基于核主成分分析与改进神经网络电力负荷中期预测模型.PDFVIP

第４２卷 第３期 南京理工大学学报 Ｖｏｌ.４２ Ｎｏ.３ ２０１８年６月 Ｊｏｕｒｎａｌ ｏｆ Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｊｕｎ.２０１８ 基于核主成分分析与改进神经网络的 电力负荷中期预测模型 孙新程ꎬ孔建寿ꎬ刘　 钊 (南京理工大学 自动化学院ꎬ江苏 南京 ２１００９４) 摘　 要:为了提高电力负荷中期预测水平ꎬ提出了１种核主成分分析(ＫＰＣＡ)和粒子群优化反 向传播神经网络(ＰＳＯ￣ＢＰＮＮ)相结合的电力负荷中期预测模型ꎮ 引入 ＫＰＣＡ 对原始输入空间 降维重构ꎬ将降维后的数据集输入ＰＳＯ算法优化的ＢＰＮＮ模型中ꎬ提出了月平均最大预测负荷 修正日预测负荷的方法ꎬ输出待预测日的最大预测负荷ꎮ 采用欧洲智能技术网络提供的负荷数 据进行验证ꎬ实验结果的平均绝对百分误差为１.３９％ꎮ 关键词:核主成分分析ꎻ粒子群优化ꎻ反向传播神经网络ꎻ电力负荷ꎻ中期预测 － － － 中图分类号:ＴＭ７１５　 　 文章编号:１００５ ９８３０(２０１８)０３ ０２５９ ０７ － ＤＯＩ:１０.１４１７７/ ｊ.ｃｎｋｉ.３２ １３９７ｎ.２０１８.４２.０３.００１ Ｍｉｄｄｌｅ￣ｔｅｒｍ ｐｏｗｅｒ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ａｎｄ ｉｍｐｒｏｖｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ Ｓｕｎ ＸｉｎｃｈｅｎｇꎬＫｏｎｇ ＪｉａｎｓｈｏｕꎬＬｉｕ Ｚｈａｏ (Ｓｃｈｏｏｌ ｏｆ ＡｕｔｏｍａｔｉｏｎꎬＮａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ ＴｅｃｈｎｏｌｏｇｙꎬＮａｎｊｉｎｇ ２１００９４ꎬＣｈｉｎａ) Ａｂｓｔｒａｃｔ:Ａ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｉｓ ｐｒｏｐｏｓｅｄ ｂｙ ｃｏｍｂｉｎｇ ｋｅｒｎｅｌ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ(ＫＰＣＡ) ｗｉｔｈ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ(ＰＳＯ￣ＢＰＮＮ)ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｌｅｖｅｌ ｏｆ ｍｉｄｄｌｅ￣ｔｅｒｍ ｐｏｗｅｒ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ. Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｒｅｄｕｃｔｉｏｎ ａｎｄ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｔｈｅ ｏｒｉｇｉｎａｌ ｉｎｐｕｔ ｓｐａｃｅ ａｒｅ ｍａｄｅ ｗｉｔｈ ｔｈｅ ＫＰＣＡ.Ｔｈｅ ｄａｔａ ｓｅｔ ａｆｔｅｒ ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｒｅｄｕｃｔｉｏｎ ｉｓｉｎｐｕｔ ｔｏ ａ ＢＰＮＮ ｍｏｄｅｌ ｏｐｔｉｍｉｚｅｄ ｂｙ ＰＳＯ.Ｔｈｅ ａｖｅｒａｇｅ ｄａｉｌｙ ｐｅａｋｌｏａｄ ｉｎ ｅａｃｈ ｍｏｎｔｈ ｉｓｆｏｒｅｃａｓｔｅｄｔｏｒｅｖｉｓｅ ｔｈｅ ｄａｉｌｙ ｌｏａｄꎬａｎｄｔｈｅｄａｉｌｙｐｅａｋｆｏｒｅｃａｓｔｉｎｇｌｏａｄｉｓｏｕｔｐｕｔｉｎｔｈｅｅｎｄ.Ｔｈｉｓｍｏｄｅｌｉｓｔｅｓｔｅｄｕｓｉｎｇｔｈｅ ｄａｔａ ｐｒｏｖｉｄｅｄ ｂｙ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｎｅｔｗｏｒｋ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ(ＥＵＮＩＴＥ)ꎬａｎｄ ｔｈｅ ｍｅａｎ ａｂｓｏｌｕｔｅ ｐｅｒｃｅｎｔ ｅｒｒｏｒ(ＭＡＰＥ)ｏｆ ｔｈｉｓ ｍｏｄｅｌ ｉｓ １.３９％. － － － － 　 收稿日期:２０１７ ０３ ０６　 　 修回日期:２０１７ ０７ １８ 　 基金项目:国家自然科学基金ꎻ江苏省自然科学基金(Ｂ