為了提高電力負荷預測的精度,提出基于提升小波和改進PSO-Elman神經(jīng)網(wǎng)絡(luò)的短期負荷預測模型。針對負荷的波動性和趨勢性,將提升小波算法用于分解原始負荷數(shù)據(jù)并提取其主要特征,在蟻群算法改進粒子群算法中,采用混沌理論,對部分適應度值較差的粒子進行混沌擾動,提出CGPSO（Chaos Generalized Particle Swarm Optimization）算法,改善細致搜索的準確性,并提高全局搜索能力,將CGPSO算法用于Elman神經(jīng)網(wǎng)絡(luò)初始參數(shù)優(yōu)化,最后建立負荷預測模型。文中采用我國北方某地區(qū)的實際數(shù)據(jù)進行仿真,實驗結(jié)果表明,該方法的預測精度相比于傳統(tǒng)ENN（Elman Neural Network）方法提高了2.362 6%。 

【文章來源】：電測與儀表. 2020年21期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

提升小波分解的流程圖

Elman神經(jīng)網(wǎng)絡(luò)分為四層：輸入層、隱含層、輸出層與承接層。如圖2所示，承接層可以對隱含層輸出進行保存和記憶，在下一時刻重新輸入到隱含層，起到反饋的作用，使網(wǎng)絡(luò)具有動態(tài)記憶能力；輸入層可以傳遞信號；隱含層中傳遞函數(shù)是非線性函數(shù)，一般是Sigmoid函數(shù)；輸出層起線性加權(quán)的作用。Elman神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是在結(jié)構(gòu)上增加承接層，起到反饋作用，不僅提高網(wǎng)絡(luò)處理動態(tài)信息的能力，而且使網(wǎng)絡(luò)能夠適應時變特性，適合處理時間序列的問題。

首先，提升小波將原始負荷數(shù)據(jù)分解為三層，得到低頻的A3信號，高頻的D1、D2和D3信號，然后，分別進行CGPSO-ENN的建模，進行訓練和預測，最后將各個結(jié)果重構(gòu)，能夠預測未來一段時間的負荷。具體的建模流程如圖3所示。5 算例分析

【參考文獻】：
期刊論文
[1]基于混沌粒子群優(yōu)化的微電網(wǎng)短期負荷預測[J]. 唐菁敏,馬含.  云南大學學報(自然科學版). 2019(06)
[2]基于隨機神經(jīng)網(wǎng)絡(luò)的短期負荷預測[J]. 王瑞,王強強,逯靜.  制造業(yè)自動化. 2019(07)
[3]基于智能相似日識別及偏差校正的短期負荷預測方法[J]. 劉翊楓,周國鵬,劉昕,汪洋,鄭宇鵬,邵立政.  電力系統(tǒng)保護與控制. 2019(12)
[4]基于多模型融合神經(jīng)網(wǎng)絡(luò)的短期負荷預測[J]. 許言路,張建森,吉星,王斌斌,鄧卓夫.  控制工程. 2019(04)
[5]基于深度遞歸神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預測模型[J]. 于惠鳴,張智晟,龔文杰,段曉燕.  電力系統(tǒng)及其自動化學報. 2019(01)
[6]基于改進PSO-BP神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測[J]. 翟帥華,姜雲(yún)騰,李萍.  工業(yè)控制計算機. 2018(09)
[7]需求側(cè)響應下基于負荷特性的改進短期負荷預測方法[J]. 劉云,張杭,張愛民.  電力系統(tǒng)保護與控制. 2018(13)
[8]基于小波變異果蠅優(yōu)化支持向量機短期負荷預測方法研究[J]. 熊軍華,牛珂,張春歌,李鐸,謝飛.  電力系統(tǒng)保護與控制. 2017(13)
[9]基于Hadoop架構(gòu)的多重分布式BP神經(jīng)網(wǎng)絡(luò)的短期負荷預測方法[J]. 蘇學能,劉天琪,曹鴻謙,焦慧明,于亞光,何川,沈驥.  中國電機工程學報. 2017(17)
[10]基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測[J]. 陳杰,高翠云,胡翀.  安徽建筑大學學報. 2016(01)



本文編號：2930755