一种基于LSSVM的神经网络的微电网负荷预测方法与流程

本文提出的微电网负荷预测的目标是兼顾算法效率和网络性能，提高电力预测的精准度，使预测达到全局最优。

背景技术：

随着现代信息技术的快速发展和电力系统自动化水平的不断提高，电力负荷预测方法也在不断改进和完善。现有的电力负荷预测方法大致可分为两类：传统的预测方法和人工智能预测方法。传统的预测方法有时间序列法、趋势外推法、灰色模型法和回归模型法等。人工智能预测方法包括模糊推理法、神经网络法、小波分析法和专家系统方法等。微电网负荷具有明显的波动性和突变型，导致其负荷特性曲线并不平滑，对于负荷预测来说，负荷特性变动越大，预测精度就越低。国内外学者对微电网的研究涉及范围比较广泛，但仍然存在太多不确定性因素；有些方法提高了收敛速速，解决局部优化问题，但会随着预测周期的增大，预测误差也会增大。

技术实现要素：

为解决对于微电网负荷预测的不确定性和数据的复杂性，本发明提出一种基于lssvm的神经网络的微电网负荷预测方法。

本发明所采用的技术方案是：一种基于lssvm的神经网络的微电网负荷预测方法：包括如下具体步骤：

step1对微电网的历史数据进行归一化预处理，形成训练样本集；

step2初始化最小二乘支持向量机和蚁群算法的各参数，采用蚁群算法对最小二乘支持向量机进行优化，具体为选择最小二乘支持向量机的最佳参数组合，包括核函数参数σ和惩罚因子c；利用蚁群算法对最小二乘支持向量机进行优化时，将最小均方误差mse作为优化问题的目标函数f，通过蚁群算法迭代搜索最优的目标函数f值，以获得最优一组参数(c，σ)组合，具体步骤如下：

a对参数进行初始化

假设问题规模大小为l，蚂蚁群规模大小为n，最大循环次数为tmax，信息素挥发系数ρ∈[0,1]；在c∈[cmin,cmax]和σ∈[σmin，σmax]和的范围内，将一组参数序列(c，σ)作为蚁群算法中蚂蚁的初始位置参数向量xi＝(xi1，xi2，…，xid)，i＝1，2，…，l，其中d为序列个数，代表有d组序列，在初始时间t0时刻把n只蚂蚁随机放置在问题l的第i个位置上；

b计算信息素浓度

通过计算每个蚂蚁个体的目标函数值，再计算每个蚂蚁的信息素浓度，目标函数值越小，信息素浓度越大；

式中，e为数学常数，即自然对数的底数，f为优化问题的目标函数，xi为蚂蚁的初始位置向量；

c信息素更新

从蚁群中随机抽取p只蚂蚁，由每只蚂蚁所在位置的信息素浓度大小，选择蚂蚁目标函数值最小的位置为xbest，并将该蚂蚁作为头蚁xobj；

d全局搜索

蚁群中其他蚂蚁根据下式向头蚁位置移动进行全局搜索

xi＝(1-λ)xi+λxobjλ∈(0,1)

式中，λ∈(0,1)范围的可调节系数，xobj为目标函数最小的头蚁位置；

e局部搜索

对于上次迭代中产生的头蚁xbest，按照下式在其邻域内进行局部搜索

式中，hmax和hmin分别为搜索步长的最大值和最小值，tmax为最大循环次数，x′i为头蚁进行局部搜索后的位置，当f(xbest)≤f(xbest+0.001xbest)时，x′i的计算式中取“+”，否则取“-”，随着算法迭代，动态调整搜索步长，引导精细搜索方向以避免略过全局最优值；

f迭代过程中对每个位置上蚂蚁信息素浓度进行更新。

g检查是否满足迭代终止条件

若满足迭代终止条件即目标函数f的值最小，则停止迭代并输出最佳的核函数参数σ和惩罚因子c的最优组合；若不满足迭代终止条件，则返回步骤d，直到满足条件。

step3对训练样本集进行学习，得到学习后的最小二乘支持向量机；

step4利用学习后的最小二乘支持向量机确定rbf网络的结构和参数并生成rbf预测模型；设最小二乘支持向量机训练得到的支持向量的个数为g个，分别为v1，v2…vg，权值为ω1，ω2…ωg，偏置系数为b，rbf神经网络的径向基函数采用高斯函数，输入节点个数为输入矩阵的维数，隐层节点个数为g，输出节点与最小二乘支持向量机输出节点相同，各向基函数中心分别为v1，v2…vg，其宽度与最小二乘支持向量机所选宽度一致，网络权值为ω1，ω2…ωg，偏置为b。

step5利用rbf预测模型对微电网的电力负荷进行预测。

本发明的有益效果：本发明针对于负荷预测的不确定性和数据的复杂性，结合rbf核函数可以保证最小二乘支持向量机训练的二次规划问题是凸优化问题可提高精准度的优点。由于最小二乘向量机在初始化模型时，参数时随机的，而蚁群算法具有很强的全局搜索能力，所以首先使用蚁群算法对最小二乘支持向量回归机的模型参数进行寻优，以优化后的模型训练出回归机，由这个回归机来为rbf神经网络提供较优的结构和参数，最后通过matlab仿真训练得到预测结果。由于最小二乘支持向量机的学习训练为一个线性方程组的求解问题，学习效率高、全局最优，从而由它确定的rbf网络能具有更好的性能。

附图说明

图1是本发明的基于蚁群算法对lssvm进行寻优的流程图

图2是本发明的最小二乘支持向量机确定的rbf的神经网络结构。

具体实施方式

下面结合附图和具体实施例对本发明进行详细的描述。

实施例1：一种基于lssvm的神经网络的微电网负荷预测方法，包括如下步骤：

step1对微电网的历史数据进行归一化预处理，形成训练样本集；由于特性指标的量纲和数量级不尽相同，在运算过程中可能突出某数量级特别大的特性指标对分类的作用。为了消除特性指标单位的差别和特性指标数量级不同的影响，必须对其规格化，从而使得每一指标值均统一于某种共同的数值特性范围。

(1)负荷数据的规格化

对负荷采用对数处理：

x′ab＝lg(xab)(2.1)

其中，xab为原始负荷，x′ab为规格化后的负荷。

(2)日类型的划分与规格化

用数字来表征负荷对不同日类型的响应，根据负荷的周周期性，将周一取为0.7，周二到周五取为0.8，周六取为0.4，周日取为0.3。

(3)温度数据的规格化

本文采用的归一化公式为：

t′cd＝(tcd-tdmin)/(tdmax-tdmin),c＝1,2,...,p；d＝1,2,...,q(2.2)

其中，tcd为原始温度℃；tdmin,tdmax分别为t1d,t2d,…,tpd中的最小值、最大值；t′cd为规格化后的温度系数。

(4)湿度因素的规格化

将湿度因素化为[0，1]之间的值。这样，每一个数据都经过线性变换到[o，1]的取值范围，且是具有相同尺度的无量纲量。最后，对于输出的训练、测试和预测数据，再进行反归一化处理，经还原计算回复为实际值。

step2初始化最小二乘支持向量机和蚁群算法的各参数，采用蚁群算法对

最小二乘支持向量机进行优化，具体为选择最小二乘支持向量机的最佳参数组合，包括核函数参数σ和惩罚因子c；

蚁群个数m：本文取120个，蚂蚁数目越多，分布就越广，搜索的空间范围就越大，因而更容易发现全局最优解，但是相应的运行时间也越长。因此选择一个适中的数字，选择120只个。

最大迭代次数tmax取100。

搜索步长最下值和最大值分别为hmin＝0.1,hmax＝10,α＝0.4,β＝1。

信息素挥发系数为ρ＝0.6，0≤c≤150，0.1≤σ≤10。

如图1所示，蚁群优化lssvm的具体步骤如下：

a对参数进行初始化

假设问题规模大小为l，蚂蚁群规模大小为n，最大循环次数为tmax，信息素挥发系数ρ∈[0,1]；在c∈[cmin,cmax]和σ∈[σmin，σmax]的范围内，将一组参数序列(c，σ)作为蚁群算法中蚂蚁的初始位置参数向量xi＝(xi1，xi2，…，xid)，i＝1，2，…，l。在初始时间t0时刻把n只蚂蚁随机放置在问题l的第i个位置上。

b信息素浓度的计算

通过计算每个蚂蚁个体的目标函数值，再由式(2.1)计算每个蚂蚁的信息素浓度，目标函数值越小，信息素浓度越大。

式中，e为数学常数，即自然对数的底数。f为优化问题的目标函数，xi为蚂蚁的初始位置向量。

c信息素更新

从蚁群中随机抽取p只蚂蚁，由每只蚂蚁所在位置的信息素浓度大小，选择蚂蚁目标函数值最小的位置为xbest，并将该蚂蚁作为头蚁xobj。

d全局搜索

蚁群中其他蚂蚁根据式(2.2)向头蚁位置移动进行全局搜索。

xi＝(1-λ)xi+λxobjλ∈(0,1)(2.2)

式中，λ∈(0,1)范围的可调节系数，xobj为目标函数最小的头蚁位置。

e局部搜索

对于上次迭代中产生的头蚁xbest，按照式(2.3)、(2.4)在其邻域内进行局部搜索。

式中，hmax和hmin分别搜索步长的最大值和最小值，tmax为最大循环次数，x′i为头蚁进行局部搜索后的位置。当f(xbest)≤f(xbest+0.001xbest)时，式(2.4)中取“+”，否则取“-”。随着算法迭代，动态调整搜索步长，引导精细搜索方向以避免略过全局最优值。

f迭代过程中对每个位置上蚂蚁信息素浓度进行更新，其更新方法详细描述参见raminvatankhah,shahrametemadi,ariaalasty,etal.mehrdadboroushaki.activeleadingthroughobstaclesusingant-colonyalgorithm[j].neurocomputing,2012(88):67－77.和改进的蚁群聚类在精准灌溉管理分区中的应用[j].农业工程学报，2010，26(2)：37－42。

g检查是否满足迭代终止条件

若满足迭代终止条件算法结束，输出最佳的核函数参数σ和惩罚因子c的最优组合。若不满足迭代终止条件(目标函数值最小)，返回步骤d，直到满足条件；得到最优解组合后对训练样本进行学习，就得到了一个最小二乘支持向量回归机，获得全局最优分类面。c＝40，σ＝2。

step3对训练样本集进行学习，得到学习后的最小二乘支持向量机；

step4利用学习后的最小二乘支持向量机确定rbf网络的结构和参数并生成rbf预测模型；

首要考虑线性回归情况，给定样(x1,y1)(x2,y2)(x3,y3)…(xn,yn)∈rⁿ×r，将线性函数设为f(x)＝ω·x+b(2.5)，

则优化问题为：

式中，ω为权重向量，b为偏置量，j为损失函数，er是误差项，c是惩罚因子，且引入拉格朗日函数l有

其中，αr是拉格朗日乘子，依优化条件有

可得下式：

式中，q＝[1,1,...1]^t,α＝[α1,α2,…αm]^t，y＝[y1,y2,...ym]^t根据mercer条件可以确定如下核函数：

则最小二乘支持向量机的函数估计为：

设最小二乘支持向量机训练得到的支持向量的个数为g个(g≤n)，最小二乘支持向量为v1，v2…vg，权值为ω1，ω2…ωg，αg为通过上式计算出的拉格朗日乘子，为其对应的伴随矩阵，偏置系数为b，以此来构造rbf神经网络，其径向基函数采用高斯函数，输入节点个数为输入矩阵的维数，隐层节点个数为4，输出节点与最小二乘支持向量机输出节点相同为1个，各向基函数中心分别为v1，v2…vg，其宽度与最小二乘支持向量机所选宽度一致，网络权值为ω1，ω2…ωg＝6，偏置为4。

step5利用rbf预测模型对微电网的电力负荷进行预测。

针对云南省某地区2018年不同的样本集分别进行预测，然后对预测结果取平均值。

从预测结果对比分析比较可见:无论是一般工作日还是节假日，lssvm方法的预测误差都在2％以内，但还是比较大。预测方法在节假日的预测误差比在工作日的误差略大，这基本负荷客观实际。

本发明采用适应度方差解决这个早熟收敛的问题。如若采用粒子群寻优过程中经常出现这样的情况：当种群收敛于若干个分散的局部极小点时，这几个极小点对应的适应值相差并不大，则此时种群的平均粒距很大，适应度方差却很小。而在蚁群算法中基于蚁群的信息素浓度来指导头蚁的选取和判断蚁群算法的因子收敛，实质上是利用蚁群在搜索过程中利用信息素浓度的浓度，从而实现了蚁群的吸引和互斥的平衡，以避免粒子早熟收敛，即当搜索后期蚁群陷入局部最优时通过更新蚂蚁的位置，引导蚂蚁跳出局部最优，进一步提高了计算精度及全局寻优能力，由此得到的预测模型具有更好的学习和泛化能力。