[發明專利]一種基于蜂群算法優化的RF_GRU網絡短期電力負荷預測方法

在審

• 申請號: 202011239992.5
• 申請日: 2020-11-09
• 公開（公告）號: CN112819192A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 尚尚;劉明;王召斌;楊童;何康寧
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/00
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 杭行

本發明屬于神經網絡優化的技術領域，具體地說，是一種基于改進蜂群算法優化的RF_GRU網絡短期電力負荷預測方法，將改進的蜂群算法用于尋找隨機森林算法的最優初始參數。為改善蜂群算法在迭代后期易于陷入局部最優的缺點，采用了正弦余弦因子以改善算法的全局收斂性；接著通過改進蜂群算法優化訓練后的RF_GRU網絡建立起短期電力負荷的預測模型，進一步提升短期電力負荷預測的精度和效率。本發明在蜂群算法迭代過程中動態的計算蜂群的適應度，設置蜂群的適應度閾值，將整個蜂群分為雇傭蜂和非雇傭蜂兩個子群，通過雇傭蜂向全局最優靠近；通過偵查蜂觀察是否陷入局部最優，偵查蜂能夠穩定的向全局最優的方向搜索。蜂群算法在迭代過程中兼具全局和局部的搜索能力，提高了收斂速度和精度，本發明提升了網絡的準確性和穩定性。

技術領域

本發明屬于神經網絡優化的技術領域，具體地說，是一種基于改進蜂群算法優化的RF_GRU網絡短期電力負荷預測方法,通過改進的蜂群算法確定隨機森林算法中的最優參數，使得隨機森林算法中的參數最優，從而進一步提升RF_GRU 網絡預測模型的精確度。

背景技術

在我國電力負荷預測早期階段，電力負荷情況主要根據專家和調度員主觀判 斷來進行決策。隨著統計學方法的發展產生了時間序列法和回歸分析法等數學方 法。上世紀九十年代，神經網絡模型最早被應用于電力負荷預測模型中。近幾年， 隨著人工智能技術的不斷發展，BP神經網絡，支持向量機，極限學習機等一系 列智能算法被應用于電力負荷預測模型中以提高預測精度。按時間周期劃分可將 電力負荷預測分為長期，中期，短期和超短期預測。現有的傳統方法的簡單計算 模型對于高隨機性，大數據背景下的動態負荷預測來說精度無法保證，很難滿足 不同地區用電應用需求，進而影響用戶用電體驗。在這樣的背景下，實現低成本， 高精度的電力負荷預測，將大大提升電力系統對未來的決策依據和運行規劃，可 以經濟合理的安排國家電網發電機組的啟停，降低電網公司的運營成本，提高經 濟和社會效益。

學者們通過對電力負荷統計特性的深入研究，建立了很多經典的電力負荷預測統計模型，但是由于這些模型精度低，泛化能力弱，達不到較高的預測精度。而近年來深度學習模型在處理非線性問題上有著先天的優勢，因此，學者們將深度學習模型與電力負荷預測結合，希望能夠進一步提高預測精度。門控循環單元 (gated recurrent unit)成為了電力負荷預測模型的首選。早期由于RNN(遞歸神經網絡)只能處理較短的時間序列數據，然而隨著輸入數據的增大，時間間隔越長,RNN會丟失之前輸入的重要信息，引起梯度消失和梯度爆炸問題，從而導致預測模型精度大幅降低，而LSTM網絡(長短時記憶網絡)通過增加記憶門、遺忘門和輸出門有效解決這一問題。GRU網絡是LSTM網絡的一種變體，它巧妙地將記憶門和遺忘門結合為一種新的門控，成為更新門控，使得網絡結構簡單，效率更高。

隨機森林算法(random forest,RF)由L.Breiman等人提出。該算法是一種基于傳統決策樹的統計學習理論，具有較強的隨機性，隨機性體現在兩個方面：一是從原始樣本集中采用有放回的方式，隨機選取樣本數據構成訓練樣本集；二是候選分裂屬性，由生成決策樹時隨機選取的特征屬性產生。在算法中，隨機森林實際上是一個分類器集合，它由眾多決策樹分類器h(x,b_k),k＝1,2,...,n 組成，其中b_k表示獨立同分布的隨機變量，每個決策樹分類器都對輸入變量x 的類別歸屬進行預測。隨機森林通過Bagging方法，生成彼此之間互不相同的訓練樣本集，分類回歸樹作為元分類器組合為集成分類器，預測結果由所有分類器求算術平均值所得。