)化模型流程圖，具體工作流程如下： Stepl:產(chǎn)生訓(xùn)練集/測試集； Step2:確定網(wǎng)絡(luò)結(jié)構(gòu)，并對MEA算法進(jìn)行參數(shù)設(shè)置； Step3:產(chǎn)生初始種群、優(yōu)勝子種群和臨時子種群； Step4:子種群的趨同和異化操作； Steps:根據(jù)適應(yīng)度值大小，找出最優(yōu)個體； Step6:由最優(yōu)個體的權(quán)值闊值建立Elman網(wǎng)絡(luò)； Step7:預(yù)測并仿真，分析預(yù)測結(jié)果，保存最優(yōu)MEA-Elman模型。
[0039] 圖5、圖6分別為本發(fā)明提出的MEA-Elman預(yù)測模型預(yù)測結(jié)果與Elman神經(jīng)網(wǎng)絡(luò)W及 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比圖。由圖可知MEA-Elman模型預(yù)測精度明顯高于Elman網(wǎng)絡(luò)模型， W及傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型。
[0040] 此外，MEA-E Iman、E Iman、BPS種不同模型的預(yù)測結(jié)果，如表3所示。
[0041 ]表 3MEA-Elman、Elman、BP 預(yù)測結(jié)果分析：
由表3，可W計算出各模型的MA陽值、RISE值，如表4所示。
[0042] 表 4MEA-E Iman、E Iman、BP 模型誤差分析： 由表4可知，本發(fā)明提供的MEA-Elman
模型具有更好的預(yù)測精度。它與Elman網(wǎng)絡(luò)相比， 表明該優(yōu)化算法的可行性;與BP網(wǎng)絡(luò)相比，表明該預(yù)測模型比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型在預(yù) 測精度上有了較大改善。該預(yù)測模型提高了負(fù)荷預(yù)測精度，對實現(xiàn)發(fā)電容量的合理調(diào)度、經(jīng) 濟(jì)調(diào)度、電力市場交易具有實際意義。
[0043] 實施例二，隨著數(shù)字信息化的迅猛發(fā)展，信息量呈爆炸性增長態(tài)勢，全球已進(jìn)入大 數(shù)據(jù)時代。電力大數(shù)據(jù)不僅是大數(shù)據(jù)技術(shù)在電力行業(yè)的深入應(yīng)用，也是電力生產(chǎn)、消費(fèi)及相 關(guān)技術(shù)革命與大數(shù)據(jù)理念的深度融合，將加速推進(jìn)電力產(chǎn)業(yè)發(fā)展及商業(yè)模式創(chuàng)新。
[0044] 圖7為包括負(fù)荷預(yù)測的電力大數(shù)據(jù)平臺架構(gòu)圖，首先通過傳感器、智能電表W及 SCADA等采集單元獲得電力大數(shù)據(jù)，然后在分布式文件系統(tǒng)進(jìn)行云存儲，再通過云計算對數(shù) 據(jù)進(jìn)行并行化處理分析，最后將分析的結(jié)果應(yīng)用到?jīng)Q策、營銷和調(diào)度等領(lǐng)域。
[0045] 負(fù)荷預(yù)測是電力大數(shù)據(jù)的重要應(yīng)用技術(shù)之一，是市場營銷和電力調(diào)度所需的基本 信息。該實施例從并行負(fù)荷預(yù)測出發(fā)，將云計算編程模型MapReduce和本專利提出的MEA- Elman預(yù)測算法相結(jié)合，可W提高M(jìn)EA-Elman預(yù)測算法處理海量數(shù)據(jù)的能力和預(yù)測精度。因 MEA算法和神經(jīng)網(wǎng)絡(luò)具有對數(shù)據(jù)并行處理的自然稟賦，故將MapReduce并行計算框架和MEA- Elman預(yù)測算法相結(jié)合具有可行性。
[0046] 圖8為MapReduce并行計算原理圖，主要分為I叩Ut階段、Map階段、ShuffIe階段、 Reduce階段和Ou化Ut階段。Input階段是從分布式文件系統(tǒng)讀取數(shù)據(jù)集，并將該數(shù)據(jù)集做分 片處理;Map階段把輸入的數(shù)據(jù)分片看做一組化ey，value)鍵值對，然后按用戶編寫的Map函 數(shù)運(yùn)行、處理，生成新的化ey ,value)中間鍵值對;Shuff Ie階段把中間鍵值對從Map節(jié)點轉(zhuǎn) 移到Reduce節(jié)點W及鍵值的排序;Reduce階段遍歷所有中間值，按用戶編寫的Reduce函數(shù) 合并相同鍵對應(yīng)的值;Output階段即輸出相應(yīng)的計算結(jié)果，并存儲相應(yīng)位置。
[0047] 圖9為本發(fā)明提出的MEA-Elman預(yù)測算法與MapReduce結(jié)合的預(yù)測框圖。對海量負(fù) 荷數(shù)據(jù)集進(jìn)行分塊處理，并分發(fā)至各個MEA-Elman預(yù)測模塊進(jìn)行訓(xùn)練，即Map階段;然后將 Map階段的訓(xùn)練結(jié)果傳輸?shù)絉educe節(jié)點進(jìn)行合并處理;最后確定最終的預(yù)測模型，根據(jù)所需 的數(shù)據(jù)樣本進(jìn)行負(fù)荷預(yù)測。
【主權(quán)項】
1. 基于神經(jīng)網(wǎng)絡(luò)和思維演化搜索的短期負(fù)荷預(yù)測方法，其特征在于，其步驟為： 步驟一:獲取歷史負(fù)荷數(shù)數(shù)據(jù)，并對其進(jìn)行分段以及歸一化處理； 步驟二:獲取天氣狀況和日期類型等相關(guān)影響負(fù)荷預(yù)測的數(shù)據(jù)樣本，連同歷史負(fù)荷數(shù) 據(jù)一起作為輸入變量； 步驟三:確定訓(xùn)練集、測試集的輸入輸出樣本； 步驟四：根據(jù)輸入輸出樣本的矩陣維數(shù)，確定Elman網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)SdP輸出層 神經(jīng)元個數(shù)S3，中間隱含層神經(jīng)元個數(shù)由網(wǎng)絡(luò)反復(fù)訓(xùn)練決定，記為S2; 步驟五：確定Elman網(wǎng)絡(luò)結(jié)構(gòu)，Elman網(wǎng)絡(luò)由輸入層、隱含層、承接層、輸出層構(gòu)成，其中 承接層用來記憶隱含層前一時刻的輸出，并將該輸出信息反饋給隱含層，通?？蓪⒃摼W(wǎng)絡(luò) 結(jié)構(gòu)簡記為Sl-S2-S3 ; 步驟六：由網(wǎng)絡(luò)結(jié)構(gòu)確定編碼長度，記為S，即所需優(yōu)化的權(quán)值閾值個數(shù)； 步驟七:進(jìn)行MEA算法參數(shù)設(shè)置，設(shè)置種群大小POPslze、優(yōu)勝種群個數(shù)Bestslze、臨時種群 大小Temsize、子群體大小Sg; 步驟八:進(jìn)行趨同和異化操作，比較其適應(yīng)度值Fitness大小并產(chǎn)生優(yōu)勝個體，獲取最 優(yōu)權(quán)值Wl、W2、W3，最優(yōu)閾值bi、b2; 步驟九：由最優(yōu)權(quán)值和閾值Wl、W2、W3、bl、b2建立Elman網(wǎng)絡(luò)模型，并進(jìn)行負(fù)荷預(yù)測； 步驟十:對網(wǎng)絡(luò)輸出值進(jìn)行去歸一化處理，得到預(yù)測值，并進(jìn)行誤差分析和預(yù)測性能評 估。2. 如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟一歷史負(fù)荷數(shù)據(jù)分段規(guī)則為：用過去L 個時刻的值，進(jìn)行P步預(yù)測，可取L個相鄰的樣本為滑動窗，并將它們映射為P個預(yù)測值，即輸 入為：{[Χι、Χ2……Xl]、[X 2、X3……Xl+i]."[Xk、Xk+i……Xk+l-1]}，則對應(yīng)輸出為：{[Xl+i、 X L+2 ……Xl+p ]、[ XL+2、XL+3 ……Xl+p+i ]…[Xk+l、Xk+l+i ……Xk+l+p-i ]};這里取 L = 3，P=1，艮 p 用前三 天的負(fù)荷數(shù)據(jù)預(yù)測第四天負(fù)荷變化情況。3. 如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟一中歸一化處理表達(dá)式為：⑴ 其中ymin和ymax是歸一化參數(shù)，取ymin = 0，ymax = I ; y為歸一化后標(biāo)準(zhǔn)值，取值范圍為 [ymin，ymax];而X為樣本原始值，Xmin、Xmax分別為樣本中的最小值和最大值。 4 .如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟六中編碼長度S表達(dá)式為： S=Sl*S2+S2*S2+S2*S3+S2+S3 (2) 其中SAS2為輸入層到隱含層的連接權(quán)值的個數(shù)，&*&為承接層到隱含層的連接權(quán)值個 數(shù)，&*&為隱含層到輸出層的連接權(quán)值個數(shù)，S2為隱含層閾值個數(shù)，S3為輸出層閾值個數(shù)。5. 如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟七中子群體大小Sg表達(dá)式為： SG = POPsize/(Bestsize+Temsize) (3) 其中POPsize3為種群大小、Bestsizf3優(yōu)勝種群個數(shù)、Temsizf3臨時種群個數(shù)。6. 如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟八中適應(yīng)度值函數(shù)Fitness表達(dá)式為： (4) 其中Ttest測試集負(fù)荷真實值，Tsim為測試集預(yù)測值，η為預(yù)測值個數(shù)。7. 如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟十中去歸一化處理表達(dá)式為：(5) 其中XF為去歸一化后的返回值，XTmajPXTmin分別為測試集樣本中的最大值和最小值，y。 為網(wǎng)絡(luò)輸出值，參數(shù)ymin和ymax的值保持不變，分別取為O和1。8. 如權(quán)利要求1所述預(yù)測方法，其特征在于，步驟十中誤差分析表達(dá)式為：(6) (7) 其中Rei為真實值，F(xiàn)i為預(yù)測值，N為預(yù)測值個數(shù)；MAPE為平均百分絕對誤差（Mean Absolute Percentage Error) ;RMSE為均方根誤差（Root Mean Square Error)。
【文檔編號】G06Q10/04GK106022549SQ201610606112
【公開日】2016年10月12日
【申請日】2016年7月28日
【發(fā)明人】包廣清, 林麒麟, 汪寧渤, 王曉蘭, 張曉英
【申請人】蘭州理工大學(xué)