改进神经网络的短期负荷预测模型及仿真.docxVIP

第 31 卷 第 10 期 计 算 机 仿 真 2014 年 10 月 文章编号: 1006 － 9348( 2014) 10 － 0145 － 06 改进神经网络的短期负荷预测模型及仿真 杨廷志，文小飞，万 俊，李 书 ( 国网重庆市电力公司綦南供电分公司，重庆 401420) 摘要: 在电力负荷准确预测问题的研究中，电力负荷具有周期性、随机性和非线性的特点，而传统方法存在负荷预测精度低 的难题，为了提高负荷的预测精度，提出一种改进神经网络的短期负荷预测模型( CPSO － BPNN) 。首先利用非线性预测能 力强的 BP 神经网络对短期负荷建模; 然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度; 最后对模型性能进行仿真。仿真结果表明，CPSO － BPNN 解决了传统方法存在的难题，提高了短期负荷的预测精度，为非线 性负荷预测提供了依据。 关键词: 短期负荷; 预测精度; 混沌粒子群算法; 神经网络 中图分类号: TP391 文献标识码: B Short － Term Power Load Forecasting Model and Simulation Based on Neural Network YANG Ting － zhi，WEN Xiao － fei，WAN Jun，LI Shu ( Qinan Power Supply Bureau of Chongqing Electric Power Corporation，Chongqing 401420，China) ABSTＲACT: Power load is cyclical and random，and traditional method has low prediction accuracy． In order to ob- tain better forecasting results of short － term load，a novel short － term load forecasting model was proposed based on chaotic particle swarm optimization algorithm and neural network ( CPSO － BPNN) ． Firstly，the chaos theory was in- troduced into PSO algorithm to improve the global search ability，and then the BP neural network parameters were op- timized by chaos particle swarm algorithm to establish the optimal short － term power load forecasting model． Finally， the model was simulated and tested． The simulation results show that，the CPSO － BPNN can improve the forecasting accuracy of the short － term load，which provides a new research idea for the nonlinear load forecasting． KEYWOＲDS: Power load; Forecasting accuracy; Chaos particle swarm algorithm; Neural network 1 引言 短期负荷预测是电力管理部门一项重要工作，其预测结 果对保证电网的安全运行，提高电能质量起着关键作用，因 此短期负荷预测一直是电力系统研究中的一个热点问题［1］。 当前短期电力负荷预测方法，主要分为两大类: 数理统 计预测方法和人工智能预测方法［2］。数理统计方法假设短 期负荷是一种线性变化规律，它们难以准确描述短期负荷的 复杂、非线性变化特点，预测精度低，不能满足电力负荷预测 的实际应用要求。人工智能预测方法是一种非线性、智能的 电力负荷预测方法，主要包括人工神经网络、支持向量机等， 相对数理统计预测方法存在的不足，提高了电力负荷预测精 度［5，6］。其中，BP 神经网络不需要先验知识，能对系统进行 收稿日期: 2013 － 12 － 16 修回日期: 2014 － 01 － 21 非线性、无限的逼近，成为使用最为广泛的短期负荷预测算 法。但是 BP 神经网络在电力负荷预测建模过程，其预测性 能与初始连接权值、阈值等参数密切相关，因此建