买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网浙江省电力有限公司宁波供电公司

摘要：本发明公开了一种基于灰色关联分析与SA‑PSO‑Elman算法结合的售电量预测方法。由于电网企业售电量受到诸多因素影响，因此电网企业售电量数据序列表现出复杂的非线性变化，难以用准确的数学模型描述。本发明采用的技术方案包括如下步骤：1采用灰色关联分析法客观地选出售电量的主要影响因子；2将影响因子作为Elman神经网络的输入，利用SA‑PSO‑Elman算法确定售电量预测的训练参数；3将训练参数代入售电量预测模型，建立售电量预测模型，对售电量进行预测。本发明使得售电企业能够对销售电量进行准确合理的估算，便于售电企业有效地管理和控制售电企业的投资和收益。

主权项：1.基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法，其特征在于，包括步骤：1采用灰色关联分析法客观地选出售电量的主要影响因子；设有10个影响因素序列组{X1t}，{X2t}，…，{X10t}，其中，X1，X2，…，X10为10个影响因素，t为样本点数，t＝1，2，…，N，设售电量序列为{X0t}，灰色关联分析的基本步骤如下：a数据归一化；b计算关联系数，在t＝k时输出序列{X0t}与输入序列{Xit}}的关联系数δαik由下式计算： 式中：Δαik＝|X0k-Xik|，1＜i＜10；ρ为分辨系数，ρ∈[0，1]，通常取0.5；c求关联度。归纳各点的关联系数，获得Xi曲线与X0曲线的关联度，即 d排关联序。因素间的关联程度可通过关联度的大小次序描述，根据输入序列{Xit}}对输出序列{X0t}的关联度大小排序，便构成了关联序，它反映了对于输出序列来说各输入序列的“优劣关系”；2将影响因子作为Elman神经网络的输入，利用SA-PSO-Elman算法确定售电量预测的训练参数；a确定Elman神经网络的结构。将其连接权值和阈值表示为SA-PSO算法的粒子，并通过各层的节点数目确定PSO算法的维度，如下式：D＝P+1*M+M+1N3式中：D为PSO算法的维度；P为Elman神经网络的输入层节点数；M为Elman神经网络的隐含层节点数；N为Elman神经网络的输出层节点数；bSA-PSO算法的参数初始化，给定微粒群规模、进化代数、学习因子、惯性权重，并设定初始温度和退火速度；c随机初始化种群的位置和速度，并计算每一个粒子的适应度值。Elman神经网络的权值和阈值由粒子群的位置表示，采用SA-PSO算法来迭代搜寻Elman神经网络的权值和阈值，并采用误差平方和函数作为每个粒子的适应度函数，即 式中：yk为实际输出数据；为期望输出数据；d对每个粒子的适应度值进行评价，更新粒子的最优解和全局最优解，若当前粒子的适应度值优于个体最优解pbest，则pbest更新为当前粒子的适应度值，若当前粒子的适应度值优于全局最优解gbest，则将当前粒子的适应度值作为全局最优解gbest，同时保存当前粒子的位置；e更新粒子的位置和速度；f引入模拟退火思想，对更新的粒子群进行退火处理，当更新前后的粒子的适应度值的变化量ΔE＜0.01时，更新粒子的个体最优解和全局最优解；g当有粒子的极值更新时，进行降温，否则不降温，退火机制为Tk＝ρT05式中：Tk为温度控制参数；ρ为退火速度；T0为初始温度；h判断是否满足精度要求或迭代终止条件，若满足，则算法中止，输出Elman神经网络权值和阈值；否则跳转到c，继续迭代；3将训练参数代入售电量预测模型，建立售电量预测模型，对售电量进行预测。

全文数据：

权利要求：

百度查询： 国网浙江省电力有限公司宁波供电公司 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法