一种基于GA-ELM算法的电采暖负荷预测方法与流程

本发明涉及能源利用，特别涉及一种基于ga-elm算法的电采暖负荷预测方法。

背景技术：

1、目前大部分的神经网络都是通过梯度下降的学习方法来进行训练，但由于其具有不确定的学习效率，容易陷入局部最优化，从而导致了在训练时产生较大的预测误差。

2、因此，现有技术还有待改进和提高。

技术实现思路

1、鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于ga-elm算法的电采暖负荷预测方法，旨在解决目前大部分的神经网络都是通过梯度下降的学习方法来进行训练，但由于其具有不确定的学习效率，容易陷入局部最优化，从而导致了在训练时产生较大的预测误差的问题。

2、为了达到上述目的，本发明采取了以下技术方案：

3、第一方面，一种基于ga-elm算法的电采暖负荷预测方法，其特征在于，包括：

4、步骤一、综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量；

5、步骤二、根据预测网络模型输入输出量，基于遗传算法优化极限学习机的算法，获取预测输出值；

6、步骤三、利用预测输出值和实际值的百分误差pe和平均绝对值百分误差mape两个指标来检验预测的效果，获取预测误差值，验证预测输出值准确性。

7、进一步地，所述综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量包括：

8、依据短期电力负荷特性分析，综合考虑负荷按照日或周有规律的变化和负荷波动受天气的影响，并利用与预测负荷相关的各种因素，如温度，降水，风速，日照时数以及日期类型。

9、进一步地，所述遗传算法优化极限学习机的算法包括：

10、遗传算法优化极限学习机的算法：

11、

12、式中，βi为第i个隐含层节点和输出层节点的权值，βi＝[βil，βi2，...，βim]；ωi为第i隐含层节点和输入层节点的权值，同理ωi＝[ωil，ωi2，...，ωin]；bi是第i个隐含层节点的阈值，(i＝1，2，...，i)。

13、上式表示为：

14、tt＝h1×1β1×m

15、式中：h为隐含层输出矩阵，h＝[g(ω1x+b1)，...，g(ω1x+b1)]，

16、隐含层与输出层之间的连接权值β能够利用下面方程组的最小二乘解得到：

17、

18、其解是h+是隐含层输出矩阵的moore-penrose的广义逆；

19、极限学习机在对其网络进行训练前根据随机产生的ω和b，通过选择的隐含层节点数和激活函数，即可计算出β；

20、由于不同变量的单位和取值范围差异较大，为了消除变量之间数量级的差别避免造成预测误差，以及方便求解，将数据进行归一化处理，采用matlab自带归一化函数mapminmax将所有数据都转化为[-1,1]之间的数据，函数调用方式如下：

21、[inputn,inputs]＝mapminmax(input)

22、式中，input是输入原始数据，inputn是归一化的数据，inputs是归一化后数据的结构体，输出数据的归一化同理，预测完成后同样利用此函数进行反归一化，获得真实数据。

23、进一步地，所述利用预测输出值和实际值的百分误差pe和平均绝对值百分误差mape两个指标来检验预测的效果，获取预测误差值，验证预测输出值准确性包括：

24、利用预测输出和实际值的百分误差pe和平均绝对值百分误差mape两个指标来检验预测的效果,并对三种方法bp网络、elm网络、ga-elm网络的预测效果进行比较：

25、

26、

27、进一步地，所述遗传算法优化极限学习机的算法还包括利用遗传算法对极限学习机的初始输入层权值和隐含层阈值进行优化：

28、步骤2.1、初始化染色体种群，将一个网络的全部输入层权值和隐含层阈值抽象为一个染色体，并将遗传算法设置迭代200代，每代20个染色体构成一个初始种群，按照染色体长度正负20倍的数据范围随机给每一代的初始种群编码；

29、步骤2.2、设置适应度函数，利用elm对训练样本的预测输出误差作为适应度函数，计算初始种群中个体的适应度值；

30、步骤2.3、选择、交叉、变异操作，采用轮盘赌法选择初始种群中适应度值大的个体留下构成新种群，设置交叉和变异概率分别为0.6和0.2，对于新种群中的染色体，每两个分成一组进行交叉操作，然后利在变异的过程中局部寻优，使变异朝着全局最优的方向进行，最终留下适应度值最好的个体构成子代种群；

31、步骤2.4、往复迭代进行、选取最优染色体，进化一次后，对于保留下来的染色体进行解码，计算适应度值，并保留最好的染色体，以此进化200代或满足结束条件，找到最大适应度值的染色体和它们在种群中的位置，并用最大适应度值与上一代最好的染色体的适应度值比较，若优于上一代则用此染色体替代，并记录，最后得到适应度值最好的染色体进行解码，并将解码后得到的权值和阈值赋给预测使用的elm；

32、步骤2.5、利用优化后的elm进行预测输出，通过训练样本的训练效果调整参数，确定隐含层节点数为50，激活函数为sig，并以最优的权值和阈值初始化elm的参数，获得最优的网络结构，带入测试样本，以获得预测输出值。

33、进一步地，综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量还包括：

34、所述的历史负荷数据来自调度系统scada数据库，选取其中异常数据，在输入样本进行网络训练之前要对其中异常数据进行处理。

35、进一步地，所述在输入样本进行网络训练之前要对其中异常数据进行处理包括：

36、对于工作日或休息日的空缺值分别采取取对应日期类型的前5天此时刻的平均值来补充空缺值；

37、对于某时刻点相对于相邻时刻点的负荷百分误差大于10％的毛刺点利用插值法进行替代，以保证历史负荷数据的准确性；

38、由于不同日期类型的负荷变化规律存在差异，所以按照工作日和休息日两种日期类型，分别取0和1来表示。

39、本发明所采用的技术方案具有以下有益效果：

40、本申请中，利用遗传算法ga搜索去向全局更优的方向，取得最佳权、阈值，解决elm网络不稳定问题，精准预测电采暖负荷,准确确定供热系统中供热设备的类型和新增负荷的大小；准确确定供热参数、储备容量、系统的运行状态等情况，使供热设备的运行、维护和检修更科学合理，通过ga-elm算法能够快速习得样本之间的非线性映射关系，学习训练网络时间短，提高了预测精度，具有较好的预测精度和网络泛化性能，有较强的实用性。

技术特征：

1.一种基于ga-elm算法的电采暖负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量包括：

3.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述遗传算法优化极限学习机的算法包括：

4.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述利用预测输出值和实际值的百分误差pe和平均绝对值百分误差mape两个指标来检验预测的效果，获取预测误差值，验证预测输出值准确性包括：

5.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述遗传算法优化极限学习机的算法还包括利用遗传算法对极限学习机的初始输入层权值和隐含层阈值进行优化：

6.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量还包括：

7.根据权利要求6所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述在输入样本进行网络训练之前要对其中异常数据进行处理包括：

技术总结本发明公开了一种基于GA‑ELM算法的电采暖负荷预测方法，包括综合考虑利用负荷的波动及相关因素的扰动，选取预测网络模型输入输出量；基于遗传算法优化极限学习机的算法，获取预测输出值；利用预测输出值和实际值的百分误差PE和平均绝对值百分误差MAPE两个指标来检验预测的效果，获取预测误差值，验证预测输出值准确性；通过使用遗传算法对预先设定的极限学习机的随机变量进行了多次修改，从而改善了模型在特定场景下的拟合能力；最后，通过MATLAB利用搜集的供暖负荷数据及相关影响因素进行实验验证，并与BP网络、ELM网络预测结果对比分析，验证本方法在短期负荷预测方面学习速度快，能够获得较高的预测精度、具有较强的网络稳定性和泛化性能。技术研发人员：袁鹏,赵清松,金英,张庭齐,刘刚,王淼,周郦,牛明,程基峰,任康,马润受保护的技术使用者：国网辽宁省电力有限公司电力科学研究院技术研发日：技术公布日：2024/7/29