[发明专利]一种电力负荷预测方法及装置

权利要求书

1.一种电力负荷预测方法，其特征在于，所述方法包括：

将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；

基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；

其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。

2.如权利要求1所述的方法，其特征在于，所述预先建立的支持向量机/预先建立的BP神经网络模型的建立过程包括：

利用历史电力负荷数据及历史时段之后预设时段的电力负荷数据构建训练样本；

利用所述训练样本对支持向量机/预先建立的BP神经网络模型进行训练，获取预先建立的支持向量机/预先建立的BP神经网络模型。

3.如权利要求1所述的方法，其特征在于，所述最终电力负荷预测结果的计算式如下：

上式中，为最终电力负荷预测结果，W₁为所述预先建立的支持向量机对应的预测权重，y_PSO-SVM为所述预先建立的支持向量机输出的初始电力负荷预测结果，W₂为所述预先建立的BP神经网络模型对应的预测权重，y_PSO-BP为所述预先建立的BP神经网络模型输出的初始电力负荷预测结果。

4.如权利要求3所述的方法，其特征在于，所述预先建立的BP神经网络模型对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重是采用遗传算法获取的，具体获取过程包括：

步骤a.随机产生初始种群，并对解向量进行编码，确定种群规模M、交叉概率P_c、变异概率P_m和置终止进化准则，随机产生M个个体作为初始种群X(0)；

步骤b.计算或估价X(t)中各个体的适应度；

步骤c.从X(t)中运用选择算法选择出B/2对母体；

步骤d.对所选择的B/2对母体，依概率P_c执行交叉形成B个中间个体；

步骤e.对B个中间个体分别独立依概率P_m执行变异，形成B个候选个体；

步骤f.从所述B个候选个体中依适应度选择出M_t个个体组成新一代种群X(t+1)；

步骤g.若满足终止准则，则输出X(t+1)中具有最大适应度个体为最优解，终止计算，否则转至所述步骤c；

其中，t为当前种群代数，所述个体由所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重组成。

5.如权利要求4所述的方法，其特征在于，所述个体的适应度的计算式如下：

上式中，f_j为第j个个体的适应值，为第j个个体作为所述预先建立的支持向量机对应的预测权重和所述预先建立的BP神经网络模型对应的预测权重后确定的最终电力负荷预测结果，h为电力负荷历史实际值。

6.如权利要求5所述的方法，其特征在于，所述选择算法为轮盘赌算法，第j个个体的选择概率P_j的计算式如下：

7.一种电力负荷预测装置，其特征在于，所述装置包括：

初始预测模块，用于将历史电力负荷数据分别代入预先建立的支持向量机和预先建立的BP神经网络模型，获取预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果；

最终预测模块，用于基于所述预先建立的支持向量机和预先建立的BP神经网络模型输出的初始电力负荷预测结果，以及预先建立的支持向量机和预先建立的BP神经网络模型分别对应的预测权重确定最终电力负荷预测结果；

其中，所述预先建立的支持向量机和预先建立的BP神经网络模型均为基于粒子群算法优化的后的支持向量机和BP神经网络模型。