[發明專利]一種基于LSSVM的神經網絡的微電網負荷預測方法

在審

• 申請號: 201811328376.X
• 申請日: 2018-11-09
• 公開（公告）號: CN109670628A
• 公開（公告）日: 2019-04-23
• 發明（設計）人: 唐菁敏;馬含
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于LSSVM的神經網絡的微電網負荷預測方法，其特征在于：包括如下步驟：

Step1對微電網的歷史數據進行歸一化預處理，形成訓練樣本集；

Step2初始化最小二乘支持向量機和蟻群算法的各參數，采用蟻群算法對最小二乘支持向量機進行優化，具體為選擇最小二乘支持向量機的最佳參數組合，包括核函數參數σ和懲罰因子C；

Step3對訓練樣本集進行學習，得到學習后的最小二乘支持向量機；

Step4利用學習后的最小二乘支持向量機確定RBF網絡的結構和參數并生成RBF預測模型；

Step5利用RBF預測模型對微電網的電力負荷進行預測。

2.根據權利要求1所述的基于LSSVM的神經網絡的微電網負荷預測方法，其特征在于：所述Step2中利用蟻群算法對最小二乘支持向量機進行優化時，將最小均方誤差MSE作為優化問題的目標函數F，通過蟻群算法迭代搜索最優的目標函數F值，以獲得最優一組參數(C，σ)組合，具體步驟如下：

a對參數進行初始化

假設問題規模大小為l，螞蟻群規模大小為n，最大循環次數為t_max，信息素揮發系數ρ∈[0,1]；在C∈[C_min,C_max]和σ∈[σ_min，σ_max]和的范圍內，將一組參數序列(C，σ)作為蟻群算法中螞蟻的初始位置參數向量X_i＝(x_i1，x_i2，…，x_id)，i＝1，2，…，l，其中d為序列個數，代表有d組序列，在初始時間t₀時刻把n只螞蟻隨機放置在問題l的第i個位置上；

b計算信息素濃度

通過計算每個螞蟻個體的目標函數值，再計算每個螞蟻的信息素濃度，目標函數值越小，信息素濃度越大；

式中，e為數學常數，即自然對數的底數，F為優化問題的目標函數，X_i為螞蟻的初始位置向量；

c信息素更新

從蟻群中隨機抽取p只螞蟻，由每只螞蟻所在位置的信息素濃度大小，選擇螞蟻目標函數值最小的位置為X_best，并將該螞蟻作為頭蟻X_obj；

d全局搜索

蟻群中其他螞蟻根據下式向頭蟻位置移動進行全局搜索

X_i＝(1-λ)X_i+λX_objλ∈(0,1)

式中，λ∈(0,1)范圍的可調節系數，X_obj為目標函數最小的頭蟻位置；

e局部搜索

對于上次迭代中產生的頭蟻X_best，按照下式在其鄰域內進行局部搜索

式中，h_max和h_min分別為搜索步長的最大值和最小值，t_max為最大循環次數，X'_i為頭蟻進行局部搜索后的位置，當F(X_best)≤F(X_best+0.001X_best)時，X'_i的計算式中取“+”，否則取“-”，隨著算法迭代，動態調整搜索步長，引導精細搜索方向以避免略過全局最優值；

f迭代過程中對每個位置上螞蟻信息素濃度進行更新；

g檢查是否滿足迭代終止條件

若滿足迭代終止條件即目標函數F的值最小，則停止迭代并輸出最佳的核函數參數σ和懲罰因子C的最優組合；若不滿足迭代終止條件，則返回步驟d，直到滿足條件。

3.根據權利要求1所述的基于LSSVM的神經網絡的微電網負荷預測方法，其特征在于：所述步驟Step4的具體過程如下：

設最小二乘支持向量機訓練得到的支持向量的個數為g個，分別為v₁，v₂…v_g，權值為ω₁，ω₂…ω_g，偏置系數為b，RBF神經網絡的徑向基函數采用高斯函數，輸入節點個數為輸入矩陣的維數，隱層節點個數為g，輸出節點與最小二乘支持向量機輸出節點相同，各向基函數中心分別為v₁，v₂…v_g，其寬度與最小二乘支持向量機所選寬度一致，網絡權值為ω₁，ω₂…ω_g，偏置為b。