改进的elman神经网络在电力系统短期负荷预测中的研究 - 电测与仪表.doc

基于PSO-WPESN的短期电力负荷预测方法 周红标，王乐，，根旺淮阴工学院 自动化学院，江苏 淮安 223003摘要: 精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证，是智能电网建设的重要一环。为提高模型的预测精度，提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构，建立小波包回声状态网预测模型；然后，利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据，与BP、Elman、传统ESN等网络相比，PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强，尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。 关键词：小波包回声状态网电力负荷短期预测 中图分类号：TM715 文献标识码：A 文章编号：1001-1390（201）00-0000-00 Short-term power load forecasting method based on PSO-WPESN Zhou Hongbiao, Wang Le, Bu Feng, Ying Genwang (Faculty of Automation, Huaiyin Institute of Technology, Huai’an 223003, Jiangsu, China) Abstract: Accurate short-term power load forecasting is an important guarantee for power production scheduling and safe and stable operation. It is also an important part in the construction of smart grid. In order to improve the prediction accuracy of the model, a new short-term power load forecasting method based on wavelet packet echo state network optimized by particle swarm optimization is proposed in this paper. Firstly, the load data is decomposed and reconstructed by wavelet packet method, and the prediction model of wavelet packet echo state network is established. Then, the prediction model parameters of dynamic neurons reservoir is optimized by particle swarm optimization algorithm. The experimental results show that the forecasting accuracy, stability and generalization ability of PSO-WPESN have been significantly enhanced, comparing with BP, Elman, traditional ESN, especially overcomes shortcomings caused by excessive output matrix. Keywords: particle swarm, wavelet packet decomposition, echo state network, power load, short-term forecasting 0 引 言电力系统短期负荷预测主要是预测未来几小时、一天或几天的负荷，对机组优化组合、安全调度、故障检修和电网商业化运作具有重要的指导意义。由于电力负荷数据主要依赖于生产生活的规律性变化，并受气象、节假日等影响，往往是具有周期性、随机性等特点的复杂非线性时间序列。传统的负荷预测完全凭调度员主观判断，后来发展了时间序列法、回归分析法[12]。随着人工智能技术的发展，小波理论、神经网络、支持向量机等智能算法被引入短期电力负荷预测当中[3]。由于线性回归模型难以拟合非平稳负荷时间序列，前馈型BP神经网络又存在训练耗时长、易陷入局部解等缺陷，一些学者尝试建立反馈型神经网络预测模型，如Elman、回声状态神经网络等[4]。 回声状态神