基于PSO-BP混合算法的短期电力负荷预测.pdfVIP

基于PSO—BP混合算法的短期电力负荷预测 田 丽，等 基 田 丽，夏新运，蒋 慧，张淑芳 (安徽工程科技学院安徽省电气传动与控制重点实验室 安徽芜湖，241000) 摘 要：将粒子群优化算法和BP神经网络算法相结合，形成粒子群一神经网络 (PSO—BP)混合算法，建立了涉及各 种影响因素的短期负荷预测模型。运用所建立的PSO—BP混合算法和BP算法的负荷预测模型进行短期负荷预测，比 较所得结果可知，PSO—BP混合算法预测精度较高，效果较好。 关键词：粒子群；PSO—BP混合算法；短期负荷；预测 Abst耐 ：Inflaispap％ an-~xedPSO-BPalgorithm isformed,whichisthecombinationofPSOandBPno．1lalnetwork．Then,ashort- term loadforecastingmodelinvolvingvariousinfluencingfactorsisbuilt．Theshort-term loadforeeas~agofpowersystem isperforn~ usingthemixedPSO-BPalgorithmandBPalgofithn~Thesimulationresultsindicatethatthismethodhasfavorablyhighpredicting precision． Keywords：PSO；MixedPSO-BP~onthm；Short-t~mload；Forecasting 中图分类号：TP18；TM714 文献标识码：A 文章编号：1001—9227(2009)02—0040—03 0 引 言 粒子而运动，并经逐代搜索最后得到最优解 。在每一代 电力系统短期负荷预测是电力系统调度运营和用电 中，粒子将跟踪2个极值： (1)粒子本身迄今找到的最 服务部门的重要 日常工作之一。它关系到电力系统的调 优解，代表该粒子 自身对寻优方向的认知水平； (2)全 度运行和生产计划，其预测精度的高低直接影响到电力 种群迄今找到的最优解，代表社会认知水平 。 系统运行的安全性、经济性和供电质量。它的特点主要 设第i个粒子位置为 =(。， ，…，。)，其位移为 有：要预测的数据个数多、影响预测的因素复杂且具有 = (，：，… )。它的个体最优值点为 ： 。，，…，)， 随机性和预测精度要求高等。随着电力市场的建立和发 种群的全局最优值点为 =( ，：，…， )。 展，短期负荷预测 已成为 电力系统管理现代化的重要 内 按追随当前最优粒子的原理，粒子咒 将按式 (1)和 容之一 。 式 (2)改变位移方 向和步长。 负荷预测的核心 问题是如何选取合适的预测方法， +1)= (，)+q (d一d(，))+ r2( 一 (r))(1) 即如何建立适用于所研究地区的负荷预测的数学模型。 +1)= (r)+ (，+1) (z) 随着现代科学技术的不断发展，负荷预测的研究也在不 式中，i=1，2，…，N；d=1，2，…，D；N为向量的个数； 断深化，各种各样的预测方法不断涌现 ，从经典的统计 D为向量的维数；t为进化代数；功 为惯性权值，通常随 分析方法到现代的智能算法，使得负荷预测的精度得到 进化代数从0．9线性递减至0．4；2-和 为分布于[0，1]之间 了很大的提高。然而，由于短期负荷预测 问题 的复杂 的随机数；c和c，为位移变化的限定因子，通常取为2； 性，因而都不可避免地表现出一定的局限性。 ∈一【 ，pr眦x