一种考虑气象因素的短期电力负荷预测方法与流程

技术特征：

1.一种考虑气象因素的短期电力负荷预测方法，其特征在于，该方法的基本步骤如下：

1)收集地区电网的历史负荷数据以及对应的历史气象数据，并按日期类型对负荷数据和气象数据进行分类筛选，检测并修正异常数据；

2)采用相关性分析方法，分析步骤1)得到的负荷数据与各气象因素的相关程度，确定影响该地区负荷的关键气象因素；

3)根据地区电力负荷与关键气象因素的相关性建立综合气象因素；

4)采用快速傅里叶变换，对步骤1)得到的负荷数据进行频谱分析，总结地区电网日负荷曲线的变化特性，找出预测日的典型相似日，并按日期排序；

5)利用选定负荷与综合气象因素建立Elman神经网络，确定Elman神经网络的结构，采用萤火虫算法训练Elman神经网络并优化网络参数，对训练好的Elman神经网络进行测试以建立Elman神经网络短期负荷预测模型；

6)获取待预测时刻的气象预报数据，计算综合气象因素，将综合气象因素和相应负荷数据生成输入向量，输入Elman神经网络短期负荷预测模型，其输出即为待预测时刻的负荷预测值。

7)显示负荷预测值。

2.根据权利要求1所述一种考虑气象因素的短期电力负荷预测方法，其特征在于，所述历史气象数据包括：温度、相对湿度、风速、降雨量、气压、辐射、温湿指数、人体舒适度指数。

3.根据权利要求1所述一种考虑气象因素的短期电力负荷预测方法，其特征在于，所述相关性分析方法的公式为：

式(1)中，x_i为需要辨识其相关性的气象因素，如温度、湿度、风速等，y_i为负荷数据，为该气象因素的平均值，为负荷的平均值 。

4.根据权利要求1所述一种考虑气象因素的短期电力负荷预测方法，其特征在于，所述采用萤火虫算法训练Elman神经网络并优化网络参数的步骤为：

步骤401：初始化萤火虫种群规模n，最大迭代次数T_max，每个萤火虫依次编码Elman神经网络的连接权值、结构层初始输入和自反馈增益因子；

步骤402：计算各萤火虫的适应度函数f_i，并将其作为萤火虫的亮度，按照f_i的值越小萤火虫亮度越高的原则，对萤火虫进行排序，找到最亮的萤火虫。适应度函数的计算公式如下：

式(2)中，为预测值，y_j为真实值，N为样本总数。

步骤403：计算各萤火虫的吸引度β，计算公式如下：

式(3)中，β₀为萤火虫的最大吸引度；β_min为最小吸引度；γ为介质吸收因子。

步骤404：更新所有非最亮萤火虫的位置，公式如下：

x_i(t+1)＝x_i(t)+β(x_j(t)-x_i(t))+rand₁(x_g(t)-x_i(t)) (4)

式(4)中，x_i(t+1)为萤火虫x_i在第t+1代的位置；x_i(t)为萤火虫x_i在第t代的位置；x_j(t)为萤火虫x_j在第t代的位置；x_g(t)为最亮萤火虫在第t代的位置；rand₁为[0，1]区间服从均匀的随机因子。

步骤405：对最亮萤火虫的位置进行随机扰动，避免过早陷入局部最优。公式如下：

式(5)中，rand₂为[0，1]区间随机数；α为步长因子，是[0，1]区间的常数；

步骤406：根据更新后萤火虫的位置，按照公式(2)重新计算萤火虫的适应度函数。

步骤407：判断是否满足精度要求或已达到预先定义的迭代次数，若满足，则算法结束；否则，转步骤203，进入下一次搜索。

步骤408：输出最亮萤火虫信息，即最优的Elman神经网络的参数。