一种优化改进灰色模型的电网预测方法和装置的制造方法
【专利摘要】本申请公开了一种优化改进灰色模型的电网预测方法和装置，所述方法结合纵向交叉算法和横向交叉算法对引入改进的灰色模型中的背景值参数和初始值参数进行更新优化，通过最小适应度算法计算得到更新后的背景值参数和初始值参数对应的最小适应度值。所述最小适应度对应的背景值参数和初始值参数相比原始背景值参数和初始值参数更优，也就是说，将所述最小适应度对应的背景值参数和初始值参数带入改进的灰色模型函数获得的预测结果更准确，从而提升电网中长期预测精度。
【专利说明】
一种优化改进灰色模型的电网预测方法和装置
技术领域
[0001] 本发明涉及电力负荷预测领域，尤其涉及一种优化改进灰色模型的电网预测方法 和装置。
【背景技术】
[0002] 电力负荷预测是电力系统经济运行的基础，提高负荷预测技术水平有利于用电管 理、合理安排电网运行方式和机组检修，从而提高电力系统的经济效益和社会效益。目前中 长期电力负荷预测常用的方法有回归分析预测法、时间序列随机预测法、灰色预测法和神 经网络预测法等。其中，灰色预测法因具有要求样本数据少、预测精度高、可检验性强等优 点，被广泛应用在电力负荷预测领域中。
[0003] 目前，为了提高预测精度，提出了一种改进的灰色模型，这种对于灰色模型的改进 主要通过引入一个参数来修正灰色模型背景值的计算公式，但这种方法不能充分降低预测 误差。针对只引入一对背景值参数和初始值参数到改进的灰色模型中进行负荷预测的方 法，其预测效果仍不够理想。
[0004] 因此，如何优化改进灰色模型的引进参数，使得电力负荷预测精度更高是需要解 决的技术问题。
【发明内容】
[0005] 有鉴于此，本发明提供了一种优化改进灰色模型的电网预测方法和装置，能够对 改进灰色模型中引入的参数进行优化，从而达到提升电网中长期预测精度的目的。
[0006] 本发明公开了一种优化改进灰色模型的电网预测方法，包括：
[0007] 获取初始化原始数据，其中，所述原始数据包括:N组原始背景值参数和初始值参 数、最优适应度值；
[0008] 通过纵向交叉算法对所述N组背景值参数和初始值参数进行更新，以获得更新后 的N组背景值参数和初始值参数；
[0009] 根据最小适应度方法计算得到所述更新后背景值参数和初始值参数对应最小的 适应度值；
[0010] 判断所述最小的适应度值是否小于所述最优适应度值；
[0011]若所述最小的适应度值小于所述最优适应度值，则以所述最小的适应度值更新所 述最优适应度值，否则保留所述最优适应度值；
[0012] 通过横向交叉算法对所述通过纵向交叉算法更新的N组背景值参数和初始值参数 进行更新，以获得更新后的N组背景值参数和初始值参数；
[0013] 根据最小适应度方法计算得到所述通过横向交叉算法更新的N组背景值参数和初 始值参数对应的最小的适应度值；
[0014] 判断所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的最小的适 应度值是否小于所述最优适应度值；
[0015] 若所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的最小的适应 度值小于所述最优适应度值，则将所述最小的适应度值更新最优适应度值，否则保留最优 适应度值；
[0016] 输出所述最后更新的最优适应度值对应的背景值参数和初始值参数，以便将最优 背景值参数和初始值参数带入灰色模型计算负荷预测值。
[0017] 优选的，所述获取初始化原始数据，其中，所述原始数据包括:N组原始背景值参数 和初始值参数、最优适应度值，包括：
[0018] 随机生成N组原始背景值参数和初始值参数，其中，N为大于1的正整数；
[0019] 通过最小适应度方法计算得到N组背景值参数和初始值参数对应最小的适应度 值，以将所述最小的适应度值作为最优适应度值。
[0020] 优选的，所述通过最小适应度方法计算得到N组背景值参数和初始值参数对应最 小的适应度值，包括：
[0021] 根据适应度函数分别计算得到所述N组背景值参数和初始值参数的对应的适应度 值；
[0022] 比较所述N组背景值参数和初始值参数的对应的适应度值；
[0023] 根据比较结果，获得最小的适应度值，以便得到初始最优适应度值。
[0024] 优选的，所述获取初始化原始数据，之前，还包括：
[0025] 初始化最大迭代次数Tmax，其中，所述Tmax为正整数；
[0026] 其中，所述若所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的 最小的适应度值小于所述最优适应度值，则将所述最小的适应度值更新最优适应度值，否 则保留最优适应度值之后，还包括：
[0027] 判断通过纵横交叉算法更新所述N组背景值参数和初始值参数的次数是否大于最 大迭代次数Tmax;
[0028] 若更新所述N组背景值参数和初始值参数的次数大于最大迭代次数Tmax，执行输出 所述最后更新的最优适应度值对应的背景值参数和初始值参数；
[0029] 若更新所述N组背景值参数和初始值参数的次数小于等于最大迭代次数Tmax，执行 通过纵向交叉算法对所述N组背景值参数和初始值参数进行更新，以获得更新后的N组背景 值参数和初始值参数。
[0030] 优选的，所述通过纵向交叉算法对所述N组背景值参数和初始值参数进行更新，以 获得更新后的N组背景值参数和初始值参数之前，还包括：
[0031 ]对所述N个初始值参数进行归一化处理；
[0032] 通过纵向交叉算法对所述N组背景值参数和初始值参数进行更新；
[0033] 对所述更新后的初始值参数进行反归一化处理；
[0034]获得更新后的N组背景值参数和初始值参数。
[0035] 本发明公开了一种优化改进灰色模型的电网预测装置，包括：
[0036] 原始数据获取单元，用于获取初始化原始数据，其中，所述原始数据包括:N组原始 背景值参数和初始值参数、最优适应度值；
[0037] 纵向交叉更新单元，用于通过纵向交叉算法对所述原始数据获取单元获得的N组 背景值参数和初始值参数进行更新，以获得更新后的N组背景值参数和初始值参数；
[0038] 第一适应度计算单元，用于根据最小适应度方法计算得到所述纵向交叉更新单元 更新后的背景值参数和初始值参数对应最小的适应度值；
[0039] 第一最优判别单元，用于判断所述第一适应度计算模块计算得到的最小的适应度 值是否小于所述最优适应度值；
[0040] 第一最优适应度值更新单元，用于当所述第一最优判别单元的判别结果为所述最 小的适应度值小于所述最优适应度值，将所述最小的适应度值更新所述最优适应度值;否 则保留所述最优适应度值；
[0041] 横向交叉更新单元，用于通过横向交叉算法对所述纵向交叉更新单元更新的N组 背景值参数和初始值参数进行更新，以获得更新后的N组背景值参数和初始值参数；
[0042] 第二适应度计算单元，用于根据最小适应度方法计算得到所述横向交叉更新单元 更新的N组背景值参数和初始值参数对应的最小的适应度值；
[0043] 第二最优判别单元，用于判断所述通过横向交叉算法更新的N组背景值参数和初 始值参数对应的最小的适应度值是否小于所述最优适应度值；
[0044] 第二最优适应度值更新单元，用于当所述第二最优判别单元的判别结果为所述通 过横向交叉算法更新的N组背景值参数和初始值参数对应的最小的适应度值小于所述最优 适应度值，将所述最小的适应度值更新所述最优适应度值;否则保留最优适应度值；
[0045] 结果输出单元，用于输出所述最后更新的最优适应度值对应的背景值参数和初始 值参数，以便将最优背景值参数和初始值参数带入灰色模型计算负荷预测值。
[0046] 优选的，所述原始数据获取单元，包括：
[0047] 初始参数获取单元，用于随机生成N组原始背景值参数和初始值参数，其中，N为大 于1的正整数；
[0048] 初始最优适应度获取单元，用于通过最小适应度方法计算得到N组背景值参数和 初始值参数对应最小的适应度值，以将所述最小的适应度值作为最优适应度值。
[0049] 优选的，所述初始最优适应度获取单元，包括：
[0050] 第三适应度计算单元，用于根据适应度函数分别计算得到所述N组背景值参数和 初始值参数对应的适应度值；
[0051] 比较单元，用于比较所述第三适应度计算单元计算得到的N组背景值参数和初始 值参数的对应的适应度值；
[0052] 获取单元，用于根据所述比较单元的比较结果，获得最小的适应度值，以便得到初 始最优适应度值。
[0053]优选的，所述的装置，还包括：
[0054]迭代次数初始化单元，用于初始化最大迭代次数Tmax，其中，所述Tmax为正整数；
[0055] 迭代次数判别单元，用于判断通过纵横交叉算法更新所述N组背景值参数和初始 值参数的次数是否大于最大迭代次数Tmax;
[0056] 其中，若所述迭代次数判别单元判别得到更新所述N组背景值参数和初始值参数 的次数大于最大迭代次数Tmax，则所述结果输出单元输出所述最后更新的最优适应度值对 应的背景值参数和初始值参数;若所述迭代次数判别单元判别得到更新所述N组背景值参 数和初始值参数的次数小于等于最大迭代次数T max，则所述纵向交叉更新单元重新对上一 次得到的N组背景值参数和初始值参数进行更新。
[0057]优选的，所述的装置，还包括：
[0058] 归一化单元，用于对所述N个初始值参数进行归一化处理；
[0059] 其中，所述纵向交叉更新单元对所述归一化单元得到的归一化的N个初始值参数 进行更新；
[0060] 反归一化单元，用于对所述纵向交叉更新单元更新后的初始值参数进行反归一化 处理；
[0061] 数据获取单元，用于获得所述反归一化单元反归一化处理后的N个初始值参数，以 便获得更新后的N组背景值参数和初始值参数。
[0062] 相对于现有技术，本发明的有益效果是:本发明结合纵向交叉算法和横向交叉算 法对引入改进的灰色模型中的背景值参数和初始值参数进行更新优化，通过最小适应度算 法计算得到更新后的背景值参数和初始值参数对应的最小适应度值。所述最小适应度对应 的背景值参数和初始值参数相比原始背景值参数和初始值参数更优，也就是说，将所述最 小适应度对应的背景值参数和初始值参数带入改进的灰色模型函数获得的预测结果更准 确，从而提升电网中长期预测精度。
【附图说明】
[0063] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0064] 图1是本发明实施例公开的一种优化改进灰色模型的电网预测的方法流程图；
[0065] 图2是本发明另一实施例公开的一种优化改进灰色模型的电网预测的方法流程 图；
[0066] 图3是本发明实施例公开的一种优化改进灰色模型的电网预测的装置结构图；
[0067] 图4是本发明另一实施例公开的一种优化改进灰色模型的电网预测的装置结构 图；
[0068] 图5是本发明另一实施例公开的一种优化改进灰色模型的电网预测的装置结构 图；
[0069] 图6是本发明另一实施例公开的一种优化改进灰色模型的电网预测的装置结构 图。
【具体实施方式】
[0070] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0071] 本发明公开了一种优化改进灰色模型的电网预测方法，参见图1，所述方法，包括：
[0072] 步骤S101、获取初始化原始数据，其中，所述原始数据包括:N组原始背景值参数和 初始值参数、最优适应度值；
[0073] 其中，设定初始用电量 ^) = ^)(1)^)(2),......x(0)(n)),N=n;
[0074] 引入参数η，初始值修正公式为:χ( 1) =x(Q) (1 )+n;
[0075]
[0076] 在构建改进的灰色预测模型的过程中，引入背景值Z(1)(k)，从而引入参数Θ，背景 值修正公式为:z (1)(k) = 91(0(1^-1) + (1-9)1(0(101^ = 2,3,…，η
[0077] 带入公式 x(Q)(k)+az ⑴（k) =u;
[0078]
[0079] 根据公式(a，u)T，可以得到N组a、u;带入改进的灰色模型公式：
[0080]
[0081] 得到應用电量X X < te "。的预测值⑴，Γ(2),….Γ帥 之后将预测值带入适应度计算公式计算Ν组原始背景值参数Θ和初始值参数η对应的适应度 值，其中适应度函数公式如下：
[0082]
[0083] 得到Ν个适应度值F，并且以Ν个适应度值中最小的适应度值作为初始最优适应度 值Pbest;
[0084] 其中，所述背景值参数Θ在背景值计算公式中引入，是对背景值的修正;所述初始 值参数η是对初始值的修正;所述适应度表示背景值参数Θ和初始值参数τι用于改进灰色建 模的适应程度，所述最优适应度值F越小，说明背景值参数Θ和初始值参数η用于灰色建模的 适应性越好;获得Ν组原始背景值参数Θ和初始值参数η，通过最小适应度算法从ν组原始背 景值参数Θ和初始值参数η找到最优的背景值参数Θ和初始值参数η;
[0085] 步骤S102、通过纵向交叉算法对所述Ν组背景值参数Θ和初始值参数η进行更新，以 获得更新后的Ν组背景值参数和初始值参数；
[0086] 其中，所述纵向交叉算法表示通过纵向交叉生成子公式对所述Ν组背景值参数和 初始值参数进行纵向更新；
[0087]纵向交叉生成子公式如下：
[0088] MSvc(i，di) = r*X(i，di) + ( l_r)*X(i，d2)，其中MSvc(i，di)表示X(i，di)通过纵向交 叉产生的子代，1^[1，扪^为随机生成的(0，1)之间的随机数，但不能大于设定的纵向交叉 概率;d表示维数，cU表示第一维，即Θ列，d 2表示第二维，即η列;X( i，cU)表示N个Θ ;
[0089] MSvc(i，d2) = r*X(i，d2) + ( l_r)*X(i，di)，其中MSvc(i，d2)表示X(i，d2)通过纵向交 叉产生的子代;X(i，d2)表不N个η;
[0090] 步骤S103、根据最小适应度方法计算得到所述更新后背景值参数Θ和初始值参数η 对应最小的适应度值Gbest;
[0091] 其中，适应度函数如下：
[0092]
[0093] 其中，F表示适应度，表示通过改进灰色模型得到的对应原始用电量数据的 预测值;x((3)(k)表示原始用电量数据;x(k)=x(())(k);
[0094] 所述最小适应度方法就是通过适应度函数计算所述N组背景值参数和初始值参数 对应的适应度值，再从N个适应度值中找到最小的，即为最小的适应度值；
[0095] 步骤S104、判断所述最小的适应度值是否小于所述最优适应度值;若所述最小的 适应度值小于所述最优适应度值，执行步骤S105，否则执行步骤S106;
[0096] 其中，将最小的适应度值Gbest与最优适应度值Pbest进行比较，只有比最优适应 度值Pbest小的适应度对应的背景值参数Θ和初始值参数 n才会被保留下来进去下一次迭 代；
[0097] 步骤S105、将所述最小的适应度值Gbest更新所述最优适应度值Pbest，
[0098] 步骤S106、保留所述最优适应度值Pbest;
[0099] 步骤S107、通过横向交叉算法对所述通过纵向交叉算法更新的N组背景值参数Θ和 初始值参数η进行更新，以获得更新后的N组背景值参数和初始值参数；
[0100] 其中，所述横向交叉算法表示通过横向交叉生成子公式对所述Ν组背景值参数和 初始值参数进行纵向更新；
[0101] 横向交叉生成子公式如下：
[0102] ]\^。（1，(1)=。*父（1，(1) + (111)*父（」，(1)+。1*(父（1，(1)-父（」，(1))，其中]\^。（1，(1)表示 X(i，d)通过横向交叉产生的子代，i e [ 1，Ν]的奇数，j e [ 1，Ν]的偶数，ri、r2为随机生成的 (0，1)之间的随机数;d表示维数，cU表示第一维，即Θ列，d 2表示第二维，即η列；
[0103] MShc( j，d) = r2*X( j，d) + ( l_r2)*X(i，d)+C2*(X( j，d)_X(i，d))，其中MShc( j，d)表示 X(j，d)通过横向交叉产生的子代；
[0104] 步骤S108、根据最小适应度方法计算得到所述通过横向交叉算法更新的N组背景 值参数Θ和初始值参数η对应的最小的适应度值Gbest;
[0105] 步骤S109、判断所述通过横向交叉算法更新的N组背景值参数Θ和初始值参数η对 应的最小的适应度值Gbest是否小于所述最优适应度值Pbest;若所述通过横向交叉算法更 新的N组背景值参数和初始值参数对应的最小的适应度值Gbest小于所述最优适应度值 Pbest，执行步骤S110，否则执行步骤SI 11;
[0106] 步骤S110、将所述最小的适应度值Gbest更新最优适应度值Pbest;
[0107] 步骤Sill、保留最优适应度值Pbest;
[0108] 步骤S112、输出所述最后更新的最优适应度值对应的背景值参数Θ和初始值参数 n，以便将最优背景值参数和初始值参数带入灰色模型计算负荷预测值；
[0109] 本实施例中，通过结合纵向交叉算法和横向交叉算法对引入改进的灰色模型中的 背景值参数θ和初始值参数η进行更新优化，通过最小适应度算法计算得到更新后的背景值 参数θ和初始值参数η对应的最小适应度值。所述最小适应度对应的背景值参数θ和初始值 参数η相比原始背景值参数和初始值参数更优，也就是说，将所述最小适应度对应的背景值 参数和初始值参数带入改进的灰色模型函数获得的预测结果更准确，从而提升电网中长期 预测精度。
[0110]优选的，另一实施例中，所述获取初始化原始数据，其中，所述原始数据包括:Ν组 原始背景值参数和初始值参数、最优适应度值，包括：
[0111] 随机生成Ν组原始背景值参数θ和初始值参数η，其中，ν为大于1的正整数；
[0112] 根据适应度函数分别计算得到所述Ν组背景值参数和初始值参数的对应的适应度 值；
[0113]比较所述Ν组背景值参数和初始值参数的对应的适应度值；
[0114] 根据比较结果，获得最小的适应度值，以所述最小的适应度值作为最优适应度值 Pbest〇
[0115] 本实施例中，所述初始化原始数据包括随机生成N组背景值参数Θ和初始值参数n， 根据原始用电量数据，通过改进的灰色模型计算原始用电量数据的预测值，通过适应度函 数计算所述N组背景值参数Θ和初始值参数η对应的适应度值，并将得到的所有适应度值中 最小的适应度值作为最优适应度值，从而完成对数据的初始化。
[0116] 优选的，另一实施例中，公开一种优化改进灰色模型的电网预测方法，参见图2,所 述方法包括：
[0117] 步骤S201、获取初始化原始数据，其中，所述原始数据包括:Ν组原始背景值参数和 初始值参数、最优适应度值，并初始化最大迭代次数T max，其中，所述Tmax为正整数；
[0118] 步骤S202、通过纵向交叉算法对所述N组背景值参数Θ和初始值参数q进行更新，以 获得更新后的Ν组背景值参数和初始值参数；
[0119] 步骤S203、根据最小适应度方法计算得到所述更新后背景值参数Θ和初始值参数η 对应最小的适应度值Gbest;
[0120] 步骤S204、判断所述最小的适应度值是否小于所述最优适应度值;若所述最小的 适应度值小于所述最优适应度值，执行步骤S105，否则执行步骤S106;
[0121] 步骤S205、将所述最小的适应度值Gbest更新所述最优适应度值Pbest;
[0122] 步骤S206、保留所述最优适应度值Pbest;
[0123] 步骤S207、通过横向交叉算法对所述通过纵向交叉算法更新的N组背景值参数Θ和 初始值参数η进行更新，以获得更新后的N组背景值参数和初始值参数；
[0124] 步骤S208、根据最小适应度方法计算得到所述通过横向交叉算法更新的Ν组背景 值参数Θ和初始值参数η对应的最小的适应度值Gbest;
[0125] 步骤S209、判断所述通过横向交叉算法更新的N组背景值参数Θ和初始值参数n对 应的最小的适应度值Gbest是否小于所述最优适应度值Pbest;若所述通过横向交叉算法更 新的N组背景值参数和初始值参数对应的最小的适应度值Gbest小于所述最优适应度值 Pbest，执行步骤S210，否则执行步骤S211;
[0126] 步骤S210、将所述最小的适应度值Gbest更新最优适应度值Pbest;
[0127] 步骤S211、保留最优适应度值Pbest;
[0128] 步骤S212、判断通过纵横交叉算法更新所述N组背景值参数和初始值参数的次数 是否大于最大迭代次数Tmax;若小于最大迭代次数T max，执行步骤S202,否则，执行步骤步骤 S213；
[0129] 步骤S213、输出所述最后更新的最优适应度值对应的背景值参数Θ和初始值参数 n，以便将最优背景值参数和初始值参数带入灰色模型计算负荷预测值。
[0130] 本实施例中，在初始化时设定最大迭代次数Tmax，能够通过纵横交叉算法Tmax次更 新所述N组背景值参数Θ和初始值参数n，迭代次数越多，所获得的背景值参数θ和初始值参 数η越适应改进的灰色模型，但迭代次数不能无限制的增加，当通过迭代获得的最优适应度 值的精度达到要求时，停止迭代。从而找到最佳的背景值参数θ和初始值参数η组合，来提高 预测结果的准确性。
[0131]优选的，另一实施例中，所述通过纵向交叉算法对所述Ν组背景值参数Θ和初始值 参数η进行更新，以获得更新后的Ν组背景值参数Θ和初始值参数η之前，还包括：
[0132]对所述Ν个初始值参数进行归一化处理；
[0133] 其中，由于种群不同维上下限不同，所以在进行纵向交叉前需要对根据每一维的 上下限进行归一化操作，以确保纵向交叉产生的子代在反归一化后不超过原来的上下限;Ν 个n随意取值，所以要先对n进行归一化处理，使得的n的取值在(0，1)之间；
[0134] 通过纵向交叉算法对所述N组背景值参数Θ和初始值参数n进行更新；
[0135] 对所述更新后的初始值参数进行反归一化处理；
[0136] 其中，对所述更新后的初始值参数进行反归一化处理为了获得n归一化之前的数 值范围；
[0137] 获得更新后的N组背景值参数Θ和初始值参数η。
[0138] 本实施例中，对初始值参数q进行归一化处理，达到纵向交叉算法的数值范围，这 样才能通过纵向交叉算法对所述N组背景值参数Θ和初始值参数n进行更新，由于背景值参 数Θ取值在(〇，1)之间，符合纵向交叉算法的数值范围，所以只需对初始值参数n进行归一 化，从而保证纵向交叉算法对所述N组背景值参数Θ和初始值参数n进行更新。
[0139] 相对于上述方法，本发明公开了一种优化改进灰色模型的电网预测装置，参见图 3,所述装置包括：
[0140] 原始数据获取单元101、纵向交叉更新单元102、第一适应度计算单元103、第一最 优判别单元104、第一最优适应度值更新单元105、横向交叉更新单元106、第二适应度计算 单元107、第二最优判别单元108、第二最优适应度值更新单元109、结果输出单元110;
[0141] 其中，所述原始数据获取单元101获取初始化原始数据，其中，所述原始数据包括： N组原始背景值参数和初始值参数、最优适应度值;所述纵向交叉更新单元102通过纵向交 叉算法对所述原始数据获取单元101获得的N组背景值参数和初始值参数进行更新，以获得 更新后的N组背景值参数和初始值参数;所述第一适应度计算单元103根据最小适应度方法 计算得到所述纵向交叉更新单元102更新后的背景值参数和初始值参数对应最小的适应度 值;所述第一最优判别单元104判断所述第一适应度计算单元103计算得到的最小的适应度 值是否小于所述最优适应度值;若所述最小的适应度值小于所述最优适应度值，所述第一 最优适应度值更新单元105以所述最小的适应度值更新所述最优适应度值，否则保留所述 最优适应度值;所述横向交叉更新单元106通过横向交叉算法对所述纵向交叉更新单元102 更新的N组背景值参数和初始值参数进行更新，以获得更新后的N组背景值参数和初始值参 数;所述第二适应度计算单元107根据最小适应度方法计算得到所述横向交叉更新单元106 更新的N组背景值参数和初始值参数对应的最小的适应度值;所述第二最优判别单元108判 断所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的最小的适应度值是否 小于所述最优适应度值;若所述通过横向交叉算法更新的N组背景值参数和初始值参数对 应的最小的适应度值小于所述最优适应度值，所述第二最优适应度值更新单元109将所述 最小的适应度值更新为最优适应度值，否则保留最优适应度值；
[0142]最后所述结果输出单元110输出所述最后更新的最优适应度值对应的背景值参数 和初始值参数，以便将最优背景值参数和初始值参数带入灰色模型计算负荷预测值。
[0143]需要说明的是，本实施例公开的优化改进灰色模型的电网预测装置中，各个单元 的具体工作过程请参见对应图1的方法实施例，此处不再赘述。
[0144] 优选的，另一实施例中，参见图4，所述原始数据获取单元，包括：
[0145] 初始参数获取单元1011、初始最优适应度获取单元1012;
[0146] 其中，所述初始最优适应度获取单元1012包括：
[0147] 第三适应度计算单元10121、比较单元10122、获取单元10123;
[0148] 本实施例中，所述初始参数获取单元1011随机生成N组原始背景值参数和初始值 参数，其中，N为大于1的正整数;所述第三适应度计算单元10121根据适应度函数分别计算 得到所述初始参数获取单元1011随机生成的N组背景值参数和初始值参数对应的适应度 值;所述比较单元10122比较所述第三适应度计算单元10121计算得到的N组背景值参数和 初值参数的对应的适应度值;所述获取单元10123根据所述比较单元10122的比较结果，获 得最小的适应度值，以便得到初始最优适应度值。
[0149] 需要说明的是，本实施例公开的优化改进灰色模型的电网预测装置中，各个单元 的具体工作过程请参见对应的方法实施例，此处不再赘述。
[0150] 优选的，另一实施例中，参见图5，所述装置，还包括：
[0151 ]迭代次数初始化单元111、迭代次数判别单元112;
[0152] 其中，所述迭代次数初始化单元111初始化最大迭代次数Tmax，其中，所述Tmax为正 整数；
[0153] 所述迭代次数判别单元112在所述第二最优适应度值更新单元109对最优适应度 值更新之后，判断通过纵横交叉算法更新所述N组背景值参数和初始值参数的次数是否大 于最大迭代次数Tmax ;
[0154] 若所述迭代次数判别单元112判别得到更新所述N组背景值参数和初始值参数的 次数大于最大迭代次数Tmax，则所述结果输出单元110输出所述最后更新的最优适应度值对 应的背景值参数和初始值参数;若所述迭代次数判别单元112判别得到更新所述N组背景值 参数和初始值参数的次数小于等于最大迭代次数T max，则所述纵向交叉更新单元102重新对 上一次得到的N组背景值参数和初始值参数进行更新。
[0155] 需要说明的是，本实施例公开的优化改进灰色模型的电网预测装置中，各个单元 的具体工作过程请参见对应图2的方法实施例，此处不再赘述。
[0156] 优选的，另一实施例中，参见图6，所述装置，还包括：
[0157] 归一化单元113、反归一化单元114、数据获取单元115;
[0158]其中，在所述纵向交叉更新单元102通过纵向交叉算法对所述原始数据获取单元 获得的N组背景值参数和初始值参数进行更新之前，需要所述归一化单元113对N个初始值 参数进行归一化处理，以便将所述N个初始值参数归一化到纵向交叉算法允许的数值范围； 所述纵向交叉更新单元102对N组背景值参数和初始值参数更新后，所述反归一化单元114 对N个初始值参数进行反归一化处理;所述数据获取单元115获得所述反归一化单元114反 归一化处理后的N个初始值参数，以便获得更新后的N组背景值参数和初始值参数。
[0159]需要说明的是，本实施例公开的优化改进灰色模型的电网预测装置中，各个单元 的具体工作过程请参见对应的方法实施例，此处不再赘述。
[0160]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
【主权项】
1. 一种优化改进灰色模型的电网预测方法，其特征在于，包括： 获取初始化原始数据，其中，所述原始数据包括:N组原始背景值参数和初始值参数、最 优适应度值； 通过纵向交叉算法对所述N组背景值参数和初始值参数进行更新，以获得更新后的N组 背景值参数和初始值参数； 根据最小适应度方法计算得到所述更新后背景值参数和初始值参数对应最小的适应 度值； 判断所述最小的适应度值是否小于所述最优适应度值； 若所述最小的适应度值小于所述最优适应度值，则以所述最小的适应度值更新所述最 优适应度值，否则保留所述最优适应度值； 通过横向交叉算法对所述通过纵向交叉算法更新的N组背景值参数和初始值参数进行 更新，以获得更新后的N组背景值参数和初始值参数； 根据最小适应度方法计算得到所述通过横向交叉算法更新的N组背景值参数和初始值 参数对应的最小的适应度值； 判断所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的最小的适应度 值是否小于所述最优适应度值； 若所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的最小的适应度值 小于所述最优适应度值，则将所述最小的适应度值更新最优适应度值，否则保留最优适应 度值； 输出所述最后更新的最优适应度值对应的背景值参数和初始值参数，以便将最优背景 值参数和初始值参数带入灰色模型计算负荷预测值。2. 根据权利要求1所述的方法，其特征在于，所述获取初始化原始数据，其中，所述原始 数据包括:N组原始背景值参数和初始值参数、最优适应度值，包括： 随机生成N组原始背景值参数和初始值参数，其中，N为大于1的正整数； 通过最小适应度方法计算得到N组背景值参数和初始值参数对应最小的适应度值，以 将所述最小的适应度值作为最优适应度值。3. 根据权利要求2所述的方法，其特征在于，所述通过最小适应度方法计算得到N组背 景值参数和初始值参数对应最小的适应度值，包括： 根据适应度函数分别计算得到所述N组背景值参数和初始值参数的对应的适应度值； 比较所述N组背景值参数和初始值参数的对应的适应度值； 根据比较结果，获得最小的适应度值，以便得到初始最优适应度值。4. 根据权利要求1所述的方法，其特征在于，所述获取初始化原始数据，之前，还包括： 初始化最大迭代次数Tmax，其中，所述Tmax为正整数； 其中，所述若所述通过横向交叉算法更新的N组背景值参数和初始值参数对应的最小 的适应度值小于所述最优适应度值，则将所述最小的适应度值更新最优适应度值，否则保 留最优适应度值之后，还包括： 判断通过纵横交叉算法更新所述N组背景值参数和初始值参数的次数是否大于最大迭 代次数Tmax; 若更新所述N组背景值参数和初始值参数的次数大于最大迭代次数Tmax，执行输出所述 最后更新的最优适应度值对应的背景值参数和初始值参数； 若更新所述N组背景值参数和初始值参数的次数小于等于最大迭代次数Tmax，执行通过 纵向交叉算法对所述N组背景值参数和初始值参数进行更新，以获得更新后的N组背景值参 数和初始值参数。5. 根据权利要求1所述的方法，其特征在于，通过纵向交叉算法对所述N组背景值参数 和初始值参数进行更新，以获得更新后的N组背景值参数和初始值参数之前，还包括： 对所述N个初始值参数进行归一化处理； 通过纵向交叉算法对所述N组背景值参数和初始值参数进行更新； 对所述更新后的初始值参数进行反归一化处理； 获得更新后的N组背景值参数和初始值参数。6. -种优化改进灰色模型的电网预测装置，其特征在于，包括： 原始数据获取单元，用于获取初始化原始数据，其中，所述原始数据包括:N组原始背景 值参数和初始值参数、最优适应度值； 纵向交叉更新单元，用于通过纵向交叉算法对所述原始数据获取单元获得的N组背景 值参数和初始值参数进行更新，以获得更新后的N组背景值参数和初始值参数； 第一适应度计算单元，用于根据最小适应度方法计算得到所述纵向交叉更新单元更新 后的背景值参数和初始值参数对应最小的适应度值； 第一最优判别单元，用于判断所述第一适应度计算模块计算得到的最小的适应度值是 否小于所述最优适应度值； 第一最优适应度值更新单元，用于当所述第一最优判别单元的判别结果为所述最小的 适应度值小于所述最优适应度值，将所述最小的适应度值更新所述最优适应度值;否则保 留所述最优适应度值； 横向交叉更新单元，用于通过横向交叉算法对所述纵向交叉更新单元更新的N组背景 值参数和初始值参数进行更新，以获得更新后的N组背景值参数和初始值参数； 第二适应度计算单元，用于根据最小适应度方法计算得到所述横向交叉更新单元更新 的N组背景值参数和初始值参数对应的最小的适应度值； 第二最优判别单元，用于判断所述通过横向交叉算法更新的N组背景值参数和初始值 参数对应的最小的适应度值是否小于所述最优适应度值； 第二最优适应度值更新单元，用于当所述第二最优判别单元的判别结果为所述通过横 向交叉算法更新的N组背景值参数和初始值参数对应的最小的适应度值小于所述最优适应 度值，将所述最小的适应度值更新所述最优适应度值;否则保留最优适应度值； 结果输出单元，用于输出所述最后更新的最优适应度值对应的背景值参数和初始值参 数，以便将最优背景值参数和初始值参数带入灰色模型计算负荷预测值。7. 根据权利要求6所述的装置，其特征在于，所述原始数据获取单元，包括： 初始参数获取单元，用于随机生成N组原始背景值参数和初始值参数，其中，N为大于1 的正整数； 初始最优适应度获取单元，用于通过最小适应度方法计算得到N组背景值参数和初始 值参数对应最小的适应度值，以将所述最小的适应度值作为最优适应度值。8. 根据权利要求7所述的装置，其特征在于，所述初始最优适应度获取单元，包括： 第三适应度计算单元，用于根据适应度函数分别计算得到所述N组背景值参数和初始 值参数对应的适应度值； 比较单元，用于比较所述第三适应度计算单元计算得到的N组背景值参数和初始值参 数的对应的适应度值； 获取单元，用于根据所述比较单元的比较结果，获得最小的适应度值，以便得到初始最 优适应度值。9. 根据权利要求6所述的装置，其特征在于，还包括： 迭代次数初始化单元，用于初始化最大迭代次数Tmax，其中，所述Tmax为正整数； 迭代次数判别单元，用于判断通过纵横交叉算法更新所述N组背景值参数和初始值参 数的次数是否大于最大迭代次数Tmax; 其中，若所述迭代次数判别单元判别得到更新所述N组背景值参数和初始值参数的次 数大于最大迭代次数Tmax，则所述结果输出单元输出所述最后更新的最优适应度值对应的 背景值参数和初始值参数;若所述迭代次数判别单元判别得到更新所述N组背景值参数和 初始值参数的次数小于等于最大迭代次数T max，则所述纵向交叉更新单元重新对上一次得 到的N组背景值参数和初始值参数进行更新。10. 根据权利要求6所述的装置，其特征在于，还包括： 归一化单元，用于对所述N个初始值参数进行归一化处理； 其中，所述纵向交叉更新单元对所述归一化单元得到的归一化的N个初始值参数进行 更新； 反归一化单元，用于对所述纵向交叉更新单元更新后的初始值参数进行反归一化处 理； 数据获取单元，用于获得所述反归一化单元反归一化处理后的N个初始值参数，以便获 得更新后的N组背景值参数和初始值参数。
【文档编号】G06Q50/06GK105976045SQ201610264550
【公开日】2016年9月28日
【申请日】2016年4月26日
【发明人】周志琴, 殷豪
【申请人】广东工业大学