1.本发明涉及负荷预测相关技术领域，具体是一种基于改进鲸鱼算法与神经网络的负荷预测方法。
背景技术：2.在智能电网的背景下，精确的负荷预测可以帮助发电厂制定发电计划、调度中心安排调度。神经网络因为具有较高的非线性拟合能力，所以被广泛用于负荷预测。其建立的负荷预测模型性受其超参数影响，由于超参数的形式多，所以一般采用折衷的方式选取，难以建立最优模型。鲸鱼优化算法是一种启发式算法，可用于辅助选取超参数。但是由于鲸鱼优化算法存在全局搜索和局部开发分配不均、后期开发能力不足、领导者更新频率低和初始种群多样性低的问题，所以难以取得最优超参数，进而降低了负荷预测模型性能，增加了负荷预测的误差。
技术实现要素：3.本发明的目的在于提供一种基于改进鲸鱼算法与神经网络的负荷预测方法。
4.实现本发明目的的技术方案为：第一方面，本发明提供一种基于改进鲸鱼算法与神经网络的负荷预测方法，包括以下步骤：
5.步骤1、确定目标函数和种群特征，将负荷的均方误差作为改进鲸鱼算法目标函数，将超参数作为种群特征；
6.步骤2、使用反向学习和准反向学习初始化种群；
7.步骤3、更新领导者，将负荷的均方误差记为适应度，种群中适应度最小的超参数记为领导者，并为其添加随机扰动，生成伪领导者，对比伪领导者和领导者适应度，取较小者为领导者；
8.步骤4、为包围猎物和螺旋运动添加随机扰动，判断更新方式，根据负荷的均方误差更新超参数，为种群添加随机差分变异，更新种群；
9.步骤5、重复步骤3和步骤4至迭代结束，将最后一次迭代的领导者视为最优超参数；
10.步骤6、使用最优超参数建立负荷预测模型，进行负荷预测。
11.第二方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
12.第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
13.与现有技术相比，本发明的有益效果为：(1)简化了超参数选取，提高了负荷预测模型的泛化能力；(2)优化了鲸鱼优化算法全局搜索和局部开发的分配，使其根据负荷的误差形式调整全局搜索和局部开发比重；(3)提高了鲸鱼优化算法后期局部开发能力，诱导鲸
鱼优化算法跳出局部最优，增强了负荷预测模型的性能；(4)与一般选取法相比，改进鲸鱼算法避免了超参数折衷选取带来的负荷预测模型误差；(5)与鲸鱼算法相比，改进鲸鱼算法收敛能力和寻优能力更强，易选取出适合建模的超参数，更有效地辅助神经网络建立负荷预测模型；(6)进一步提高了负荷预测精度。
附图说明
14.图1是改进鲸鱼算法寻找超参数流程图。
15.图2是不同方法所建模型的损失函数曲线。
16.图3是负荷预测误差曲线。
具体实施方式
17.为克服上述问题的不足，本发明使用非线性收敛因子平衡鲸鱼优化算法的全局搜索和局部开发；为包围猎物和螺旋运动的更新公式添加自适应权重，为种群更新添加随机差分变异来提高鲸鱼优化算法后期开发能力；为领导者添加随机扰动来增加领导者更新次数；使用准反向学习和反向学习增加种群多样性；使用最优超参数建立负荷预测模型，进行负荷预测。
18.下面利用附图和实际算例对本发明作进一步说明。应理解，本实施例仅用于说明本发明而不用于限制本发明的使用范围。
19.一种基于改进鲸鱼算法与神经网络的负荷预测方法，包括以下步骤：
20.步骤1、确定目标函数和种群特征，包括：
21.负荷的均方误差作为改进鲸鱼算法的目标函数：
[0022][0023]
式中：f表示负荷的均方误差；n表示负荷采样点数；yi分别表示负荷在时刻i的预测值和真实值。
[0024]
将超参数作为鲸鱼个体，考虑到一般超参数选取方法，对超参数的约束范围如下：
[0025][0026]
式中：bi和ei表示超参数的下界和上界，i＝1,2,3,4；l表示学习率；iter表示神经网络迭代次数；h1,h2分别表示神经网络第一个和第二个隐藏层神经元个数。
[0027]
步骤2、初始化种群；具体为：
[0028]
使用反向学习和准反向学习增加种群多样性。
[0029]
1)反向学习
[0030][0031]
式中：和表示超参数的下界和上界；表示第i组超参数；表示的反向
解。
[0032]
2)准反向学习
[0033][0034]
式中：avg表示中值；rand表示对两向量特征间的随机取值；表示的准反向解。
[0035]
步骤3、更新领导者；具体为：
[0036]
将种群中使负荷均方误差最小的超参数作为领导者，考虑领导者更新频率不高，为领导者添加随机扰动：
[0037][0038]
式中：和表示扰动后和扰动前的领导者；ε表示扰动系数，用于调节扰动空间，取值为0.01；r和p表示区间为[0,1]的随机数。
[0039]
步骤4、判断更新方式，更新种群；具体为：
[0040]
使用非线性收敛因子平衡鲸鱼优化算法全局搜索和局部开发：
[0041][0042][0043]
式中：v表示调节系数，用于调节曲线形状，调节范围为[1.5,4]；t表示改进鲸鱼算法最大迭代次数；t表示改进鲸鱼算法迭代次数；tc表示分段点。
[0044]
使用自适应权重加强后期局部开发：
[0045][0046]
式中：ws和we分别表示初始权重和最终权重；k表示控制因子，控制曲线平滑度。
[0047]
改进更新公式：
[0048][0049][0050]
式中：w表示自适应权重；和表示包围猎物和螺旋运动的更新步长；a是收敛因子a的函数，其值域为[-a,a]；b表示螺旋线形状常数；l表示[-1,1]的随机数。
[0051]
在选取更新方式时，有50％的概率使用螺旋运动更新超参数。若未选取螺旋运动，根据|a|选择包围猎物或搜寻猎物，当|a|＜1时，包围猎物；当|a|≥1时，搜寻猎物。
[0052]
使用随机差分变异加强后期局部开发：
[0053]
[0054][0055]
式中：表示随机超参数。
[0056]
步骤5、获取最优超参数；具体为：
[0057]
重复步骤3和4至迭代结束，将此时领导者记为最优超参数。
[0058]
步骤6、负荷预测；具体为：
[0059]
使用最优超参数建立负荷预测模型，模型输入为预测前一天的负荷与预测当天的气温、天气，输出为预测当天的负荷。
[0060]
下面通过附图和实施例对本发明的技术方案进行详细说明。
[0061]
实施例
[0062]
如图1所示，考虑城市负荷预测问题，使用改进鲸鱼算法寻找最优超参数，求解模型性能，对本发明的优化策略进行验证。
[0063]
在本发明实施例中，设神经网络有两个隐藏层，改进鲸鱼算法种群数为20，迭代次数为30，种群特征为学习率、神经网络迭代次数、第一个隐藏层神经元个数和第二个隐藏层神经元个数，使用1年的数据建立模型，预测未来一天负荷。
[0064]
使用双向长短期记忆神经网络的情况下，分别使用不同方法寻找超参数建立模型，并计算模型性能：
[0065]
case1：本发明所提出的改进鲸鱼算法；
[0066]
case2：鲸鱼优化算法；
[0067]
case3：一般选取法；
[0068]
采用改进鲸鱼算法、鲸鱼优化算法和一般选取法寻找的超参数如表1所示；
[0069]
表1超参数
[0070][0071]
模型性能计算，得出结果如表2所示，建立模型的损失函数如图2所示；
[0072]
表2不同场景下结果分析
[0073][0074]
根据图2分析优化结果，根据图3分析预测结果，通过表2比较不同场景下的预测误差，可以得出以下结论：
[0075]
(1)case2和case3验证集的损失存在突增和大幅振荡，所建预测模型泛化性低，因
此鲸鱼优化算法和一般选取法未取得最优超参数；
[0076]
(2)case2和case3预测结果比case1差，因此case1提高了预测精度。
[0077]
(3)case2和case3的平均绝对百分比误差比case1大，因此case1预测偏离程度最低；
[0078]
(4)case2和case3的均方根误差比case1大，因此case1预测偏差最小；
[0079]
(5)case2和case3的平均绝对误差比case1大，因此case1预测精度最高；
[0080]
(6)综合多类因素表明：在负荷预测中，所提超参数选取方法通过改进鲸鱼算法准确且快速地找到最优超参数，进一步提升了神经网络所建负荷预测模型的性能，从而提高了负荷预测的精度。同比鲸鱼优化算法，平均绝对百分比误差降低了9.176％、均方根误差降低了2.262％、平均绝对误差降低了8.860％，同比一般选取法；平均绝对百分比误差降低了7.063％、均方根误差降低了3.582％、平均绝对误差降低了7.224％。因此，为发电厂制定发电计划、调度中心安排调度提供了更好的保障。
[0081]
以上论述仅仅是本发明的一个实施例，任何在本发明的基础上所作的等效变换，均包括在本发明的专利保护范围内。
技术特征：1.一种基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，包括以下步骤：步骤1、确定目标函数和种群特征，将负荷的均方误差作为改进鲸鱼算法目标函数，将超参数作为种群特征；步骤2、使用反向学习和准反向学习初始化种群；步骤3、更新领导者，将负荷的均方误差记为适应度，种群中适应度最小的超参数记为领导者，并为其添加随机扰动，生成伪领导者，对比伪领导者和领导者适应度，取较小者为领导者；步骤4、为包围猎物和螺旋运动添加随机扰动，判断更新方式，根据负荷的均方误差更新超参数，为种群添加随机差分变异，更新种群；步骤5、重复步骤3和步骤4至迭代结束，将最后一次迭代的领导者视为最优超参数；步骤6、使用最优超参数建立负荷预测模型，进行负荷预测。2.根据权利要求1所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，步骤1中确定目标函数和种群特征，包括：负荷的均方误差作为改进鲸鱼算法的目标函数：式中：f表示负荷的均方误差；n表示负荷采样点数；y
i
分别表示负荷在时刻i的预测值和真实值；将超参数作为种群特征，对超参数的约束范围如下：式中：b
i
和e
i
表示超参数的下界和上界，i＝1,2,3,4；l表示学习率；iter表示神经网络迭代次数；h1,h2分别表示神经网络第一个和第二个隐藏层神经元个数。3.根据权利要求2所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，步骤2中初始化种群，包括：1)反向学习式中：和表示超参数的下界和上界；表示第i组超参数；表示的反向解；2)准反向学习式中：avg表示中值；rand表示对两向量特征间的随机取值；表示的准反向解。4.根据权利要求3所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，步骤3中更新领导者，包括：
将种群中使负荷均方误差最小的超参数作为领导者，为领导者添加随机扰动：式中：和表示扰动后和扰动前的领导者；ε表示扰动系数，用于调节扰动空间；r和p表示区间为[0,1]的随机数。5.根据权利要求4所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，ε取值为0.01。6.根据权利要求4所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，步骤4中更新种群，具体为：1)非线性收敛因子1)非线性收敛因子式中：v表示调节系数，用于调节曲线形状；t表示改进鲸鱼算法最大迭代次数；t表示改进鲸鱼算法迭代次数；t
c
表示分段点；2)自适应权重式中：w
s
和w
e
分别表示初始权重和最终权重；k表示控制因子，控制曲线平滑度。3)改进更新公式3)改进更新公式式中：w表示自适应权重；和表示包围猎物和螺旋运动的更新步长；a是收敛因子a的函数，其值域为[-a,a]；b表示螺旋线形状常数；l表示[-1,1]的随机数；在选取更新方式时，有50％的概率使用螺旋运动更新超参数；若未选取螺旋运动，根据|a|选择包围猎物或搜寻猎物，当|a|＜1时，包围猎物；当|a|≥1时，搜寻猎物；4)随机差分变异4)随机差分变异式中：表示随机超参数。7.根据权利要求6所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，v调节范围为[1.5,4]。
8.根据权利要求6所述的基于改进鲸鱼算法与神经网络的负荷预测方法，其特征在于，步骤6中负荷预测，具体为：使用最优超参数建立负荷预测模型，模型输入为预测前一天的负荷与预测当天的气温、天气，输出为预测当天的负荷。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8中任一所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一所述的方法的步骤。
技术总结本发明公开了一种基于改进鲸鱼算法与神经网络的负荷预测方法，其包括：将神经网络损失函数作为改进鲸鱼算法的目标函数，将超参数记为改进鲸鱼算法的种群特征，建立超参数选取模型；使用非线性收敛因子平衡鲸鱼优化算法的全局搜索和局部开发；为包围猎物和螺旋运动的更新公式添加自适应权重和为种群更新添加随机差分变异来提高鲸鱼优化算法后期开发能力；为领导者添加随机扰动来提高算法精度；使用反向学习和准反向学习增加种群多样性；使用最优超参数建立预测模型，进行负荷预测。本发明可以简化超参数选取方法，提高鲸鱼优化算法的性能，增加神经网络所建负荷预测模型的精度和泛化能力，进一步提高负荷预测精度，帮助发电厂更好地制定发电计划和调度中心更合理地安排调度。调度。调度。
技术研发人员：吴优 马泽龙 吕广强 王宝华 蒋海峰
受保护的技术使用者：南京理工大学
技术研发日：2022.05.19
技术公布日：2022/11/1
