基于遗传算法和BP神经网络的短期电力负荷预测.pdfVIP

第 24 卷第 3 期 安 　徽 　工 　程 　科 　技 　学 　院　学 　报 Vol . 24 . No . 3 2009 年 9 月 J ournal of Anhui U niver sit y of Technolo gy and Science Sep . ,2009 文章编号 (2009) 基于遗传算法和 B P 神经网络的短期电力负荷预测 李玲纯 , 田　丽 (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 　24 1000) ( ) 摘要 :根据电力负荷的主要影响因素 ,考虑时间和天气 ,建立了基于遗传算法和反向传播神经网络 B P 的短 期负荷预测. 从 B P 神经网络的理论入手 ,采用遗传算法优化 B P 神经网络的初始权值和隐层节点数 ,从而避 免了神经网络结构确定和初始权值选择的盲 目性 ,提高了神经网络用于电力系统短期负荷预测的效率和精 度使得负荷预测在更加合理的网络结构上进行. 关 　键 　词 :遗传算法 ;B P 神经网络 ;短期负荷 ;预测 中图分类号 : TP18 ; TM7 14 　　　　文献标识码 :A 电力系统的短期负荷预测是指以周 、天 、小时为单位的负荷预测 ,它是现代电力系统运行研究中的重 要课题之一. 电力系统短期负荷预测的结果是研究电力系统规划问题 、电力系统经济运行及其调度自动化 的重要依据. 随着电力市场化改革的不断深入 ,短期负荷预测在电力系统中更显得 日益重要. 实践证明 ,在 电力系统发展日趋复杂的今天 ,各种传统的负荷预测技术已经越来越难以满足电力部门越来越高的负荷 预测精度要求 ,所以应用智能算法进行电力系统的短期负荷预测 ,提高负荷预测的精度和稳定性 ,具有十 分重要的意义. 本文使用遗传算法改进 B P 神经网络建立短期电力负荷预测模型 ,并将结合安徽省宣城地区电力负 荷的实际情况 ,对预测方法进行探讨和研究. 1 　B P 神经网络 ( ) 反向传播 Emr rBack Porp gaation , - B P 算法是多层感知器的一种有效学习算法 ,它把一组负荷样本 的输入输出问题变成一个非线性优化问题 ,使用了最优化中最普遍的梯度下降算法 ,用迭代运算求解权值 相应于学习记忆问题 ,加入了隐节点使得优化问 题的可调整参数增加 ,从而可以得到预测负荷的 精确解. B P 神经网络通常有一个或多个隐含层 ,含有 一个隐含层的B P 神经网络结构如图 1 所示. B P 算法的基本步骤 : 图 1 　三层 B P 神经网络拓扑结构图 ( ) 1 初始化权值 w 和阈值 b , 即把所有权值和 阈值都设置成较小的随机数. ( ) 2 提供训练样本集, 包括输入向量 P 和要求的预期输出 T . ( ) 3 计算隐含层和输出层的输出. 对于图 1 来说, 隐含层的输出为 ( ) ( ) a1 = t ansi g w 1 P + b1 　, 1 输出层的输出为 ( )