一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法和裝置的制造方法
【專利摘要】本申請(qǐng)公開了一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法和裝置,所述方法結(jié)合縱向交叉算法和橫向交叉算法對(duì)引入改進(jìn)的灰色模型中的背景值參數(shù)和初始值參數(shù)進(jìn)行更新優(yōu)化,通過最小適應(yīng)度算法計(jì)算得到更新后的背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小適應(yīng)度值。所述最小適應(yīng)度對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù)相比原始背景值參數(shù)和初始值參數(shù)更優(yōu),也就是說,將所述最小適應(yīng)度對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù)帶入改進(jìn)的灰色模型函數(shù)獲得的預(yù)測(cè)結(jié)果更準(zhǔn)確,從而提升電網(wǎng)中長(zhǎng)期預(yù)測(cè)精度。
【專利說明】
一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法和裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及電力負(fù)荷預(yù)測(cè)領(lǐng)域,尤其涉及一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法 和裝置。
【背景技術(shù)】
[0002] 電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的基礎(chǔ),提高負(fù)荷預(yù)測(cè)技術(shù)水平有利于用電管 理、合理安排電網(wǎng)運(yùn)行方式和機(jī)組檢修,從而提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益。目前中 長(zhǎng)期電力負(fù)荷預(yù)測(cè)常用的方法有回歸分析預(yù)測(cè)法、時(shí)間序列隨機(jī)預(yù)測(cè)法、灰色預(yù)測(cè)法和神 經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法等。其中,灰色預(yù)測(cè)法因具有要求樣本數(shù)據(jù)少、預(yù)測(cè)精度高、可檢驗(yàn)性強(qiáng)等優(yōu) 點(diǎn),被廣泛應(yīng)用在電力負(fù)荷預(yù)測(cè)領(lǐng)域中。
[0003] 目前,為了提高預(yù)測(cè)精度,提出了一種改進(jìn)的灰色模型,這種對(duì)于灰色模型的改進(jìn) 主要通過引入一個(gè)參數(shù)來修正灰色模型背景值的計(jì)算公式,但這種方法不能充分降低預(yù)測(cè) 誤差。針對(duì)只引入一對(duì)背景值參數(shù)和初始值參數(shù)到改進(jìn)的灰色模型中進(jìn)行負(fù)荷預(yù)測(cè)的方 法,其預(yù)測(cè)效果仍不夠理想。
[0004] 因此,如何優(yōu)化改進(jìn)灰色模型的引進(jìn)參數(shù),使得電力負(fù)荷預(yù)測(cè)精度更高是需要解 決的技術(shù)問題。
【發(fā)明內(nèi)容】
[0005] 有鑒于此,本發(fā)明提供了一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法和裝置,能夠?qū)?改進(jìn)灰色模型中引入的參數(shù)進(jìn)行優(yōu)化,從而達(dá)到提升電網(wǎng)中長(zhǎng)期預(yù)測(cè)精度的目的。
[0006] 本發(fā)明公開了一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法,包括:
[0007] 獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:N組原始背景值參數(shù)和初始值參 數(shù)、最優(yōu)適應(yīng)度值;
[0008] 通過縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后 的N組背景值參數(shù)和初始值參數(shù);
[0009] 根據(jù)最小適應(yīng)度方法計(jì)算得到所述更新后背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的 適應(yīng)度值;
[0010] 判斷所述最小的適應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值;
[0011]若所述最小的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,則以所述最小的適應(yīng)度值更新所 述最優(yōu)適應(yīng)度值,否則保留所述最優(yōu)適應(yīng)度值;
[0012] 通過橫向交叉算法對(duì)所述通過縱向交叉算法更新的N組背景值參數(shù)和初始值參數(shù) 進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù);
[0013] 根據(jù)最小適應(yīng)度方法計(jì)算得到所述通過橫向交叉算法更新的N組背景值參數(shù)和初 始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值;
[0014] 判斷所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適 應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值;
[0015] 若所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng) 度值小于所述最優(yōu)適應(yīng)度值,則將所述最小的適應(yīng)度值更新最優(yōu)適應(yīng)度值,否則保留最優(yōu) 適應(yīng)度值;
[0016] 輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù),以便將最優(yōu) 背景值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值。
[0017] 優(yōu)選的,所述獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:N組原始背景值參數(shù) 和初始值參數(shù)、最優(yōu)適應(yīng)度值,包括:
[0018] 隨機(jī)生成N組原始背景值參數(shù)和初始值參數(shù),其中,N為大于1的正整數(shù);
[0019] 通過最小適應(yīng)度方法計(jì)算得到N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度 值,以將所述最小的適應(yīng)度值作為最優(yōu)適應(yīng)度值。
[0020] 優(yōu)選的,所述通過最小適應(yīng)度方法計(jì)算得到N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最 小的適應(yīng)度值,包括:
[0021] 根據(jù)適應(yīng)度函數(shù)分別計(jì)算得到所述N組背景值參數(shù)和初始值參數(shù)的對(duì)應(yīng)的適應(yīng)度 值;
[0022] 比較所述N組背景值參數(shù)和初始值參數(shù)的對(duì)應(yīng)的適應(yīng)度值;
[0023] 根據(jù)比較結(jié)果,獲得最小的適應(yīng)度值,以便得到初始最優(yōu)適應(yīng)度值。
[0024] 優(yōu)選的,所述獲取初始化原始數(shù)據(jù),之前,還包括:
[0025] 初始化最大迭代次數(shù)Tmax,其中,所述Tmax為正整數(shù);
[0026] 其中,所述若所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的 最小的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,則將所述最小的適應(yīng)度值更新最優(yōu)適應(yīng)度值,否 則保留最優(yōu)適應(yīng)度值之后,還包括:
[0027] 判斷通過縱橫交叉算法更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)是否大于最 大迭代次數(shù)Tmax;
[0028] 若更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)大于最大迭代次數(shù)Tmax,執(zhí)行輸出 所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù);
[0029] 若更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)小于等于最大迭代次數(shù)Tmax,執(zhí)行 通過縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景 值參數(shù)和初始值參數(shù)。
[0030] 優(yōu)選的,所述通過縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以 獲得更新后的N組背景值參數(shù)和初始值參數(shù)之前,還包括:
[0031 ]對(duì)所述N個(gè)初始值參數(shù)進(jìn)行歸一化處理;
[0032] 通過縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新;
[0033] 對(duì)所述更新后的初始值參數(shù)進(jìn)行反歸一化處理;
[0034]獲得更新后的N組背景值參數(shù)和初始值參數(shù)。
[0035] 本發(fā)明公開了一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置,包括:
[0036] 原始數(shù)據(jù)獲取單元,用于獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:N組原始 背景值參數(shù)和初始值參數(shù)、最優(yōu)適應(yīng)度值;
[0037] 縱向交叉更新單元,用于通過縱向交叉算法對(duì)所述原始數(shù)據(jù)獲取單元獲得的N組 背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù);
[0038] 第一適應(yīng)度計(jì)算單元,用于根據(jù)最小適應(yīng)度方法計(jì)算得到所述縱向交叉更新單元 更新后的背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度值;
[0039] 第一最優(yōu)判別單元,用于判斷所述第一適應(yīng)度計(jì)算模塊計(jì)算得到的最小的適應(yīng)度 值是否小于所述最優(yōu)適應(yīng)度值;
[0040] 第一最優(yōu)適應(yīng)度值更新單元,用于當(dāng)所述第一最優(yōu)判別單元的判別結(jié)果為所述最 小的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,將所述最小的適應(yīng)度值更新所述最優(yōu)適應(yīng)度值;否 則保留所述最優(yōu)適應(yīng)度值;
[0041] 橫向交叉更新單元,用于通過橫向交叉算法對(duì)所述縱向交叉更新單元更新的N組 背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù);
[0042] 第二適應(yīng)度計(jì)算單元,用于根據(jù)最小適應(yīng)度方法計(jì)算得到所述橫向交叉更新單元 更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值;
[0043] 第二最優(yōu)判別單元,用于判斷所述通過橫向交叉算法更新的N組背景值參數(shù)和初 始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值;
[0044] 第二最優(yōu)適應(yīng)度值更新單元,用于當(dāng)所述第二最優(yōu)判別單元的判別結(jié)果為所述通 過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值小于所述最優(yōu) 適應(yīng)度值,將所述最小的適應(yīng)度值更新所述最優(yōu)適應(yīng)度值;否則保留最優(yōu)適應(yīng)度值;
[0045] 結(jié)果輸出單元,用于輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)和初始 值參數(shù),以便將最優(yōu)背景值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值。
[0046] 優(yōu)選的,所述原始數(shù)據(jù)獲取單元,包括:
[0047] 初始參數(shù)獲取單元,用于隨機(jī)生成N組原始背景值參數(shù)和初始值參數(shù),其中,N為大 于1的正整數(shù);
[0048] 初始最優(yōu)適應(yīng)度獲取單元,用于通過最小適應(yīng)度方法計(jì)算得到N組背景值參數(shù)和 初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度值,以將所述最小的適應(yīng)度值作為最優(yōu)適應(yīng)度值。
[0049] 優(yōu)選的,所述初始最優(yōu)適應(yīng)度獲取單元,包括:
[0050] 第三適應(yīng)度計(jì)算單元,用于根據(jù)適應(yīng)度函數(shù)分別計(jì)算得到所述N組背景值參數(shù)和 初始值參數(shù)對(duì)應(yīng)的適應(yīng)度值;
[0051] 比較單元,用于比較所述第三適應(yīng)度計(jì)算單元計(jì)算得到的N組背景值參數(shù)和初始 值參數(shù)的對(duì)應(yīng)的適應(yīng)度值;
[0052] 獲取單元,用于根據(jù)所述比較單元的比較結(jié)果,獲得最小的適應(yīng)度值,以便得到初 始最優(yōu)適應(yīng)度值。
[0053]優(yōu)選的,所述的裝置,還包括:
[0054]迭代次數(shù)初始化單元,用于初始化最大迭代次數(shù)Tmax,其中,所述Tmax為正整數(shù);
[0055] 迭代次數(shù)判別單元,用于判斷通過縱橫交叉算法更新所述N組背景值參數(shù)和初始 值參數(shù)的次數(shù)是否大于最大迭代次數(shù)Tmax;
[0056] 其中,若所述迭代次數(shù)判別單元判別得到更新所述N組背景值參數(shù)和初始值參數(shù) 的次數(shù)大于最大迭代次數(shù)Tmax,則所述結(jié)果輸出單元輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì) 應(yīng)的背景值參數(shù)和初始值參數(shù);若所述迭代次數(shù)判別單元判別得到更新所述N組背景值參 數(shù)和初始值參數(shù)的次數(shù)小于等于最大迭代次數(shù)T max,則所述縱向交叉更新單元重新對(duì)上一 次得到的N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新。
[0057]優(yōu)選的,所述的裝置,還包括:
[0058] 歸一化單元,用于對(duì)所述N個(gè)初始值參數(shù)進(jìn)行歸一化處理;
[0059] 其中,所述縱向交叉更新單元對(duì)所述歸一化單元得到的歸一化的N個(gè)初始值參數(shù) 進(jìn)行更新;
[0060] 反歸一化單元,用于對(duì)所述縱向交叉更新單元更新后的初始值參數(shù)進(jìn)行反歸一化 處理;
[0061] 數(shù)據(jù)獲取單元,用于獲得所述反歸一化單元反歸一化處理后的N個(gè)初始值參數(shù),以 便獲得更新后的N組背景值參數(shù)和初始值參數(shù)。
[0062] 相對(duì)于現(xiàn)有技術(shù),本發(fā)明的有益效果是:本發(fā)明結(jié)合縱向交叉算法和橫向交叉算 法對(duì)引入改進(jìn)的灰色模型中的背景值參數(shù)和初始值參數(shù)進(jìn)行更新優(yōu)化,通過最小適應(yīng)度算 法計(jì)算得到更新后的背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小適應(yīng)度值。所述最小適應(yīng)度對(duì)應(yīng) 的背景值參數(shù)和初始值參數(shù)相比原始背景值參數(shù)和初始值參數(shù)更優(yōu),也就是說,將所述最 小適應(yīng)度對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù)帶入改進(jìn)的灰色模型函數(shù)獲得的預(yù)測(cè)結(jié)果更準(zhǔn) 確,從而提升電網(wǎng)中長(zhǎng)期預(yù)測(cè)精度。
【附圖說明】
[0063] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見地,下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可以根據(jù) 提供的附圖獲得其他的附圖。
[0064] 圖1是本發(fā)明實(shí)施例公開的一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)的方法流程圖;
[0065] 圖2是本發(fā)明另一實(shí)施例公開的一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)的方法流程 圖;
[0066] 圖3是本發(fā)明實(shí)施例公開的一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)的裝置結(jié)構(gòu)圖;
[0067] 圖4是本發(fā)明另一實(shí)施例公開的一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)的裝置結(jié)構(gòu) 圖;
[0068] 圖5是本發(fā)明另一實(shí)施例公開的一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)的裝置結(jié)構(gòu) 圖;
[0069] 圖6是本發(fā)明另一實(shí)施例公開的一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)的裝置結(jié)構(gòu) 圖。
【具體實(shí)施方式】
[0070] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;?本發(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
[0071] 本發(fā)明公開了一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法,參見圖1,所述方法,包括:
[0072] 步驟S101、獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:N組原始背景值參數(shù)和 初始值參數(shù)、最優(yōu)適應(yīng)度值;
[0073] 其中,設(shè)定初始用電量 ^) = ^)(1)^)(2),......x(0)(n)),N=n;
[0074] 引入?yún)?shù)η,初始值修正公式為:χ( 1) =x(Q) (1 )+n;
[0075]
[0076] 在構(gòu)建改進(jìn)的灰色預(yù)測(cè)模型的過程中,引入背景值Z(1)(k),從而引入?yún)?shù)Θ,背景 值修正公式為:z (1)(k) = 91(0(1^-1) + (1-9)1(0(101^ = 2,3,…,η
[0077] 帶入公式 x(Q)(k)+az ⑴(k) =u;
[0078]
[0079] 根據(jù)公式(a,u)T,可以得到N組a、u;帶入改進(jìn)的灰色模型公式:
[0080]
[0081] 得到應(yīng)用電量X X < te "。的預(yù)測(cè)值⑴,Γ(2),….Γ帥 之后將預(yù)測(cè)值帶入適應(yīng)度計(jì)算公式計(jì)算Ν組原始背景值參數(shù)Θ和初始值參數(shù)η對(duì)應(yīng)的適應(yīng)度 值,其中適應(yīng)度函數(shù)公式如下:
[0082]
[0083] 得到Ν個(gè)適應(yīng)度值F,并且以Ν個(gè)適應(yīng)度值中最小的適應(yīng)度值作為初始最優(yōu)適應(yīng)度 值Pbest;
[0084] 其中,所述背景值參數(shù)Θ在背景值計(jì)算公式中引入,是對(duì)背景值的修正;所述初始 值參數(shù)η是對(duì)初始值的修正;所述適應(yīng)度表示背景值參數(shù)Θ和初始值參數(shù)τι用于改進(jìn)灰色建 模的適應(yīng)程度,所述最優(yōu)適應(yīng)度值F越小,說明背景值參數(shù)Θ和初始值參數(shù)η用于灰色建模的 適應(yīng)性越好;獲得Ν組原始背景值參數(shù)Θ和初始值參數(shù)η,通過最小適應(yīng)度算法從ν組原始背 景值參數(shù)Θ和初始值參數(shù)η找到最優(yōu)的背景值參數(shù)Θ和初始值參數(shù)η;
[0085] 步驟S102、通過縱向交叉算法對(duì)所述Ν組背景值參數(shù)Θ和初始值參數(shù)η進(jìn)行更新,以 獲得更新后的Ν組背景值參數(shù)和初始值參數(shù);
[0086] 其中,所述縱向交叉算法表示通過縱向交叉生成子公式對(duì)所述Ν組背景值參數(shù)和 初始值參數(shù)進(jìn)行縱向更新;
[0087]縱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)通過縱向交 叉產(chǎn)生的子代,1^[1,捫^為隨機(jī)生成的(0,1)之間的隨機(jī)數(shù),但不能大于設(shè)定的縱向交叉 概率;d表示維數(shù),cU表示第一維,即Θ列,d 2表示第二維,即η列;X( i,cU)表示N個(gè)Θ ;
[0089] MSvc(i,d2) = r*X(i,d2) + ( l_r)*X(i,di),其中MSvc(i,d2)表示X(i,d2)通過縱向交 叉產(chǎn)生的子代;X(i,d2)表不N個(gè)η;
[0090] 步驟S103、根據(jù)最小適應(yīng)度方法計(jì)算得到所述更新后背景值參數(shù)Θ和初始值參數(shù)η 對(duì)應(yīng)最小的適應(yīng)度值Gbest;
[0091] 其中,適應(yīng)度函數(shù)如下:
[0092]
[0093] 其中,F(xiàn)表示適應(yīng)度,表示通過改進(jìn)灰色模型得到的對(duì)應(yīng)原始用電量數(shù)據(jù)的 預(yù)測(cè)值;x((3)(k)表示原始用電量數(shù)據(jù);x(k)=x(())(k);
[0094] 所述最小適應(yīng)度方法就是通過適應(yīng)度函數(shù)計(jì)算所述N組背景值參數(shù)和初始值參數(shù) 對(duì)應(yīng)的適應(yīng)度值,再從N個(gè)適應(yīng)度值中找到最小的,即為最小的適應(yīng)度值;
[0095] 步驟S104、判斷所述最小的適應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值;若所述最小的 適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,執(zhí)行步驟S105,否則執(zhí)行步驟S106;
[0096] 其中,將最小的適應(yīng)度值Gbest與最優(yōu)適應(yīng)度值Pbest進(jìn)行比較,只有比最優(yōu)適應(yīng) 度值Pbest小的適應(yīng)度對(duì)應(yīng)的背景值參數(shù)Θ和初始值參數(shù) n才會(huì)被保留下來進(jìn)去下一次迭 代;
[0097] 步驟S105、將所述最小的適應(yīng)度值Gbest更新所述最優(yōu)適應(yīng)度值Pbest,
[0098] 步驟S106、保留所述最優(yōu)適應(yīng)度值Pbest;
[0099] 步驟S107、通過橫向交叉算法對(duì)所述通過縱向交叉算法更新的N組背景值參數(shù)Θ和 初始值參數(shù)η進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù);
[0100] 其中,所述橫向交叉算法表示通過橫向交叉生成子公式對(duì)所述Ν組背景值參數(shù)和 初始值參數(shù)進(jìn)行縱向更新;
[0101] 橫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)通過橫向交叉產(chǎn)生的子代,i e [ 1,Ν]的奇數(shù),j e [ 1,Ν]的偶數(shù),ri、r2為隨機(jī)生成的 (0,1)之間的隨機(jī)數(shù);d表示維數(shù),cU表示第一維,即Θ列,d 2表示第二維,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)通過橫向交叉產(chǎn)生的子代;
[0104] 步驟S108、根據(jù)最小適應(yīng)度方法計(jì)算得到所述通過橫向交叉算法更新的N組背景 值參數(shù)Θ和初始值參數(shù)η對(duì)應(yīng)的最小的適應(yīng)度值Gbest;
[0105] 步驟S109、判斷所述通過橫向交叉算法更新的N組背景值參數(shù)Θ和初始值參數(shù)η對(duì) 應(yīng)的最小的適應(yīng)度值Gbest是否小于所述最優(yōu)適應(yīng)度值Pbest;若所述通過橫向交叉算法更 新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值Gbest小于所述最優(yōu)適應(yīng)度值 Pbest,執(zhí)行步驟S110,否則執(zhí)行步驟SI 11;
[0106] 步驟S110、將所述最小的適應(yīng)度值Gbest更新最優(yōu)適應(yīng)度值Pbest;
[0107] 步驟Sill、保留最優(yōu)適應(yīng)度值Pbest;
[0108] 步驟S112、輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)Θ和初始值參數(shù) n,以便將最優(yōu)背景值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值;
[0109] 本實(shí)施例中,通過結(jié)合縱向交叉算法和橫向交叉算法對(duì)引入改進(jìn)的灰色模型中的 背景值參數(shù)θ和初始值參數(shù)η進(jìn)行更新優(yōu)化,通過最小適應(yīng)度算法計(jì)算得到更新后的背景值 參數(shù)θ和初始值參數(shù)η對(duì)應(yīng)的最小適應(yīng)度值。所述最小適應(yīng)度對(duì)應(yīng)的背景值參數(shù)θ和初始值 參數(shù)η相比原始背景值參數(shù)和初始值參數(shù)更優(yōu),也就是說,將所述最小適應(yīng)度對(duì)應(yīng)的背景值 參數(shù)和初始值參數(shù)帶入改進(jìn)的灰色模型函數(shù)獲得的預(yù)測(cè)結(jié)果更準(zhǔn)確,從而提升電網(wǎng)中長(zhǎng)期 預(yù)測(cè)精度。
[0110]優(yōu)選的,另一實(shí)施例中,所述獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:Ν組 原始背景值參數(shù)和初始值參數(shù)、最優(yōu)適應(yīng)度值,包括:
[0111] 隨機(jī)生成Ν組原始背景值參數(shù)θ和初始值參數(shù)η,其中,ν為大于1的正整數(shù);
[0112] 根據(jù)適應(yīng)度函數(shù)分別計(jì)算得到所述Ν組背景值參數(shù)和初始值參數(shù)的對(duì)應(yīng)的適應(yīng)度 值;
[0113]比較所述Ν組背景值參數(shù)和初始值參數(shù)的對(duì)應(yīng)的適應(yīng)度值;
[0114] 根據(jù)比較結(jié)果,獲得最小的適應(yīng)度值,以所述最小的適應(yīng)度值作為最優(yōu)適應(yīng)度值 Pbest〇
[0115] 本實(shí)施例中,所述初始化原始數(shù)據(jù)包括隨機(jī)生成N組背景值參數(shù)Θ和初始值參數(shù)n, 根據(jù)原始用電量數(shù)據(jù),通過改進(jìn)的灰色模型計(jì)算原始用電量數(shù)據(jù)的預(yù)測(cè)值,通過適應(yīng)度函 數(shù)計(jì)算所述N組背景值參數(shù)Θ和初始值參數(shù)η對(duì)應(yīng)的適應(yīng)度值,并將得到的所有適應(yīng)度值中 最小的適應(yīng)度值作為最優(yōu)適應(yīng)度值,從而完成對(duì)數(shù)據(jù)的初始化。
[0116] 優(yōu)選的,另一實(shí)施例中,公開一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法,參見圖2,所 述方法包括:
[0117] 步驟S201、獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:Ν組原始背景值參數(shù)和 初始值參數(shù)、最優(yōu)適應(yīng)度值,并初始化最大迭代次數(shù)T max,其中,所述Tmax為正整數(shù);
[0118] 步驟S202、通過縱向交叉算法對(duì)所述N組背景值參數(shù)Θ和初始值參數(shù)q進(jìn)行更新,以 獲得更新后的Ν組背景值參數(shù)和初始值參數(shù);
[0119] 步驟S203、根據(jù)最小適應(yīng)度方法計(jì)算得到所述更新后背景值參數(shù)Θ和初始值參數(shù)η 對(duì)應(yīng)最小的適應(yīng)度值Gbest;
[0120] 步驟S204、判斷所述最小的適應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值;若所述最小的 適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,執(zhí)行步驟S105,否則執(zhí)行步驟S106;
[0121] 步驟S205、將所述最小的適應(yīng)度值Gbest更新所述最優(yōu)適應(yīng)度值Pbest;
[0122] 步驟S206、保留所述最優(yōu)適應(yīng)度值Pbest;
[0123] 步驟S207、通過橫向交叉算法對(duì)所述通過縱向交叉算法更新的N組背景值參數(shù)Θ和 初始值參數(shù)η進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù);
[0124] 步驟S208、根據(jù)最小適應(yīng)度方法計(jì)算得到所述通過橫向交叉算法更新的Ν組背景 值參數(shù)Θ和初始值參數(shù)η對(duì)應(yīng)的最小的適應(yīng)度值Gbest;
[0125] 步驟S209、判斷所述通過橫向交叉算法更新的N組背景值參數(shù)Θ和初始值參數(shù)n對(duì) 應(yīng)的最小的適應(yīng)度值Gbest是否小于所述最優(yōu)適應(yīng)度值Pbest;若所述通過橫向交叉算法更 新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值Gbest小于所述最優(yōu)適應(yīng)度值 Pbest,執(zhí)行步驟S210,否則執(zhí)行步驟S211;
[0126] 步驟S210、將所述最小的適應(yīng)度值Gbest更新最優(yōu)適應(yīng)度值Pbest;
[0127] 步驟S211、保留最優(yōu)適應(yīng)度值Pbest;
[0128] 步驟S212、判斷通過縱橫交叉算法更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù) 是否大于最大迭代次數(shù)Tmax;若小于最大迭代次數(shù)T max,執(zhí)行步驟S202,否則,執(zhí)行步驟步驟 S213;
[0129] 步驟S213、輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)Θ和初始值參數(shù) n,以便將最優(yōu)背景值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值。
[0130] 本實(shí)施例中,在初始化時(shí)設(shè)定最大迭代次數(shù)Tmax,能夠通過縱橫交叉算法Tmax次更 新所述N組背景值參數(shù)Θ和初始值參數(shù)n,迭代次數(shù)越多,所獲得的背景值參數(shù)θ和初始值參 數(shù)η越適應(yīng)改進(jìn)的灰色模型,但迭代次數(shù)不能無限制的增加,當(dāng)通過迭代獲得的最優(yōu)適應(yīng)度 值的精度達(dá)到要求時(shí),停止迭代。從而找到最佳的背景值參數(shù)θ和初始值參數(shù)η組合,來提高 預(yù)測(cè)結(jié)果的準(zhǔn)確性。
[0131]優(yōu)選的,另一實(shí)施例中,所述通過縱向交叉算法對(duì)所述Ν組背景值參數(shù)Θ和初始值 參數(shù)η進(jìn)行更新,以獲得更新后的Ν組背景值參數(shù)Θ和初始值參數(shù)η之前,還包括:
[0132]對(duì)所述Ν個(gè)初始值參數(shù)進(jìn)行歸一化處理;
[0133] 其中,由于種群不同維上下限不同,所以在進(jìn)行縱向交叉前需要對(duì)根據(jù)每一維的 上下限進(jìn)行歸一化操作,以確??v向交叉產(chǎn)生的子代在反歸一化后不超過原來的上下限;Ν 個(gè)n隨意取值,所以要先對(duì)n進(jìn)行歸一化處理,使得的n的取值在(0,1)之間;
[0134] 通過縱向交叉算法對(duì)所述N組背景值參數(shù)Θ和初始值參數(shù)n進(jìn)行更新;
[0135] 對(duì)所述更新后的初始值參數(shù)進(jìn)行反歸一化處理;
[0136] 其中,對(duì)所述更新后的初始值參數(shù)進(jìn)行反歸一化處理為了獲得n歸一化之前的數(shù) 值范圍;
[0137] 獲得更新后的N組背景值參數(shù)Θ和初始值參數(shù)η。
[0138] 本實(shí)施例中,對(duì)初始值參數(shù)q進(jìn)行歸一化處理,達(dá)到縱向交叉算法的數(shù)值范圍,這 樣才能通過縱向交叉算法對(duì)所述N組背景值參數(shù)Θ和初始值參數(shù)n進(jìn)行更新,由于背景值參 數(shù)Θ取值在(〇,1)之間,符合縱向交叉算法的數(shù)值范圍,所以只需對(duì)初始值參數(shù)n進(jìn)行歸一 化,從而保證縱向交叉算法對(duì)所述N組背景值參數(shù)Θ和初始值參數(shù)n進(jìn)行更新。
[0139] 相對(duì)于上述方法,本發(fā)明公開了一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置,參見圖 3,所述裝置包括:
[0140] 原始數(shù)據(jù)獲取單元101、縱向交叉更新單元102、第一適應(yīng)度計(jì)算單元103、第一最 優(yōu)判別單元104、第一最優(yōu)適應(yīng)度值更新單元105、橫向交叉更新單元106、第二適應(yīng)度計(jì)算 單元107、第二最優(yōu)判別單元108、第二最優(yōu)適應(yīng)度值更新單元109、結(jié)果輸出單元110;
[0141] 其中,所述原始數(shù)據(jù)獲取單元101獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括: N組原始背景值參數(shù)和初始值參數(shù)、最優(yōu)適應(yīng)度值;所述縱向交叉更新單元102通過縱向交 叉算法對(duì)所述原始數(shù)據(jù)獲取單元101獲得的N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得 更新后的N組背景值參數(shù)和初始值參數(shù);所述第一適應(yīng)度計(jì)算單元103根據(jù)最小適應(yīng)度方法 計(jì)算得到所述縱向交叉更新單元102更新后的背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度 值;所述第一最優(yōu)判別單元104判斷所述第一適應(yīng)度計(jì)算單元103計(jì)算得到的最小的適應(yīng)度 值是否小于所述最優(yōu)適應(yīng)度值;若所述最小的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,所述第一 最優(yōu)適應(yīng)度值更新單元105以所述最小的適應(yīng)度值更新所述最優(yōu)適應(yīng)度值,否則保留所述 最優(yōu)適應(yīng)度值;所述橫向交叉更新單元106通過橫向交叉算法對(duì)所述縱向交叉更新單元102 更新的N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參 數(shù);所述第二適應(yīng)度計(jì)算單元107根據(jù)最小適應(yīng)度方法計(jì)算得到所述橫向交叉更新單元106 更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值;所述第二最優(yōu)判別單元108判 斷所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值是否 小于所述最優(yōu)適應(yīng)度值;若所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì) 應(yīng)的最小的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,所述第二最優(yōu)適應(yīng)度值更新單元109將所述 最小的適應(yīng)度值更新為最優(yōu)適應(yīng)度值,否則保留最優(yōu)適應(yīng)度值;
[0142]最后所述結(jié)果輸出單元110輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù) 和初始值參數(shù),以便將最優(yōu)背景值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值。
[0143]需要說明的是,本實(shí)施例公開的優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置中,各個(gè)單元 的具體工作過程請(qǐng)參見對(duì)應(yīng)圖1的方法實(shí)施例,此處不再贅述。
[0144] 優(yōu)選的,另一實(shí)施例中,參見圖4,所述原始數(shù)據(jù)獲取單元,包括:
[0145] 初始參數(shù)獲取單元1011、初始最優(yōu)適應(yīng)度獲取單元1012;
[0146] 其中,所述初始最優(yōu)適應(yīng)度獲取單元1012包括:
[0147] 第三適應(yīng)度計(jì)算單元10121、比較單元10122、獲取單元10123;
[0148] 本實(shí)施例中,所述初始參數(shù)獲取單元1011隨機(jī)生成N組原始背景值參數(shù)和初始值 參數(shù),其中,N為大于1的正整數(shù);所述第三適應(yīng)度計(jì)算單元10121根據(jù)適應(yīng)度函數(shù)分別計(jì)算 得到所述初始參數(shù)獲取單元1011隨機(jī)生成的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的適應(yīng)度 值;所述比較單元10122比較所述第三適應(yīng)度計(jì)算單元10121計(jì)算得到的N組背景值參數(shù)和 初值參數(shù)的對(duì)應(yīng)的適應(yīng)度值;所述獲取單元10123根據(jù)所述比較單元10122的比較結(jié)果,獲 得最小的適應(yīng)度值,以便得到初始最優(yōu)適應(yīng)度值。
[0149] 需要說明的是,本實(shí)施例公開的優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置中,各個(gè)單元 的具體工作過程請(qǐng)參見對(duì)應(yīng)的方法實(shí)施例,此處不再贅述。
[0150] 優(yōu)選的,另一實(shí)施例中,參見圖5,所述裝置,還包括:
[0151 ]迭代次數(shù)初始化單元111、迭代次數(shù)判別單元112;
[0152] 其中,所述迭代次數(shù)初始化單元111初始化最大迭代次數(shù)Tmax,其中,所述Tmax為正 整數(shù);
[0153] 所述迭代次數(shù)判別單元112在所述第二最優(yōu)適應(yīng)度值更新單元109對(duì)最優(yōu)適應(yīng)度 值更新之后,判斷通過縱橫交叉算法更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)是否大 于最大迭代次數(shù)Tmax ;
[0154] 若所述迭代次數(shù)判別單元112判別得到更新所述N組背景值參數(shù)和初始值參數(shù)的 次數(shù)大于最大迭代次數(shù)Tmax,則所述結(jié)果輸出單元110輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì) 應(yīng)的背景值參數(shù)和初始值參數(shù);若所述迭代次數(shù)判別單元112判別得到更新所述N組背景值 參數(shù)和初始值參數(shù)的次數(shù)小于等于最大迭代次數(shù)T max,則所述縱向交叉更新單元102重新對(duì) 上一次得到的N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新。
[0155] 需要說明的是,本實(shí)施例公開的優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置中,各個(gè)單元 的具體工作過程請(qǐng)參見對(duì)應(yīng)圖2的方法實(shí)施例,此處不再贅述。
[0156] 優(yōu)選的,另一實(shí)施例中,參見圖6,所述裝置,還包括:
[0157] 歸一化單元113、反歸一化單元114、數(shù)據(jù)獲取單元115;
[0158]其中,在所述縱向交叉更新單元102通過縱向交叉算法對(duì)所述原始數(shù)據(jù)獲取單元 獲得的N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新之前,需要所述歸一化單元113對(duì)N個(gè)初始值 參數(shù)進(jìn)行歸一化處理,以便將所述N個(gè)初始值參數(shù)歸一化到縱向交叉算法允許的數(shù)值范圍; 所述縱向交叉更新單元102對(duì)N組背景值參數(shù)和初始值參數(shù)更新后,所述反歸一化單元114 對(duì)N個(gè)初始值參數(shù)進(jìn)行反歸一化處理;所述數(shù)據(jù)獲取單元115獲得所述反歸一化單元114反 歸一化處理后的N個(gè)初始值參數(shù),以便獲得更新后的N組背景值參數(shù)和初始值參數(shù)。
[0159]需要說明的是,本實(shí)施例公開的優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置中,各個(gè)單元 的具體工作過程請(qǐng)參見對(duì)應(yīng)的方法實(shí)施例,此處不再贅述。
[0160]對(duì)所公開的實(shí)施例的上述說明,使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。 對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的,本文中所定義的 一般原理可以在不脫離本發(fā)明的精神或范圍的情況下,在其它實(shí)施例中實(shí)現(xiàn)。因此,本發(fā)明 將不會(huì)被限制于本文所示的這些實(shí)施例,而是要符合與本文所公開的原理和新穎特點(diǎn)相一 致的最寬的范圍。
【主權(quán)項(xiàng)】
1. 一種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)方法,其特征在于,包括: 獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:N組原始背景值參數(shù)和初始值參數(shù)、最 優(yōu)適應(yīng)度值; 通過縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組 背景值參數(shù)和初始值參數(shù); 根據(jù)最小適應(yīng)度方法計(jì)算得到所述更新后背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng) 度值; 判斷所述最小的適應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值; 若所述最小的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,則以所述最小的適應(yīng)度值更新所述最 優(yōu)適應(yīng)度值,否則保留所述最優(yōu)適應(yīng)度值; 通過橫向交叉算法對(duì)所述通過縱向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)進(jìn)行 更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù); 根據(jù)最小適應(yīng)度方法計(jì)算得到所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值 參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值; 判斷所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度 值是否小于所述最優(yōu)適應(yīng)度值; 若所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值 小于所述最優(yōu)適應(yīng)度值,則將所述最小的適應(yīng)度值更新最優(yōu)適應(yīng)度值,否則保留最優(yōu)適應(yīng) 度值; 輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù),以便將最優(yōu)背景 值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值。2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述獲取初始化原始數(shù)據(jù),其中,所述原始 數(shù)據(jù)包括:N組原始背景值參數(shù)和初始值參數(shù)、最優(yōu)適應(yīng)度值,包括: 隨機(jī)生成N組原始背景值參數(shù)和初始值參數(shù),其中,N為大于1的正整數(shù); 通過最小適應(yīng)度方法計(jì)算得到N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度值,以 將所述最小的適應(yīng)度值作為最優(yōu)適應(yīng)度值。3. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述通過最小適應(yīng)度方法計(jì)算得到N組背 景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度值,包括: 根據(jù)適應(yīng)度函數(shù)分別計(jì)算得到所述N組背景值參數(shù)和初始值參數(shù)的對(duì)應(yīng)的適應(yīng)度值; 比較所述N組背景值參數(shù)和初始值參數(shù)的對(duì)應(yīng)的適應(yīng)度值; 根據(jù)比較結(jié)果,獲得最小的適應(yīng)度值,以便得到初始最優(yōu)適應(yīng)度值。4. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述獲取初始化原始數(shù)據(jù),之前,還包括: 初始化最大迭代次數(shù)Tmax,其中,所述Tmax為正整數(shù); 其中,所述若所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小 的適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,則將所述最小的適應(yīng)度值更新最優(yōu)適應(yīng)度值,否則保 留最優(yōu)適應(yīng)度值之后,還包括: 判斷通過縱橫交叉算法更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)是否大于最大迭 代次數(shù)Tmax; 若更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)大于最大迭代次數(shù)Tmax,執(zhí)行輸出所述 最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)和初始值參數(shù); 若更新所述N組背景值參數(shù)和初始值參數(shù)的次數(shù)小于等于最大迭代次數(shù)Tmax,執(zhí)行通過 縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參 數(shù)和初始值參數(shù)。5. 根據(jù)權(quán)利要求1所述的方法,其特征在于,通過縱向交叉算法對(duì)所述N組背景值參數(shù) 和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù)之前,還包括: 對(duì)所述N個(gè)初始值參數(shù)進(jìn)行歸一化處理; 通過縱向交叉算法對(duì)所述N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新; 對(duì)所述更新后的初始值參數(shù)進(jìn)行反歸一化處理; 獲得更新后的N組背景值參數(shù)和初始值參數(shù)。6. -種優(yōu)化改進(jìn)灰色模型的電網(wǎng)預(yù)測(cè)裝置,其特征在于,包括: 原始數(shù)據(jù)獲取單元,用于獲取初始化原始數(shù)據(jù),其中,所述原始數(shù)據(jù)包括:N組原始背景 值參數(shù)和初始值參數(shù)、最優(yōu)適應(yīng)度值; 縱向交叉更新單元,用于通過縱向交叉算法對(duì)所述原始數(shù)據(jù)獲取單元獲得的N組背景 值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù); 第一適應(yīng)度計(jì)算單元,用于根據(jù)最小適應(yīng)度方法計(jì)算得到所述縱向交叉更新單元更新 后的背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)最小的適應(yīng)度值; 第一最優(yōu)判別單元,用于判斷所述第一適應(yīng)度計(jì)算模塊計(jì)算得到的最小的適應(yīng)度值是 否小于所述最優(yōu)適應(yīng)度值; 第一最優(yōu)適應(yīng)度值更新單元,用于當(dāng)所述第一最優(yōu)判別單元的判別結(jié)果為所述最小的 適應(yīng)度值小于所述最優(yōu)適應(yīng)度值,將所述最小的適應(yīng)度值更新所述最優(yōu)適應(yīng)度值;否則保 留所述最優(yōu)適應(yīng)度值; 橫向交叉更新單元,用于通過橫向交叉算法對(duì)所述縱向交叉更新單元更新的N組背景 值參數(shù)和初始值參數(shù)進(jìn)行更新,以獲得更新后的N組背景值參數(shù)和初始值參數(shù); 第二適應(yīng)度計(jì)算單元,用于根據(jù)最小適應(yīng)度方法計(jì)算得到所述橫向交叉更新單元更新 的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值; 第二最優(yōu)判別單元,用于判斷所述通過橫向交叉算法更新的N組背景值參數(shù)和初始值 參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值是否小于所述最優(yōu)適應(yīng)度值; 第二最優(yōu)適應(yīng)度值更新單元,用于當(dāng)所述第二最優(yōu)判別單元的判別結(jié)果為所述通過橫 向交叉算法更新的N組背景值參數(shù)和初始值參數(shù)對(duì)應(yīng)的最小的適應(yīng)度值小于所述最優(yōu)適應(yīng) 度值,將所述最小的適應(yīng)度值更新所述最優(yōu)適應(yīng)度值;否則保留最優(yōu)適應(yīng)度值; 結(jié)果輸出單元,用于輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的背景值參數(shù)和初始值參 數(shù),以便將最優(yōu)背景值參數(shù)和初始值參數(shù)帶入灰色模型計(jì)算負(fù)荷預(yù)測(cè)值。7. 根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述原始數(shù)據(jù)獲取單元,包括: 初始參數(shù)獲取單元,用于隨機(jī)生成N組原始背景值參數(shù)和初始值參數(shù),其中,N為大于1 的正整數(shù); 初始最優(yōu)適應(yīng)度獲取單元,用于通過最小適應(yīng)度方法計(jì)算得到N組背景值參數(shù)和初始 值參數(shù)對(duì)應(yīng)最小的適應(yīng)度值,以將所述最小的適應(yīng)度值作為最優(yōu)適應(yīng)度值。8. 根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述初始最優(yōu)適應(yīng)度獲取單元,包括: 第三適應(yīng)度計(jì)算單元,用于根據(jù)適應(yīng)度函數(shù)分別計(jì)算得到所述N組背景值參數(shù)和初始 值參數(shù)對(duì)應(yīng)的適應(yīng)度值; 比較單元,用于比較所述第三適應(yīng)度計(jì)算單元計(jì)算得到的N組背景值參數(shù)和初始值參 數(shù)的對(duì)應(yīng)的適應(yīng)度值; 獲取單元,用于根據(jù)所述比較單元的比較結(jié)果,獲得最小的適應(yīng)度值,以便得到初始最 優(yōu)適應(yīng)度值。9. 根據(jù)權(quán)利要求6所述的裝置,其特征在于,還包括: 迭代次數(shù)初始化單元,用于初始化最大迭代次數(shù)Tmax,其中,所述Tmax為正整數(shù); 迭代次數(shù)判別單元,用于判斷通過縱橫交叉算法更新所述N組背景值參數(shù)和初始值參 數(shù)的次數(shù)是否大于最大迭代次數(shù)Tmax; 其中,若所述迭代次數(shù)判別單元判別得到更新所述N組背景值參數(shù)和初始值參數(shù)的次 數(shù)大于最大迭代次數(shù)Tmax,則所述結(jié)果輸出單元輸出所述最后更新的最優(yōu)適應(yīng)度值對(duì)應(yīng)的 背景值參數(shù)和初始值參數(shù);若所述迭代次數(shù)判別單元判別得到更新所述N組背景值參數(shù)和 初始值參數(shù)的次數(shù)小于等于最大迭代次數(shù)T max,則所述縱向交叉更新單元重新對(duì)上一次得 到的N組背景值參數(shù)和初始值參數(shù)進(jìn)行更新。10. 根據(jù)權(quán)利要求6所述的裝置,其特征在于,還包括: 歸一化單元,用于對(duì)所述N個(gè)初始值參數(shù)進(jìn)行歸一化處理; 其中,所述縱向交叉更新單元對(duì)所述歸一化單元得到的歸一化的N個(gè)初始值參數(shù)進(jìn)行 更新; 反歸一化單元,用于對(duì)所述縱向交叉更新單元更新后的初始值參數(shù)進(jìn)行反歸一化處 理; 數(shù)據(jù)獲取單元,用于獲得所述反歸一化單元反歸一化處理后的N個(gè)初始值參數(shù),以便獲 得更新后的N組背景值參數(shù)和初始值參數(shù)。
【文檔編號(hào)】G06Q50/06GK105976045SQ201610264550
【公開日】2016年9月28日
【申請(qǐng)日】2016年4月26日
【發(fā)明人】周志琴, 殷豪
【申請(qǐng)人】廣東工業(yè)大學(xué)