基于粒子群BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究.pdf

1、電力系統(tǒng)負(fù)荷預(yù)測(cè)的水平已成為衡量電力系統(tǒng)運(yùn)行管理現(xiàn)代化的標(biāo)志之一。尤其是準(zhǔn)確的短期負(fù)荷預(yù)測(cè)更具有重要的意義。負(fù)荷預(yù)測(cè)的影響因素較多，既由負(fù)荷本身的歷史因素決定，還要受眾多非負(fù)荷因素的影響。非負(fù)荷因素中又以氣象因素權(quán)重最大。 負(fù)荷壞數(shù)據(jù)辨識(shí)是由負(fù)荷曲線聚類和壞數(shù)據(jù)曲線模式分類兩個(gè)順序的過(guò)程組成的；本文通過(guò)對(duì)Kohonen網(wǎng)的聚類和BP網(wǎng)模式分類的效果分析，設(shè)計(jì)由這兩種網(wǎng)絡(luò)組合而成的神經(jīng)網(wǎng)絡(luò)模型，較好地完成了壞數(shù)據(jù)辨識(shí)的任務(wù)。

2、 本文討論了影響負(fù)荷的各種因素。建立了充分考慮各種因素的短期負(fù)荷預(yù)測(cè)模型，在輸入變量中考慮了臨近日負(fù)荷特點(diǎn)，以及各種氣象因素，對(duì)輸入負(fù)荷值進(jìn)行歸一化處理，對(duì)溫度、降雨和光照等因素進(jìn)行了量化處理。針對(duì)BP神經(jīng)網(wǎng)絡(luò)由于初始權(quán)值選取不當(dāng)容易陷入局部極小點(diǎn)的問(wèn)題，本文將粒子群算法引入到網(wǎng)絡(luò)初始權(quán)值的確定中。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法相比，本文提出的粒子群算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的短期負(fù)荷預(yù)測(cè)模型可以加快網(wǎng)絡(luò)學(xué)習(xí)速度和提高學(xué)習(xí)精度。論文用粒子群算法來(lái)訓(xùn)