基于混沌麻雀搜索算法的短期电力负荷预测方法及装置

1.本发明涉及电力负荷技术领域，尤其是涉及一种基于混沌麻雀搜索算法的短期电力负荷预测方法及装置。


背景技术：

2.目前，对短期电力负荷的预测方法可以分为传统预测方法、现代预测方法。传统预测方法主要有时间序列法、回归分析法等。时间序列法的本质就是在历史负荷的基础上，根据统计规律性研究电力负荷的变化过程，推导出表达式进行预测；回归分析法的本质和时间序列法类似，只不过在其中加入了影响负荷的外在因素考虑；现代预测方法主要有人工神经网络预测法、小波分析预测法、支持向量机法等。人工神经网络可通过自身强大的多元非线性捕捉映射能力来精确获取各种影响因素与电力负荷值之间的关系；小波分析预测法是对系统产生的小波进行收集分类，将不同性质的负荷区分出来，再挑选特定特征的负荷，分析其规律来决定预测方法；支持向量机法是将支持向量机应用到电力系统中来进行负荷预测。目前更多使用的是现代预测方法。
3.在进行短期电力负荷预测时，传统预测方法所需数据少，结构相对简单，但对历史数据准确性要求较高，且难以解决天气等影响因素引起的预测精度低的问题，因此现在很少使用传统的单一预测方法；现代预测方法相对传统预测方法，在预测精度方面有所提升，且可以考虑更多影响电力负荷值的因素，但是很多预测模型都容易陷入局部最优或全局最优、收敛速度慢、收敛精度低，容易影响最后预测值。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于混沌麻雀搜索算法的短期电力负荷预测方法及装置。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于混沌麻雀搜索算法的短期电力负荷预测方法，包括以下步骤：
7.s1：获取历史电力负荷数据，并根据历史电力负荷数据获取电力负荷值影响因素；
8.s2：对历史电力负荷数据进行预处理；
9.s3：构建初始短期电力负荷预测模型并进行训练，得到最优预测模型；
10.s4：使用最优预测模型进行短期电力负荷预测，对输出数据进行反归一化，得到电力负荷预测结果。
11.优选地，所述的步骤s3具体包括：
12.s31：将预处理后的历史电力负荷数据分为训练集和测试集；
13.s32：根据电力负荷影响因素和训练集，建立基于bp神经网络的初始短期电力负荷预测模型；
14.s33：采用基于sine混沌映射的麻雀搜索算法和测试集对初始短期电力负荷预测模型进行优化，得到最优预测模型。
15.优选地，所述基于sine混沌映射的麻雀搜索算法的步骤为：
16.利用sine混沌映射初始化麻雀种群位置，适应度以及n、n、pd、sd、st参数，其中n表示最大迭代次数、n表示种群大小、pd表示发现者数量、sd表示感应到危险的麻雀数量、st表示安全值；
17.对种群进行排序，获得当前的最优麻雀个体位置和最佳适应度值；
18.进行捕食，在麻雀种群中，具有较好适应度值的发现者会在搜索过程中优先获取食物，并引导所有加入者向着食物源方向行进，发现者的位置更新描述如下：
[0019][0020]
其中，发现者的位置，t代表当前迭代数,j＝1,2,3,
…
,d，q为服从正态分布的随机数，l为单位行向量，α为[0,1]之间的随机数，r2表示麻雀预警值，r2∈[0,1]，st表示安全值，st∈[0.5,1]；
[0021]
更新加入者的位置，按下式更新：
[0022][0023]
其中，x
wors
t表示当前全局最差的位置，x
p
表示目前发现者所占据的最优位置，a+表示只随机包含1与-1两个元素的行向量；
[0024]
反捕食行为，对意识到危险的麻雀的位置进行不断更新：
[0025][0026]
其中，x
best
表示当前全局最优位置；β是服从标准正态分布的随机数，用来作为步长控制参数；k是[-1,1]之间的随机数；fi是个体适应度值；fg和fw分别表示全局最佳适应度值和全局最差适应度值；ε是接近0的常数；
[0027]
更新麻雀种群历史最优适应度；
[0028]
没有达到最大迭代次数便继续循环，否则输出最优个体位置和适应度并结束。
[0029]
优选地，对所述初始短期电力负荷预测模型进行优化的步骤包括：
[0030]
初始化参数，包括麻雀种群大小、种群初始位置和最大迭代数等；
[0031]
确定bp神经网络的拓扑结构；
[0032]
初始化bp神经网络的权值和阈值；
[0033]
计算种群适应度并更新最优个体位置；
[0034]
利用基于sine混沌映射的麻雀搜索算法进行捕食与反捕食行为，更新麻雀个体位置；
[0035]
达到终止条件后，输出最优权值与阈值参数，得到最优预测模型。
[0036]
优选地，所述的终止条件为达到预期精度或最大迭代次数。
[0037]
优选地，所述步骤s1获取的电力负荷值影响因素包括空气湿度、降雨量、气温、节假日。
[0038]
优选地，所述的步骤s2具体包括：
[0039]
s21：基于垂直处理方法对数据进行修正；
[0040]
s22：对缺失数据进行填充；
[0041]
s23：对数据进行归一化处理。
[0042]
优选地，所述的垂直处理方法的修正公式为：
[0043]
如果|y(d,t)-m(t)|＞r(t)
[0044]
则
[0045]
其中，r(t)为阈值，y(d,t)为第d天t时刻的电力负荷值；m(t)是前后多日同一时刻t的预测平均值。
[0046]
一种基于混沌麻雀搜索算法的短期电力负荷预测装置，包括数据获取模块、数据处理模块、模型获取模块、预测模块，
[0047]
所述的数据获取模块用于获取历史电力负荷数据，并根据历史电力负荷数据获取电力负荷值影响因素；
[0048]
所述的数据处理模块用于对历史电力负荷数据进行预处理；
[0049]
所述的模型获取模块用于构建初始短期电力负荷预测模型并进行训练，得到最优预测模型；
[0050]
所述的预测模块用于使用最优预测模型进行短期电力负荷预测，对输出数据进行反归一化，得到电力负荷预测结果。
[0051]
优选地，所述的模型获取模块获取最优预测模型的步骤包括：
[0052]
将预处理后的历史电力负荷数据分为训练集和测试集；
[0053]
根据电力负荷影响因素和训练集，建立基于bp神经网络的初始短期电力负荷预测模型；
[0054]
采用基于sine混沌映射的麻雀搜索算法和测试集对初始短期电力负荷预测模型进行优化，得到最优预测模型。
[0055]
与现有技术相比，本发明首先采集历史电力负荷数据，并根据历史电力负荷数据获取影响电力负荷值的因素；其次对历史电力负荷数据进行预处理，得到预处理后历史电力负荷数据；然后根据电力负荷值影响因素和预处理后历史电力负荷数据，建立并基于sine混沌映射的麻雀搜索算法优化短期电力负荷预测模型；最后使用最优短期电力负荷预测模型得到短期电力负荷预测结果。本发明能够对短期电力负荷预测电力部门需要根据负荷预测结果实现电力系统的调度以及高效控制，有助于优化发电资源，以确保电力平衡，因此对电力负荷准确预测至关重要。
[0056]
本发明通过基于sine混沌映射的麻雀搜索算法来优化bp神经网络，使麻雀种群在搜索空间更加均匀分布，避免种群陷入局部最优，因而可以让麻雀能够更快地寻找最优解，提高搜索能力，得到最优短期电力负荷预测模型，解决了现有技术存在的bp神经网络训练时间过长及容易陷入局部极值问题，使预测更加精准。
附图说明
[0057]
图1为本发明的流程图；
[0058]
图2为基于sine混沌映射的麻雀搜索算法的流程图；
[0059]
图3为对初始短期电力负荷预测模型进行训练的流程图。
具体实施方式
[0060]
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
[0061]
实施例
[0062]
一种基于混沌麻雀搜索算法的短期电力负荷预测方法，如图1所示，包括以下步骤：
[0063]
s1：获取历史电力负荷数据，并根据历史电力负荷数据获取电力负荷值影响因素。本实施例中，分析到影响风电功率的因素有空气湿度、降雨量、气温、节假日等。
[0064]
s2：对历史电力负荷数据进行预处理；
[0065]
s2:对历史电力负荷数据进行预处理，得到预处理后的历史电力负荷数据；
[0066]
s2-1：异常数据的处理。由于电力系统各种不可控因素可能会导致采集不到数据，或采集的数据有明显错误，因此需要对其进行修正处理。
[0067]
s2-1-1：处理异常数据。一般正常情况，负荷值是连续小范围波动的序列，若出现瞬间负荷值过大或过低，就需要使用垂直处理方法对数据进行修正，修正公式为：
[0068]
如果|y(d,t)-m(t)|＞r(t)
[0069]
则
[0070]
其中，r(t)为阈值，y(d,t)为第d天t时刻的电力负荷值；m(t)是前后两日同一时刻t的预测平均值。
[0071]
s2-1-2：处理缺失数据。在收集数据的过程中，难免会出现某时刻或多时刻的数据缺失，出现这种情况，便使用缺失数据的前五日或后五日同一时刻的正常数据平均值填充。
[0072]
s2-2：数据的归一化处理。由于数据之间量纲不一样，数据差别比较大，需要无量纲化，所以需要归一化，归一化公式为：
[0073]
xn＝(x-x
min
)/(x
max-x
min
)
[0074]
其中，x为归一化前的原始数据集，xn则为归一化后的数据集，x
min
与x
max
分别是归一化前数据集里的最小值和最大值。
[0075]
s3：构建初始短期电力负荷预测模型并进行训练，得到最优预测模型。
[0076]
步骤s3具体包括：
[0077]
s31：将预处理后的历史电力负荷数据分为训练集和测试集；
[0078]
s32：根据电力负荷影响因素和训练集，建立基于bp神经网络的初始短期电力负荷预测模型；
[0079]
s33：采用基于sine混沌映射的麻雀搜索算法和测试集对初始短期电力负荷预测模型进行优化，得到最优预测模型。基于sine混沌映射的麻雀搜索算法克服了原始麻雀算
法的缺点，提高了收敛精度，克服了bp神经网络容易陷入局部极值的缺点。
[0080]
sine混沌映射是一种单峰映射，利用其混沌性来代替随机初始化，可以使麻雀种群在搜索空间更加均匀分布，避免种群陷入局部最优，混沌序列如下：
[0081][0082]
其中，值域为[-1,1]，其中a的取值范围为(0,4]，初始值x0的取值范围为(0,1)。
[0083]
麻雀种群矩阵可表示为如下：
[0084][0085]
其中，d表示变量的维数，n表示麻雀的数量。因此，种群中所有麻雀的适应度值可表示为如下：
[0086][0087]
其中，f表示麻雀的适应度值，n表示麻雀的数量。
[0088]
具体地，如图2所示，基于sine混沌映射的麻雀搜索算法的步骤为：
[0089]
a1：利用sine混沌映射初始化麻雀种群位置，适应度以及n、n、pd、sd、st参数，其中n表示最大迭代次数、n表示种群大小、pd表示发现者数量、sd表示感应到危险的麻雀数量、st表示安全值；
[0090]
a2：对种群进行排序，获得当前的最优麻雀个体位置和最佳适应度值；
[0091]
a3：进行捕食，在麻雀种群中，具有较好适应度值的发现者会在搜索过程中优先获取食物，并引导所有加入者向着食物源方向行进，发现者的位置更新描述如下：
[0092][0093]
其中，发现者的位置，t代表当前迭代数,j＝1,2,3,
…
,d，q为服从正态分布的随机数，l为单位行向量，α为[0,1]之间的随机数，r2表示麻雀预警值，r2∈[0,1]，st表示安全值，st∈[0.5,1]；
[0094]
a4：更新加入者的位置，按下式更新：
[0095][0096]
其中，x
wors
t表示当前全局最差的位置，x
p
表示目前发现者所占据的最优位置，a+表示只随机包含1与-1两个元素的行向量，当i《n/2时，表明适应度值较低的第i个加入者没有
觅到食物，需要飞往其他地方觅食以获得更多能量；
[0097]
a5：反捕食行为，在麻雀种群中，意识到危险的麻雀数量占总数的10％到20％，这些麻雀的位置时随机产生的，对意识到危险的麻雀的位置进行不断更新：
[0098][0099]
其中，x
best
表示当前全局最优位置；β是服从标准正态分布的随机数，用来作为步长控制参数；k是[-1,1]之间的随机数；fi是个体适应度值；fg和fw分别表示全局最佳适应度值和全局最差适应度值；ε是接近0的常数；当fi《fg，表示此时麻雀处于种群边缘，容易受到捕食者攻击，当fi＝fg，表示处于种群中间的麻雀也受到了威胁，此时需要靠近其他麻雀以降低被捕的风险。
[0100]
a6：更新麻雀种群历史最优适应度；
[0101]
a7：没有达到最大迭代次数便继续循环，否则输出最优个体位置和适应度并结束。
[0102]
基于上述基于sine混沌映射的麻雀搜索算法，对所述初始短期电力负荷预测模型进行优化的步骤包括，如图3所示：
[0103]
b 1：初始化参数，包括麻雀种群大小、种群初始位置和最大迭代数等。
[0104]
b 2：确定bp神经网络的拓扑结构。
[0105]
b 3：初始化bp神经网络的权值和阈值。
[0106]
b 4：计算种群适应度并更新最优个体位置。
[0107]
b 5：麻雀种群进行捕食与反捕食行为，更新麻雀个体位置。
[0108]
b 6：达到预期精度或最大迭代次数后，输出最优权值与阈值参数，得到最优预测模型。
[0109]
本发明还提供了一种基于混沌麻雀搜索算法的短期电力负荷预测装置，包括数据获取模块、数据处理模块、模型获取模块、预测模块：
[0110]
数据获取模块用于获取历史电力负荷数据，并根据历史电力负荷数据获取电力负荷值影响因素；
[0111]
数据处理模块用于对历史电力负荷数据进行预处理；
[0112]
模型获取模块用于构建初始短期电力负荷预测模型并进行训练，得到最优预测模型；
[0113]
预测模块用于使用最优预测模型进行短期电力负荷预测，对输出数据进行反归一化，得到电力负荷预测结果。
[0114]
模型获取模块获取最优预测模型的步骤包括：将预处理后的历史电力负荷数据分为训练集和测试集；根据电力负荷影响因素和训练集，建立基于bp神经网络的初始短期电力负荷预测模型；采用基于sine混沌映射的麻雀搜索算法和测试集对初始短期电力负荷预测模型进行优化，得到最优预测模型。
[0115]
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。