粒子群优化的神经网络模型在短期负荷预测中的应用

合集下载

改进粒子群优化BP神经网络短期负荷预测研究

改进粒子群优化BP神经网络短期负荷预测研究王瑞;周晨曦;逯静【摘要】为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP 神经网络预测模型.在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数.将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度.【期刊名称】《制造业自动化》【年(卷),期】2019(041)006【总页数】5页(P39-42,77)【关键词】负荷预测;粒子群优化;BP神经网络;适应度值【作者】王瑞;周晨曦;逯静【作者单位】河南理工大学电气工程与自动化学院,焦作 454000;河南理工大学电气工程与自动化学院,焦作 454000;河南理工大学计算机科学与技术学院,焦作454000【正文语种】中文【中图分类】TP180 引言BP神经网络有着较为良好的非线性映射能力、高度的自适应自学习能力、良好的泛化能力，以及容错能力的优点被应用于电力负荷预测中[1,2]，同时也存在着容易陷入局部极小值、收敛速度慢的缺点，对BP神经网络的改进已经成为学者们研究的热点，比如调整自适应学习速率[3]、改进网络结构[4]、引入优化算法[5～7]等。

利用粒子群优化BP神经网络是一种较为常用的方法，利用粒子群优化BP神经网络，可以有效防止BP神经网络陷入局部最优，并加快其收敛速度。

基本粒子群算法寻优速度较快、效率高、算法简单，但也存在自身的缺陷，当算法迭代时，所有粒子都向当前自身最优解、邻域或群体最优解移动，种群搜索空间不断缩小，形成种群快速趋同效应，而此时的最优位置可能只是某一局部搜索空间里的最优位置，搜索陷入局部极值之中，导致早熟收敛，后期种群的多样性难以维持。

基于粒子群优化RP网络短期电力负荷预测方法

基于粒子群优化RP网络短期电力负荷预测方法姚刚;陈政石;李晓竹【摘要】As conventional BP network for the slow convergence and easy to fall into local minimum problem, the use of LM algorithm for network training, the improved particle swarm optimization BP network initial weights and threshold. Application of this method in the text grid in a city short - term load forecasting, showed that compared with conventional BP network, L- M algorithm to improve prediction models. This article describes the results of the prediction algorithm in the prediction accuracy and speed have increased greatly.%针对常规BP网络收敛速度慢，易陷入局部极小值等问题，采用L—M算法对网络进行训练，利用改进粒子群算法优化BP网络初始权值和阈值。

将该方法应用在南方某市短期电网负荷预测中，预测结果表明，相较于常规BP网络、L—M算法改进预测模型，该预测算法在预测结果精度和速度上均有较大幅度提高。

【期刊名称】《广东石油化工学院学报》【年(卷),期】2011(021)006【总页数】4页(P47-50)【关键词】电力负荷短期预测;BP网络;L—M算法;粒子群算法【作者】姚刚;陈政石;李晓竹【作者单位】广东石油化工学院计算机与电子信息学院,广东茂名525000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;广东石油化工学院计算机与电子信息学院,广东茂名525000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TM7340 引言电力系统短期负荷预测是电力调度系统运行中的重要环节,准确进行短期负荷预测能帮助管理人员制定合理的发电计划来保证电网安全、经济运行。

基于优化神经网络的短期电力负荷预测

ｔｏｒｏｆｑｕａｎｔｕｍｐａｒｔｉｃｌｅａｎｄｔｈｅｏｐｔｉｍａｌｐａｒａｍｅｔｅｒｓｏｆＢＰＮＮｗｅｒｅｆｏｕｎｄｂｙｑｕａｎｔｕｍｐａｒｔｉｃｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｉｔｒｈｍｔｏｒｅｄｕｃｅｂｌｉｎｄｎｅｓｓａｎｄｉｎｅｉｃｆｉｅｎｃｙ．Ｌａｓｔｌｙ，ｔｈｅｏｐｔｉｍａｌｍｏｄｅｌｆｏｒｎｅｔｗｏｒｋｔｒａｆｉｆｃｗａｓｂｕｉｌｔａｎｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｍｏｄｅ
ＷＵＧｕｉ－ｆｅｎｇ，ＷＡＮＧＸｕａｎ，ＣＨＥＮＤｏｎｇ —ｌｅｉ
（１．ＣｏｌｌｅｇｅｏｆＥｎｅｒｇｙａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｉｒｎｇ，ＹａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＹａｎｇｚｈｏｕＪａｉｎｇｓｕ２２５１２７，Ｃｈｉｎａ；２．ＹａｎｇｚｈｏｕＢｅｉｅｈｅｎＥｌｅｃｔｒｉｃｌａＥｑｕｉｐｍｅｎｔＣｏ．，ＬＴＤ，ＹａｎｇｚｈｏｕＪａｉｎｇｓｕ２２５１２７，Ｃｈｉｎａ）
第３０卷第１１期
文章编号：１００６ — ９３４８（２０１３）１１－００９５－０５

混合粒子群径向基神经网络的短期负荷预测的应用

ｖｒｅｃｒｃｓｏｆｔａｉＳＯｌｏｉｈａｄｏｅｃｍｅｔｅｄｆｃｆｅｓｌａｌｎｎｏｔｏａｐｔｕ，ｅｇｎｅｐｅｉｉｎｏｈｅｂｓｃＰａｇｒｔｍｎｖｒｏｈｅｅｔｏａｉｙｆｌｉｇｉｔｈｅｌｃｌｏｉｉｇＢａｅｎＨｙｒｄＰａｔｃｅＳｗａｍｈｏｔＴｅｍＬｏｄＦｏｅａｔｎｓｄｏｂｉｒｉｌｒ
ＯｐｔｍｉａｉｎａｄＲａａｓｓＦｕｎｔｏＮｅｒｌＮｅｗｏｋｏｅｉｚｔｏｎｄｉｌＢａｉｃｉｎｕａｔｒＭｄｌ
Ａｂｓｒｃ：Ｔｈｅｕｔｏｈｒ－ｅｍｏｄｆｒｃｓｉｇｉｍｐｒａｔｔｃｎｍｉｅｅｔＩｒｅｏｉｒｖｈｏｔａｔｅｒｓｌｆｓｏｔｔｒｌａｏｅａｔｓｉｏｎｏｅｏｏｃｂｎｆ．ｎｏｄｒｔｍｐｏｅｔｅｃｎ— ｎｔｉ
（西大学电气丁程学院，西南宁５００）广广４０３
摘要：电力短期负荷预测的结果对电力系统的经济效益具有重要影响．了克服基本粒子群为（ａｔｌＳａｍＯｔｚｔｎＰＯ）法收敛精度不高、Ｐｒｃｗｒｐｉａｉ，Ｓ算ｉｅｍｉｏ易陷入局部最优的缺点，出一种将自然提选择和变异结合的混合粒子群（ｙｒａｔｌＳａｍＯｔｉｔｎＨＰＯ）法，ＨｂｉＰｒｃｗｒｐｉｚｉ，Ｓ算ｄｉｅｍａｏ可以保持种群的多样性，有效地避免粒子早熟，并利用混合粒子群算法优化径向基神经网络的权值，最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测．算结果表明，算法收敛速度快，计该并

基于自适应粒子群优化的SVM模型在负荷预测中的应用(1)

第39卷第15期电力系统保护与控制Vol.39 No.15 2011年8月1日Power System Protection and Control Aug. 1, 2011 基于自适应粒子群优化的SVM模型在负荷预测中的应用陆宁1, 武本令2，刘颖 3（1.武汉理工大学自动化学院，湖北武汉 4300702； 2.许昌市高级技术学校，河南许昌 461000；3.武汉供电公司，湖北武汉 430015）摘要：为了提高电力系统短期负荷预测精度，针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题，提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。

经典粒子群算法是一种全局优化算法，在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试，将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。

实例仿真结果表明该预测模型精度高于传统SVM预测模型，具有一定实用价值。

关键词：自适应；粒子群优化；支持向量机；全局优化；负荷预测Application of support vector machine model in load forecasting based on adaptive particle swarmoptimizationLU Ning1, WU Ben-ling2, LIU Ying3（1.School of Automation，Wuhan University of Technology，Wuhan 430070，China; 2. Xuchang Senior Technical School, Xuchang 461000, China; 3. Wuhan Power Supply Company, Wuhan 430015, China）Abstract：In order to improve the precision of short-term load forecasting, and aiming at the parameter selection of traditional SVM in load forecast this paper proposes a new load forecasting model, i.e., using the improved adaptive particle swarm optimization （PSO）for seeking the optimal parameters of support vector machine(SVM) model. The classical PSO is a global optimization algorithm．Based on it, the improved PSO（FAPSO）is proposed and its convergence tests are conducted，and then the SVM model based on the FAPSO optimization is applied to the short-term power load forecasting. The simulation results show that the adaptive particle swarm optimization-based SVM load forecasting model is more accurate than the traditional SVM model and has certain practical value．Key words：adaptive；particle swarm optimization；support vector machine；global optimization；load forecasting中图分类号：TM715 文献标识码：A 文章编号： 1674-3415(2011)15-0043-040 引言电力负荷预测是电力系统日常运行中的一项重要工作。

神经网络在电力系统短期负荷预测中的应用综述

维普资讯
２０年第２０７期
ＺＩＨｌ ⅡＡ电力
５
神经网络在电力系统短期负荷预测中的应用综述
Ａｐｌａｉｎｏｈｒ－ｅｍａｒｃｓｉｇＢａｅｎＡＮＮ：ａＳｖｙｐｉｔｏｆＳｏｔｔｒＬｏｄＦｏｅａｔｎｓｄｏｃｕｒｅ
ｈ。此后，一些学者在此基础上作了一些改进和扩展工作】，提出了ＢＰ模型的自适应训练
能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。一般而言，神经网络理论（Ｎ）用于ＡＮ应
１几种常见的人工神经网络的研究现状
１１Ｂ．Ｐ神经网络
文献【】次提出采用Ｂ１首Ｐ模型进行电力系统的负荷预测。文中研究了用不同的特征量预测不同的负荷。第１是利用预测日当种天的３个气温参数（即最高、最低和日平均温度）测当天的峰值负荷；第２种是利用这３预个温度参数预测当天的总负荷；第３种是利用预测小时前两个小时的负荷和平均温度以及预测小时的预测温度来预测该小时的负荷。模型的预测只限于工作日，不包括周末和假日。由于当时没有对样本数据作适当的预处理，训练时间相当长，一般达到３～７

基于MTS算法的神经网络在短期电力负荷预测中的应用[论文]

基于MTS算法的神经网络在短期电力负荷预测中的应用摘要本文首先利用带有记忆功能的禁忌搜索算法的全局寻优能力训练神经网络，然后将训练好的神经网络用于短期负荷预测。

该方法具有较强的自适应能力和较好的预测效果，是可行有效和实用的。

关键词电力系统神经网络短期负荷预测中图分类号：tm715 文献标识码：a1禁忌搜索算法禁忌搜索算法能够找到函数优化问题的全局最优解。

下面结合函数优化问题来阐述该算法的一般过程。

设有优化问题其中是目标函数，是连续变量，?%r是可行集。

禁忌搜索算法首先随机地初始化一个可行解，记为，用表示到目前为止找到的最优解，用表示当前解，令=，=，同时把存储在一个具有一定长度的称为禁忌表的存储结构里。

接着算法重复以下过程：产生的一个邻域解’（生’的方法有很多，比如从区间[-，+]均匀地产生一个点’作为的邻域解，这里是一个比较小的实数；也可以从一个以为均值，以为均方差的正态分布中产生邻域解’，同样也是一个比较小的实数。

具体的产生办法可以参考[21]），如果产生的’不可行，即’￠?%r，则要重新产生’直至其可行为止。

产生’以后，计算（）和（’）。

若（’）<（），令=，’即’表示到目前为止的最优解，同时令=‘，而该邻域解’进入禁忌表，原禁忌表内存储的点顺序后移，称这种做法为更新禁忌表；否则，若（’）≥（），比较’与禁忌表内存储的所有的点，若’不在表内任意一个点的半径为的范围内（其中’比较小，比如取0.01），此时称’没有被禁忌，则令=‘，更新禁忌表，即’进入禁忌表，表内原来存储的点顺序后移。

若’被禁忌，即’在任意的一个表内的点的半径为的范围内，则重新产生一个的可行的邻域解’，然后重复该过程。

当连续多次没有改进时，可以认为算法搜索不到更好的全局最优解，可以中止算法，最后输出作为优化问题（1）的全局最优解。

2新型神经网络预测模型由于上面提到的具有记忆功能的禁忌搜索算法能够搜索全局最优解，而当训练样本设置好以后，前向神经网络权重的训练完全是一个优化问题，因此可以用禁忌搜索算法训练神经网络。

基于粒子群优化的长短期记忆神经网络电力负荷预测模型

0 引言当今工业化发展趋势愈发强劲，用电负荷随之增加，电力负荷预测在能源管理和电力系统运行中扮演着至关重要的角色。

准确的负荷预测可以帮助电力系统规划者合理安排发电计划、分配能源配置，从而保障实际电力系统的稳定运行，确保供电质量。

然而，由于电力负荷受到季节性变化、天气条件、节假日等因素影响，传统的预测方法难以满足实际需求，因此需要借助先进的计算方法和技术来提高预测精度[1]。

近年来，人工智能和机器学习技术的迅速发展为电力负荷预测提供了新的解决方案。

其中，神经网络被应用于各个行业，主要原因是其能够自动学习数据之间的复杂关系。

长短期记忆（long short- term memory，LSTM）神经网络作为一种具有记忆能力的网络结构，在建模和预测时间序列数据方面得到了广泛的应用，包括股票价格预测、天气预报等领域，并取得了显著的成果[2]。

然而，传统的神经网络模型存在训练收敛速度慢、易陷入局部最优解等问题，从而影响其在电力负荷预测中的应用效果。

为了克服这些问题，本文将粒子群优化（particle swarm optimization，PSO）算法引入LSTM神经网络模型（简称“LSTM模型”）中，以提高其预测精度和训练效率。

粒子群算法具有自基于粒子群优化的长短期记忆神经网络电力负荷预测模型Particle swarm optimization-based long short-term memory neural network for electric load forecasting model王政国1 关杰文1 庄晓宁21.北京派克盛宏电子科技有限公司，北京 1000002.呼和浩特科林热电有限责任公司，内蒙古呼和浩特 010030摘要：针对电力系统中的电力负荷预测问题，提出了一种基于粒子群优化（particle swarm optimization，PSO）的长短期记忆（long short-term memory，LSTM）神经网络模型，旨在提高电力负荷预测的准确性和稳定性。

改进粒子群算法优化BP神经网络的短时交通流预测

改进粒子群算法优化BP神经网络的短时交通流预测一、概述随着城市化进程的加速和交通系统的日益复杂，短时交通流预测已成为智能交通系统（ITS）的关键组成部分。

准确的短时交通流预测能够帮助交通管理部门和道路使用者更好地理解和应对交通拥堵，优化交通流，减少出行时间，提高道路使用效率。

近年来，人工智能技术的发展为短时交通流预测提供了新的解决思路，基于神经网络的预测模型因其强大的非线性映射能力而备受关注。

BP（Back Propagation）神经网络作为最常用的一种神经网络，具有自学习、自组织和适应性强的特点，已被广泛应用于各种预测问题中。

BP神经网络在训练过程中存在易陷入局部最优解、收敛速度慢等问题，这在一定程度上限制了其在短时交通流预测中的性能。

粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化算法，通过模拟鸟群捕食行为中的信息共享机制，实现全局搜索和快速收敛。

PSO算法具有参数少、易于实现、全局搜索能力强等优点，被广泛应用于函数优化、神经网络训练等领域。

传统的PSO算法在解决复杂优化问题时也面临着陷入局部最优、搜索精度不高等问题。

为了克服BP神经网络和PSO算法的不足，提高短时交通流预测的精度和效率，本文提出了一种改进粒子群算法优化BP神经网络的短时交通流预测方法。

该方法首先对PSO算法进行改进，通过引入惯性权重调整策略、速度限制策略和局部搜索策略，提高算法的全局搜索能力和局部搜索精度。

将改进后的PSO算法用于优化BP神经网络的权值和阈值，提高神经网络的训练速度和预测精度。

通过实际交通流数据的实验验证，证明该方法在短时交通流预测中具有良好的性能。

本文的研究不仅有助于提高短时交通流预测的准确性和效率，为智能交通系统的发展提供有力支持，同时也为粒子群算法和神经网络在交通领域的应用提供了新的思路和方法。

1. 交通流预测的重要性和应用场景交通流预测，作为智能交通系统（ITS）的重要组成部分，对于现代城市的发展和管理具有至关重要的意义。

粒子群优化BP算法在电力系统短期负荷预测中的应用

ｍｄｌｎｏｖｎａｉｕｎｕｎｉｇｆｃｏｓｉｂｉ．Ｔｅｓｏ・ｒｏｄｆｒｃｓｎｆａｐｗｒｓｓｅｉｏｅｖｌｉｇｖｒｓｉｆｅｃｎａｔｒｓｕｌｈｈｒｔｍｌａｏｅａｔｇｏｏｅｙｔｍｓｉｏｌｔｔｅｉｅｆｍｄｕｉｔｘｄＰＯＢｐｒｒｅｓｅｍｉｅＳ－Ｐ￣ｇｒｈａｄｉｐｖＰａｇｒｈｒｓｅｔｅｙｈｅｒｓｌｎｉａｅｏｇｎｈｏｔｍｒｅＢｔｏｔｍｅｐｃｖｌ．Ｔｕｔｉｄｃｔｉｎｍｏｄｉｉｅｓ
文献标识码：Ａ文章编号：６１９４２ｏ）０—０９ —０１７ —０２（０７１０３４
中图分类号：Ｍ１Ｔ７５
ＡｐｆａｉｎｏＳＢＰＡｌｏｉｍｅｔｃＰｗｅｙｔｍｐｃｔｆＰＯ－ｇｒｔｉｏｈｉＥｌｃｒｏｒＳｓｅｎｉ
Ａｂｔａｔ０ｉｒｖｅａｃｒｃｆｅｓｏｔｅｍａｒｃｓｎ，ｉｉｐｐｒＳＢｙｒｌｓｒｃ：Ｔｍｐｏｅｔｃｕａｙｏｈｒｔｒｌｄｆｅａｔｇｎｔｓａｅ。ａＰＯ・Ｐｈｂｄａ・ｈｈｔ－ｏｏｉｈｉ
粒子群优化算法，
并将这种智能算法与Ｂ算法相结合，Ｐ形成了粒子群优化Ｂ算法模型，Ｐ建立了计及气象因寒的短
期负荷预测模型．通过具体算例将此模型与单纯的Ｂ模型进行比较，Ｐ结果表明：该算法具有较高
的预测精度，全能满足实际工程的要求．完关键词：粒子群算法；ＰＢ模型；粒子群优化Ｂ模型；Ｐ短期负荷预测

神经网络算法在电力负荷预测中的应用研究

神经网络算法在电力负荷预测中的应用研究随着电力行业的快速发展，电网负荷预测的准确性越来越受到重视。

负荷预测是电力实时控制和平衡的重要基础，是电力规划和调度的决策依据。

传统的负荷预测方法面对不断变化的电力市场和负荷情况，已经逐渐难以满足需要，而神经网络算法则可以很好地解决负荷预测中存在的问题，已经被广泛应用于电力行业。

一、神经网络算法简介神经网络模型是一种类似于人脑结构的模型，它可以通过对大量数据中的关键特征进行学习，自动识别和提取其中隐含的规律性，并进行预测或分类等任务。

神经网络通过一系列的层级结构来模拟神经元之间的相互作用，每个神经元接收来自之前层次的输入，然后将这些信息传递到下一层级，最后通过一个输出层级将预测结果输出。

在电力负荷预测中，神经网络可以通过对历史负荷数据进行学习和训练，以建立负荷预测模型。

这个模型可以根据历史数据的变化规律，对未来的负荷进行预测，因此神经网络算法成为了负荷预测中的重要工具之一。

二、神经网络算法在电力负荷预测中的应用1.负荷趋势预测负荷趋势预测是电力负荷预测的一个重要组成部分。

这种预测可以帮助电力公司对未来负荷需求进行精准预测，从而规划线路和设备的配置，并为电力调度带来了宝贵的参考。

神经网络模型可以将历史负荷数据的趋势和变化规律以及环境因素纳入考虑，因此可以得出更加准确的负荷趋势预测。

2.短期负荷预测短期负荷预测通常是指预测未来24小时内的负荷情况。

由于电力市场变化较为频繁，因此短期负荷预测的准确性对电力行业的影响尤其重要。

神经网络模型可以通过对大量历史负荷数据进行学习和训练，预测未来短期负荷情况。

而且，由于神经网络模型可以自适应地进行调整和修正，因此它可以对突发事件和复杂环境进行自适应处理，从而提高了短期负荷预测的准确度和可靠性。

3.长期负荷预测长期负荷预测通常是指预测未来1天或1周的负荷情况。

由于电力市场的长期趋势和因素比较复杂，因此长期负荷预测是比较具有挑战的。

神经网络和支持向量机在短期负荷预测中的应用

24个小的BP网络，预测每一小时的负荷，把2005年 3
月1日到4月30日的数据作为样本集，建立负荷预测模
型，输入量15个：预测日前一天及前一周对应预测时
刻及前一时刻实际负荷值，预测日预测时刻前三个时
刻的负荷值，预测日前一天、前两天及前一周对应预
测时刻的温度和预测时刻对应的气象数据包括最高
2 神经 BP 算法及改进
2.1 神经网络由于神经网络具有人脑的联想记忆功能和并行
分布信息、自学习及任意逼近连续函数的能力，因
而能捕获电力负荷的各种变化趋势，特别是它容易处理与某些输入量（如天气变量、气温变量）的非线性关系，具有很好的实时性。目前应用于电力系统负荷预测的神经网络主要是误差反向传 BP（Back Prop aga tion）网，通常具有一个或多个隐含层，其中，隐含层神经元通常采用 Sigmoid 型函数，而输出层神经元则采用 purelin 型传递函数。图 1 给出了一个具有单隐含层的 BP 神经网络模型。
Abstr act This thesis concentrate in the principle of support vector machine (SVM), using regression estimation of SVM, and establishing the forecasting model. The forecas ted results are compared with BP artificial network (ANN) methods, and it is more superiority.

基于聚类分析和PSO优化的神经网络短期负荷预测研究

Ｖｏ１．１６Ｎｏ．２
象根据其与各个簇中心的距离，将它赋予给最近的
天最高温度（）。相应的输出量为预测日时刻的预
簇，并使目标数
＝
ｍ
ｉｎ
ｉ１１ｊＥ１１．２Ｚ．。 … ｝ … ｝
ｌ｝啦一ｌｌ值减小。然
等。然而，由于影响短期电力负荷的因素大都具有很强的非线性，传统的拟线性预测方法存在着局限
性，一些智能算法凸显出了一定的优势。但同时由于大量影响负荷的随机因素存在，使得负荷波动性
１Ｋ — ｍｅａｎｓ聚类算法
想是随机选择ｋ（聚类个数）个对象，每个对象初始地代表了一个簇的平均值或中心，对剩余的每个对
方向为电力企业战略案例、电力市场技术、技术创新理论。
；
２
基于聚类分析和ＰＳＯ优化的神经网络短期负荷预测研究
未来２４ｈ至几天内的电力负荷需求情况。短期负荷预测特别是日负荷预测曲线为地区电力余缺调度、
度。一些新的预ｉ贝４方法也显现出不足。［１－４］
传统的短期负荷预测方法大部分是针对未来
ＳｔｕｄｙｏｎＳｈｏｒｔ－ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇＢａｓｅｄｏｎＣｌｕｓｔｅｒｉｎｇＡｎａｌｙｓｉｓａｎｄＯｐｔｉｍｉｚｅｄＮｅｕｒａｌＮｅｔｗｏｒｋｂｙＰＳＯ

神经网络在城市燃气短期负荷预测中的应用

想是根据网络输出的实际输出误差，调整各神经来
元之间的权值，最终使得输出平方差最小。
文献（ｌｔｃｌａｒｃｓｎｓｇａｔｃａ（ｅｒｄｆｅａｔｇｉｎａｉｉＥｃｉｏｏｉｕｎｒｆｌｉ
预测》一文根据币煤气短别负何，化的特性，考艾
上海煤气２０年第５（刀０８期（
ｅｌｓｓ
虑天气、气温、节假日等因素的影响，应用ＢＰ模型对城市煤气管网的短期负荷进行了预测。该文中考虑了节假日的负荷预测，其节假日负荷模型与平常目相同，只是将学习样本取为与预测日同属一个
ｎｕａｅｒ）ｅｒｌｔｋ）首次提出采用ＢｎｗｏＰ模型进行电力系统的负荷预测。文中研究了用不同的特征量预测不
同的负荷：第一种是利用预测日当天的三个温度参数（即最高、最低和平均温度）预测当天的峰值负荷；第二种是利用这三个温度参数预测当天的总负荷；第三种是利用预测小时前两个小时的负荷和平
模型比较简单，但由于其未对样本数据作适当的预
处理，训练时间较长，并且预测只限于工作日ｆ故不包括周末和节假日）。在（ｌｃｉｅｅｇｅｎ（ｅｔｃｎｒｙｄｍａｄＥｒｆｒｃｓｎｔｅｒｌｅｗｒｓｏｅａｔｇｗｉｎｕａｎｔｏｋ￣一文中建立了多层ｉｈ

基于改进粒子群算法的电力系统短期负荷预测

第40卷　第3期吉林大学学报(信息科学版)Vol.40　No.32022年5月Journal of Jilin University (Information Science Edition)May 2022文章编号:1671⁃5896(2022)03⁃0394⁃06基于改进粒子群算法的电力系统短期负荷预测收稿日期:2022⁃01⁃06基金项目:国网江苏省电力有限公司科技基金资助项目(J2020094)作者简介:杨俊义(1987 ),男,江苏盐城人,国网江苏省电力有限公司高级工程师,主要从事电力行业统计㊁负荷预测等研究,(E⁃mail)yangjunyi123213@㊂杨俊义1a ,高　骞1a ,洪　宇1b ,朱殿超2(1.国网江苏省电力有限公司a.发展策划部,南京210024;b.连云港供电分公司,江苏连云港222000;2.北京国电通网络技术有限公司规划与计划管理业务事业部,北京100085)摘要:为解决电力系统中因负荷数据混沌特性强㊁噪声影响多,导致多分段短期负荷预测精准度不高的问题,提出基于改进粒子群的电力系统多分段短期负荷预测方法㊂以电力系统的历史数据作为分析基础,引入粒子聚合概念,建立解空间,在空间内搜索全局负荷数据,将原始数据代入解空间中,确定数据分布范围㊂建立最优目标函数,利用线性递减规律计算自适应负荷粒子权值,凭借迭代更新函数将粒子权值不断逼近最优值㊂综合局部预测函数和全局预测函数,与改进粒子群预测规律结合,以最大决定权重系数调节矩阵,完成负荷预测㊂仿真实验证明,所提方法对负荷数据的判定及分析能力强,自适应性好,预测结果与实际数值拟合程度高㊂关键词:多分段短期负荷;改进粒子群;最优搜索;解空间;线性递减规律中图分类号:TM718文献标识码:AShort⁃Term Load Forecasting of Power System Based on Improved Particle Swarm OptimizationYANG Junyi 1a ,GAO Qian 1a ,HONG Yu 1b ,ZHU Dianchao 2(1a.Development Planning Department,State Grid Jiangsu Electric Power Company Limited,Nanjing 210024,China;1b.State Grid Lianyungang Power Supply Company,Lianyungang 222000,China;2.Planning and Plan Management Business Division,Beijing Guodinatong Network Technology Company Limited,Beijing 100085,China)Abstract :In order to solve the problem that the accuracy of multi⁃segment short⁃term load forecasting is low due to the strong chaotic characteristics of load data and the influence of noise in the power system,a power system multi⁃segment short⁃term load forecasting method based on improved particle swarms is proposed.Based on the historical data of the power system,the concept of particle aggregation is introduced,the solution space is established,the global load data is searched in the space,and the original data is introduced into the solution space to determine the data distribution range.The optimal objective function is established,the adaptive load particle weight is calculated using the law of linear decline,and the particle weight is continuously approached to the optimal value with the iterative update function.The local prediction function and the global prediction function are integrated with the improved particle swarm prediction law,and the matrix is adjusted with the largest decision weight coefficient to complete the load forecast.Simulation experiments prove that the proposed method has strong ability to judge and analyze load data,good adaptability,and high degree of fit between the predicted results and actual values.Key words :multi⁃segment short⁃term load;improved particle group;optimal search;solution space;lineardecreasing law0　引　言多分段短期负荷预测技术是稳定电力系统运行安全的重要保障和生产基础㊂负荷预测的主要作用就是对电力系统短期或长期的未来负荷指标进行估计判断,帮助电力企业人员作出下一阶段的决策㊂精准的预测报告可最大程度减少电力负荷㊁降低成本耗用,提高电力系统运行的稳定性,对未来电力行业发展具有重要意义[1]㊂目前多分段短期负荷预测采用的主流方法有:时间序列预测法[2]㊁人工神经网络预测法[3]以及回归分析预测法[4]㊂这几种方法均采用直接预测,通过预先计算选取电力系统相似日的方式进行负荷预测㊂但由于相似日的优劣会直接影响预测精度,而这些方法不仅很难把握相似日的选取精度,还容易受外界天气因素的影响,导致对温度或风力变化的敏感性增强,干扰预测效果㊂负荷预测是一项具有连续性的工作,预测数据之间的关联性较强,一旦某个步骤出现误差,则影响其他步骤从而导致预测效果较差㊂综合上述问题,笔者提出一种基于改进粒子群算法,从初始的种群选取到定义预测,均采用归一化统一化的管理模型,提高预测数据之间的连接性和逻辑性㊂增强数据的收敛性和迭代优化性,可以准确选取短期负荷预测的相似日,有效性和鲁棒性较强㊂1　电力系统多分段短期数据预处理为提高电力系统多分段短期负荷数据预测的准确性和时效性,要对原始的电力负荷数据进行预处理㊂将选取初始种群数据集中的数据进行归一化管理,去除原始负荷数据中的干扰或冗余量,具体操作步骤如下㊂1)初始种群选取㊂由于多分段短期数据的初始粒子种群随机性较强,实际状态下分布较为分散,不易获取且容易受干扰攻击㊂引入粒子群聚合概念,建立一种解空间,在该空间内进行全局最优搜索㊂通过不断迭代寻找,使负荷粒子均匀分布在整个空间内,不仅能提高初始数据选取的优异性,还能减少外界干扰㊂解空间的数据定义为D (t )=1mL 2∑mi =1∑n d =1(p id -⎺p d )2(1)其中m 表示所有负荷数据粒子的总数目;L 2表示解空间长度;n 表示解空间的向量维度系数;p id 表示第i 个负荷粒子在d 个解空间坐标系上坐标值;⎺p d 表示全部负荷粒子在第d 个维度坐标上平均值㊂D (t )可概括解空间中全部负荷数据粒子的离散分布状况,D (t )数值越小,解空间中的粒子种群分布越为集中;D (t )数值越大,解空间中的粒子种群分布越为分散[5]㊂2)原始数据归一化处理㊂对得到的粒子群种群分布的原始负荷数据进行归一化处理,且确保初始的输入样本的数据变动范围在[-1,+1]之间㊂通过历史数据的迭代计算,得到数据分布在[0,1]范围内时,预测效果最佳,即x *=x -x min x max -x min (2)其中x min 表示历史负荷数据样本中的最小数值;x max 表示历史负荷数据样本中的最大数值;x *表示进行归一化处理后的数值㊂当x max =x min 时,取值为中值0.5㊂将该中值带入激励函数中,根据电力系统的实时变化情况,对参数进行调节,得到适应度最高的归一化数值[6⁃7]㊂2　改进粒子群算法在原始的粒子群算法中,为得到粒子群中的最优状态值ξ和ζ,通过最优目标函数计算得出适应度最高值,将该数值引入到粒子群中,以每个粒子的速度和位置判定实现求解[8]㊂将ξ和ζ看做粒子群算法中的期望适应粒子[9],设负荷粒子的初始步长为λ,令λ=1,利用该步长593第3期杨俊义,等:基于改进粒子群算法的电力系统短期负荷预测生成最新粒子,公式为V ik (t +1)=wV ik (t )+c 1r 1[P ik (t )-X ik (t )]+c 2r 2[P dk (t )-X id (t )](3)X ik (t +1)=X ik (t )+V ik (t +1)(4)其中r 1和r 2表示服从步骤2)得到的数据变动结论[0,1]内的随机数;c 1和c 2表示加速度数值;w 表示权重值㊂根据负荷数据的显著特征,利用线性递减规律提高算法的数据收敛效果[10⁃11]㊂用w max 表示加权系数的最大值;用w min 表示加权系数的最小值;u 表示迭代次数;u max 表示迭代最大次数,则有w =w max -u (w max -w min )u max (5) 计算得到更新后的负荷粒子X i (t +1),不断逼近更新后的粒子期望值X i (t ),得到迭代公式为X i (t +1)=X i (t )+λu i (t +1), λ⇐λ2(6) 以这种迭代更新的方式,得到粒子群优化的位置及速度更新方程V k +1i =α[wV k i +c 1r 1(P k i -X k i )+c 2r 2(P k g -X k i )](7)X k +1i =X k i +V k +1i (8) w 是粒子群算法改进的决定性因素,通过递减策略得到关键的改进公式w (ψ)=(w ini -w end )(T max -ψ)/T max +w end (9)其中ψ表示优化次数;T max 表示最大改进值;w ini 表示初始权重值;w end 表示改进过程中决定的权重,该值决定了粒子群改进的优异程度㊂3　电力系统多分段短期负荷预测算法实现改进粒子群算法与核函数结合,共同对电力系统多分段短期负荷数据进行属性映射,将原始的粒子群核函数分为局部核函数和全局核函数两种[12]㊂其中局部核函数表示为K (x ,x i )=(x *x i +1)q ;全局核函数表示为K (x ,x i )=exp(-x -x i 2/δ2)㊂为使局部核函数和全局核函数二者的优点能有效结合,结合优异性的分类能力,并考虑核函数的组合价值,使其负荷预测满足线性变化条件[13],可得K (x ,x i )=αK local +βK g local (10)其中α㊁β表示负荷预测函数的权值系数,令α+β,且α≥0㊁β≥0,通过改变权值的大小确定局部㊁全局预测函数的关系㊂根据该特点推导基于粒子群及局部㊁全局预测函数[14]㊂根据推导原理建立包含N 天电力负荷信息的数据矩阵H 2=a 1,1a 1,2 a 1,N a 2,1a 2,2 a 2,N a M ,1a M ,2 a M ,éëêêêêêùûúúúúúN (11)L 2=b 1,1b 1,2 b 1,N b 2,1b 2,2 b 2,N b M ,1b M ,2 b M ,éëêêêêêùûúúúúúN (12)b i ,j =a i ,j -μi ηj (13)其中a M ,N ㊁b M ,N 表示M ,N 点的负荷数据;ηj 表示预测矩阵中第j 例数据的预测平均值;μi 表示预测矩阵中第i 例数据的预测标准差㊂693吉林大学学报(信息科学版)第40卷4　仿真实验4.1　实验背景实验从关系数据库管理系统(RDBMS:Relational Database Management System)中挑选北京市某一化妆品加工厂电力系统,从2021年8月26日⁃31日6天的电力负荷数据㊂以这6天的负荷数据作为仿真实验样本,通过监测仪器得到这6天内加工厂用电量和负荷数据如表1所示㊂表1　电力加工厂系统6日用电及负荷量Tab.1　Electricity consumption and load of the power processing plant system in 6days 日期262728293031用电量/(kW㊃h)31.332.629.834.935.731.1负荷量/kW3523673143884023444.2　多分段短期负荷预测结果电力系统的总负荷数据量为2000个,从中挑选500个数据进行预测学习,剩余1500个进行分段短期负荷预测实验㊂仿真实验结果如图1所示㊂图1　基于改进粒子群算法负荷预测结果Fig.1　The load prediction results based on the improved particle group algorithm 从图1可以看出,笔者对电力系统的预测结果与实测结果曲线吻合度较高,变化范围基本一致,说明笔者方法的预测精准度较高㊂算法之所以没有出现误差影响,是因为初始数据的粒子种群选取㊁原始数据归一化管理,再到最后负荷预测,都严格遵循最优函数原理㊂保证参数负荷中所有数据粒子,都经过最优筛选和改进,通过逐步寻优,不断剔除其中的噪声干扰,从而达到最佳预测状态㊂由于笔者使用的改进粒子群算法,属于小样本学习算法,数据收敛量较小㊂但从实验结果可以看出,无论是学习过程还是测试过程,笔者算法都表现出较好的预测效果,充分体现了算法的实用价值㊂量化评价指标采用平均绝对偏差值(Mean Absolute Percentage Error,M MAPE )和均方根误差(MeanSquared Error,M MSE ),计算公式为M MAPE =∑n t =1o t -p t O t 100n (14)其中o t 表示观测值;p t 表示预测值㊂M MSE =1N ∑N i =1(y i -⎺y i )y æèçöø÷i 2(15)其中y i 表示真实值;⎺y 表示预测值㊂基于指标判定的仿真实验结果如图2㊁图3所示㊂从图2和图3可以看出,无论是平均绝对偏差值还是均方根误差指标,笔者方法实验结果表现都极为优秀㊂其中平均绝对偏差值曲线波动范围整体在0.015~-0.015之间,偏差波动不大,属于稳定的正常变动趋势;均方根误差曲线随着预测数量的增加,呈小幅度增长,增长幅度都在可承受范围内,并没有因数据量的骤增而降低预测精准度㊂从二者指标的评判结果可看出,方法具有较强的适应能力,对电力系统的负荷数据预测精准度较高㊂经过改进粒子群算法减少了原始算法的盲目性和随机性,增强了负荷粒子的聚集性,方便归一化管理,使预测均值的寻优能力增强,预测结果更为精确㊂793第3期杨俊义,等:基于改进粒子群算法的电力系统短期负荷预测图2　基于平均绝对偏差值的预测结果图3　基于均方根误差的预测结果 Fig.2　Predictions based on the Fig.3　Prediction results based on mean absolute deviation values the root mean square error 5　结　语电力系统负荷属于一种非线性的变化模型,笔者采用较为成熟的改进粒子群算法,更好㊁更快地解决因外界干扰噪声过多㊁维度过高㊁样本数量过小而导致的预测精准度不高等问题㊂采用改进粒子群算法,通过迭代交叉策略改善了原始算法对多样负荷数据接纳度不高㊁收敛效果较差现象,使后续数据处理更具有规范性和有效性㊂仿真实验证明,笔者算法预测精准度较高㊁对负荷数据的收敛效果较好,可应用到实际电力系统工作中,对电力系统未来的发展与应用具有重要帮助㊂参考文献:[1]于惠鸣,张智晟,龚文杰,等.基于深度递归神经网络的电力系统短期负荷预测模型[J].电力系统及其自动化学报,2019,31(1):112⁃116.YU Huiming,ZHANG Zhisheng,GONG Wenjie,et al.Short⁃Term Load Forecasting Model of Power System Based on Deep Recurrent Neural Network [J].Proceedings of the CSU⁃EPSA,2019,31(1):112⁃116.[2]刘江永,刘文翰,易灵芝.多时序协同中期负荷预测模型[J].电力系统及其自动化学报,2020,32(2):48⁃53.LIU Jiangyong,LIU Wenhan,YI Lingzhi.Multi⁃Sequence Coordinated Medium⁃Term Load Forecasting Model [J ].Proceedings of the CSU⁃EPSA,2020,32(2):48⁃53.[3]蔡秋娜,潮铸,苏炳洪,等.基于一种新型鲁棒损失的神经网络短期负荷预测方法[J].电网技术,2020,44(11):4132⁃4139.CAI Qiuna,CHAO Zhu,SU Binghong,et al.Short⁃Term Load Forecasting Method Based on a Novel Robust Loss Neural Network Algorithm [J].Power System Technology,2020,44(11):4132⁃4139.[4]周宇.计及气象因素影响的短期电力负荷预测方法[J].自动化技术与应用,2020,39(6):107⁃113.ZHOU Yu.A Short⁃Term Load Forecasting Method Considering the Influence of Meteorological Factors [J].Techniques ofAutomation and Applications,2020,39(6):107⁃113.[5]刘沛津,胡冀飞,贺宁,等.改进鲸鱼算法优化LSSVM 的短期电力负荷预测研究[J].现代电子技术,2021,44(13):159⁃163.LIU Peijin,HU Jifei,HE Ning,et al.Research on Short⁃Term Power Load Forecasting Based on LSSVM Optimized by Improved Whale Optimization Algorithm [J].Modern Electronics Technique,2021,44(13):159⁃163.[6]韩顺杰,单新超,于爱君,等.基于改进粒子群算法的工业机器人轨迹规划[J].制造技术与机床,2021(4):9⁃14.HAN Shunjie,SHAN Xinchao,YU Aijun,et al.Industrial Robot Trajectory Planning Based on Improved PSO Algorithm [J].Manufacturing Technology &Machine Tool,2021(4):9⁃14.[7]鲁改凤,欧钰雷,姜耀鹏,等.电力市场下含风电场电力系统动态无功成本优化研究[J].电子科技大学学报,2020,49(1):110⁃116.LU Gaifeng,OU Yulei,JIANG Yaopeng,et al.Research on Dynamic Reactive Cost Optimization of Power System ContainingWind Farms in Electricity Market [J].Journal of University of Electronic Science and Technology of China,2020,49(1):110⁃116.893吉林大学学报(信息科学版)第40卷[8]王知雨,王斌,王朝晖.采用非线性最小二乘法的超级电容等效电路模型参数辨识[J].西安交通大学学报,2020,54(4):10⁃18.WANG Zhiyu,WANG Bin,WANG Zhaohui.A Parameter Identification Method for an Equivalent Circuit Model of Supercapacitor Using Nonlinear Least Squares [J].Journal of Xi’an Jiaotong University,2020,54(4):10⁃18.[9]殷礼胜,李胜,唐圣期,等.基于改进的路网聚类结合PSOWNN 的交通流预测[J].微电子学与计算机,2020,37(1):20⁃26.YIN Lisheng,LI Sheng,TANG Shengqi,et al.Traffic Flow Prediction Based on Improved Road Network Clustering Combined with PSOWNN [J].Microelectronics &Computer,2020,37(1):20⁃26.[10]彭显刚,潘可达,张丹,等.基于季节性负荷自适应划分及重要点分割的多分段短期负荷预测[J].电网技术,2020,44(2):603⁃613.PENG Xiangang,PAN Keda,ZHANG Dan,et al.Piecewise Short⁃Term Load Forecasting Based on Adaptive Seasonal Load Category and Important Point Segment [J].Power System Technology,2020,44(2):603⁃613.[11]张淑清,杨振宁,张立国,等.基于弹性网降维及花授粉算法优化BP 神经网络的短期电力负荷预测[J].仪器仪表学报,2019,40(7):47⁃54.ZHANG Shuqing,YANG Zhenning,ZHANG Liguo,et al.Optimizing the Short⁃Term Power Load Prediction of the BP Neural Network Based on the Elastic Network Dimensionality Reduction and Flower⁃Pollinating Algorithm [J].Instrument,2019,40(7):47⁃54.[12]苏运,卜凡鹏,郭乃网,等.基于低秩表示的多任务短期电力负荷预测的研究[J].现代电力,2019,36(3):58⁃65.SU Yun,BU Fanpeng,GUO Naiwang,et al.Research on Short⁃Term Load Forecast Using Multi⁃Task with Low⁃RankRepresentation [J].Modern Electric Power,2019,36(3):58⁃65.[13]胡雪凯,尹瑞,时珉,等.基于改进粒子群算法的分布式光伏集群划分与无功优化策略[J].电力电容器与无功补偿,2021,42(4):14⁃21.HU Xuekai,YIN Rui,SHI Min,et al.Distributed Photovoltaic Cluster Partition and Reactive Power Optimization Strategy Based on Improved Particle Swarm Optimization Algorithm [J].Power Capacitor &Reactive Power Compensation,2021,42(4):14⁃21.[14]蒋建东,石洋涛,燕跃豪,等.基于改进烟花算法的极限学习机超短期负荷预测[J].郑州大学学报(理学版),2020,52(4):110⁃115.JIANG Jiandong,SHI Yangtao,YAN Yuehao,et al.Ultra⁃Short⁃Term Load Forecasting of Extreme Learning Machine Based on Improved Fireworks Algorithm [J].Journal of Zhengzhou University (Natural Science Edition),2020,52(4):110⁃115.(责任编辑:刘东亮)993第3期杨俊义,等:基于改进粒子群算法的电力系统短期负荷预测。

RBF神经网络在电力系统短期负荷预测中的应用

络训练。然而，传统的ＢＰ算法有诸如不易确定隐
层神经元的个数，可能陷于局部极小以及耗费大量
信号到隐含层，隐含层节点一般取高斯核函数，该核函
数能对输入矢量产生局部响应，而输出层节点通常是简单的线性函数，输出节点对隐含层节点的输出进行线性加权。它是具有标准全连接的前向网络，从而实现输入空间到输出空间的映射，使整个网络达到分类和函数逼近的目的。ＲＢＦ网络模型如图１所示。
较．总结了一些比较成熟的基于ＲＢＦ神经网络在电力系统短期负荷预测中的应用现状和技术特点。根据电力系统运行的实际特点和面临的新情况，探讨了该预测方法的发展空间和技术趋势。关键词：ＲＢＦ神经网络；ＢＰ神经网络；短期负荷预测文章编号：１００８—０８３Ｘ（２０１３）０７— ００１３— ０５中图分类号：ＴＭ７１５文献标志码：Ｂ
客观的总结和展望。
褥屦
图１ＲＢＦ网络模型
１ＲＢＦ神经网络模型及其应用于短期负荷预测的概述
１９８５年，Ｐｏｗｅｌｌ提出了多变量插值的径向基函数
（Ｒａｄｉａｌ —ＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）方法。ＲＢＦ神经网络的

改进Pi-sigma神经网络及其算法在短期负荷预测中的应用

电力系统短期负荷预测是能量管理系统（ＭＳＥ）包含的内容之一，同时又是电力市场运作中的重要组成部分。它在实时控制和保证电力系统经济、安全、可
络及其算法的短期负荷预测模型。并将该模型用于预测某地区电网的短期负荷，测结果证明了它的有效预
ｉｌｏｉｍｕｒａｄｔｒｄｃｅｈｕｌｏｄｆｎａｙｍｉｉｇｔｅｍｅｔｏｚｙｌｇｃａｄｎｕａｔａｇｒｈｉｐｔｏｗｒｏｐｅｉｔｈｏｒｌａｓｏｅｄｙｂｘｎｈｒｓｆｕｚｉｎｅｒｌｓｔｓｆｔｙｏｉｆｏ
Ａｂｓｒｃ：ｃｒｎｏｔｅｆａｕｅ ±ｐｗｅｏ￣ａｄｃｎｉｒｎｈｏｉｅｎｕｅｃ ±ｈｉｔｒｃｌｌａａｔａｔＡｃｏｄｉｇｔｈｅｔｒｓＯｏｒｌａｌｎｏｓｄｅｇｔｅｃｍｂｎｄｉｆｎｅＯｉｌｓｏｉａｏｄｄ — ｔｗｅｔｅｎａｙ，ｈｒ－ｅｍｏｄｆｒｃｓｉｇｍｏｌｂｓｄｏｍｐｏｅｉｓｇｅｒｌｎｔｒｎａ，ａｈｒａｄｄｙｔｐｅａｓｏｔｔｒｌａｏｅａｔｎｄｅａｅｎｉｒｖｄＰ — ｉｍａｎｕａｅｗｏｋａｄ
ｎｔｒｓＡｎｏｍｐｏｅｎｓｔｅｅｔｔｅｓｕｙｖｌｃｔｎｄｕａｅｔｍｂｒｈｐｆｎｔｏａａｔｒｅｗｏｋ．ｄｓｍｅｉｒｖｍｅｔｏｓｌｃｈｔｄｅｏｉｙａｐｄｔｈｅｍｅｅｓｉｕｃｉｎｐｒｍｅｅｓａｅｐｏｏｅｗｈｃｌｌｔｅｅｕｅｔｅｆｒｃｓｎｅａｎｙｅｅｔｖｌ．ｅａｐｉａｉｎｏｒｐｕｈｒｒｄｃｈｏｅａｔｕｃｒｉｔｆｃｉｅｙＴｈｐｌｔｆｐｏｏｅｈｒｔｃｏｔｔｒｌａｏｅａｔｇｍｅｈｄｔｏｒａＳｐｗｅｙｔｍｈｗｓｔａｔｉｆｅｔｅｅｍｏｄｆｒｃｓｉｔｏｏｓｍｅａｅ ’ ｏｒｓｓｅｓｏｈｔｉｓｅｆｃｉ．ｎｖＫｅｒｓＰｉｓｇｅｒｌｎｔｒ；ｆｚｙｌｇｃｈｒ－ｅｏｄｆｒｃｓｉｇｙｗｏｄ：－ｉｍａｎｕａｅｗｏｋｉｚｏｉ；ｓｏ－ｒｌａ）ｅａｔ－ｌｔｔｍｉｎ

神经网络在电力负荷预测中的应用研究

电力负荷预测方法，利用ＰＡ对ＢＣＰ神经网络输入样本集进
ｘｊ＝
行特征提取，以消除变量问的冗余、共线性信息，得分离出使
来的主成分分量既能最大限度地保留原始变量信息，而彼此
÷∑
（３）
２）阵Ｒ：
Ｒ＝（）印（）４
间又不相关，然后利用ＢＰ神经网络进行建模预测。本文提
出的电力负荷预测方法既综合了ＰＡ的特征提取能力，Ｃ又很好地利用了ＢＰ神经网络良好的非线性处理能力，使得ＢＰ神经网络结构变得更为简单、算速度加快，高了预测运提精度。
ｆｃｉｅｙｉｒｖｅｐｗｒｌａｏｅａｔｇｐｅｉｉｎ，ｗｕｏｗｄａｐｗｅｏｄｆｒｃｓｉｇｍｅｈｄｏｒｃｐｅｔｌｍｐｏｅｔｏｅｏｄｆｒｃｓｉｒｃｓｖｈｎｏｅｐｔｆｒａｏｒｌａｏｅａｔｔｏｆｐｉｉａｒｎｎｌ
不理想。人工神经网络具有很好的非线性处理能力，收其敛速度快，算法实现容易，通过对训练样本集进行学习，以获
取数据间的规律性，建立起输入数据与输出数据间的一种映
射，然后在此基础上进行推理从而得到预测结果。在实际应用中，由于电力系统受到经济、政策、环境等等
传统的电力负荷短期预测方法有线性回归、数平滑、指
多种因素的影响，而由于这些因素间存在着冗余、然共线性

基于粒子群的电力系统短期负荷预测

基于粒子群的电力系统短期负荷预测
庄媛媛
【期刊名称】《微计算机信息》
【年(卷),期】2007(000)03X
【摘要】短期负荷预测是电力系统管理的一项重要方法，准确的负荷预测可以保证用户得到安全、经济、合理的供电。

针对负荷预测方法的多样性。

在传统的BP 网络用于负荷预测的基础上，提出粒子群PSO（Particle Swarm Optimizer）优化神经网络权值的算法。

并应用到电力系统短期负荷预测中。

仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快，而且其预报精度也明显地得到提高。

【总页数】3页(P9-11)
【作者】庄媛媛
【作者单位】四川大学,成都610065
【正文语种】中文
【中图分类】TP13
【相关文献】
1.基于交变粒子群BP网络的电力系统短期负荷预测 [J], 唐承娥
2.基于粒子群的电力系统短期负荷预测 [J], 庄媛媛
3.粒子群优化BP算法在电力系统短期负荷预测中的应用 [J], 傅忠云
4.粒子群优化BP算法在电力系统短期负荷预测中的应用 [J], 傅忠云
5.基于最小窥视孔长短期记忆神经网络的电力系统短期负荷预测模型 [J], 蔡鑫祥;撖奥洋;周生奇;魏振;张智晟
因版权原因，仅展示原文概要，查看原文内容请购买。