[发明专利]一种基于樽海鞘群和BP神经网络的电力负荷预测方法

权利要求书

1.一种基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，包括有以下步骤：

S1、获取完整的电力负荷、最高温度、最低温度、平均温度、相对湿度和降雨量6类原始数据，并进行预处理对完整数据中的异常值做筛选处理；

S2、构建并确定BP神经网络的结构、学习效率、目标精度和训练次数，确定樽海鞘群算法的种群规模、迭代次数、搜索空间的上下界和动态权重，依据BP神经网络参数的个数确定樽海鞘群的维数；

S3、参照建立的BP神经网络模型，随机生成樽海鞘群，通过樽海鞘群算法的不断迭代，得出最优参数组合，将其作为BP神经网络的初始值；

S4、运行BP神经网络预测未来某短期时间段内的电力负荷。

2.根据权利要求1所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，步骤S1中对原始数据的预处理包括：

S11、将6类原始数据的每类数据按照从小到大的顺序排列；

S12、对排列后的数据位于中间、居于25％位置处、居于75％位置处分别定位为中位数、下四分位、上四分位；

S13、用箱形图将已获得的每类完整原始数据中的异常值筛选出来，定义正常数值区间，判断每类数据中的每个数值是否都位于正常数值区间，进行筛选，对不在正常数值区间内的数值标记为异常值；

S14、对筛选出来的异常值用每类数据中的正常值的均值进行替换，再对数据进行归一化处理。

3.根据权利要求2所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，对原始数据的预处理具体有：

定义正常数值区间[Q_l-k×IQR，Q_h+k×IQR]，其中k为控制区间长度的一个正数，取1.5；IQR定义为：IQR＝Q_h-Q_l；

其中，Q_m表示中位数、Q_l表示下四分位、Q_h表示上四分位；

对数据的归一化处理为：

其中，a_ij表示第i类指标中的第j个参数值，a_{i min}表示第i类指标中的最小参数值，a_{i max}表示第i类指标中的最大参数值，表示第i类指标中的第j个参数值经归一化处理后的值。

4.根据权利要求1所述的基于樽海鞘群和BP神经网络的电力负荷预测方法，其特征是，BP神经网络的建立实现具体为：

确定输入层的输入量：

其中，

隐含层的输入量为：

隐含层的输出量为：

隐含层的Sigmoid函数为：

输出层的输入量为：

输入层的输出量为：

反向传播误差函数为：

其中，r(k)为网络模型输出值，y(k)为实际输出值；

误差反向传播阶段通过将反向传播误差函数计算得到的值对隐含层及输出层的权值系数进行负梯度修正，从而得到隐含层到输出层加权系数的增量为

其中，η为学习效率，α为惯性系数；

输出层的加权系数修正增量为

其中，

隐含层的加权系数修正增量为

其中，