[发明专利]一种微电网群负荷预测方法、系统、介质及电子设备

权利要求书

1.一种微电网群负荷预测方法，其特征在于：包括以下过程：

获取微电网群的运行参量数据；

根据获取的运行参量数据和预设神经网络模型，得到负荷预测结果；

其中，预设神经网络模型为脊波递归神经网络模型，且脊波递归神经网络模型采用粒子群优化算法训练。

2.如权利要求1所述的微电网群负荷预测方法，其特征在于：

微电网群的运行参量数据至少包括气象数据和日类型数据。

3.如权利要求1所述的微电网群负荷预测方法，其特征在于：

在脊波神经网络的基础上，加入关联层，使隐含层中每一个神经元节点都会与关联层节点一一对应相连接，关联层节点与隐含层节点之间的权值进行动态调节。

4.如权利要求1所述的微电网群负荷预测方法，其特征在于：

将脊波递归神经网络模型中的脊波方向、脊波位置、脊波尺度以及网络连接权值视为粒子群优化算法的搜索空间中飞行粒子的个体属性；

以脊波递归神经网络模型的输出误差作为粒子被优化的目标函数适应度值，通过在解空间中搜索，不断迭代更新找到最优解。

5.如权利要求1所述的微电网群负荷预测方法，其特征在于：

粒子群优化算法中，采用动态变化的惯性权重系数；

或者，

根据微电网群各个微源的负荷预测结果，以微电网群运行成本和环境污染处理成本的加权和最低为目标进行微电网群运行调度。

6.如权利要求1所述的微电网群负荷预测方法，其特征在于：

粒子群优化算法中，每个粒子的速度更新，包括：

其中，i＝1，2，…，n，n为群体中粒子总数；ω为惯性权重系数；c₁、c₂为加速常数；r₁、r₂为0到1之间的随机数，和分别代表粒子i在第k次迭代更新中第d维空间内的搜索速度和可搜索到的位置；为粒子i在第k次迭代更新中第d维空间内可搜索到的最优位置；为群体在第k次迭代更新中第d维空间内可搜索到的最优位置。

7.如权利要求6所述的微电网群负荷预测方法，其特征在于：

粒子群优化算法中，每个粒子的位置更新，包括：

8.一种微电网群负荷预测系统，其特征在于：包括：

数据获取模块，被配置为：获取微电网群的运行参量数据；

负荷预测模块，被配置为：根据获取的运行参量数据和预设神经网络模型，得到负荷预测结果；

其中，预设神经网络模型为脊波递归神经网络模型，且脊波递归神经网络模型采用粒子群优化算法训练。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的微电网群负荷预测方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的微电网群负荷预测方法中的步骤。