基于改進(jìn)蛙跳算法的小波神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)研究.pdf

1、近年來，經(jīng)濟(jì)社會(huì)的快速發(fā)展使電力系統(tǒng)面臨著越發(fā)嚴(yán)峻的挑戰(zhàn)。電力系統(tǒng)的安全調(diào)度和社會(huì)的正常生產(chǎn)與電力負(fù)荷預(yù)測(cè)(STLF)的準(zhǔn)確程度直接相關(guān)。目前，很多學(xué)者將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用到電力負(fù)荷預(yù)測(cè)中，取得了較好的效果。但預(yù)測(cè)精度還不能滿足實(shí)際應(yīng)用的需要，因此，本文針對(duì)該問題，將小波神經(jīng)網(wǎng)絡(luò)與混合蛙跳算法結(jié)合進(jìn)行了電力負(fù)荷預(yù)測(cè)研究。
　　首先，本文從電力負(fù)荷數(shù)據(jù)的混沌特性出發(fā)，用C-C法求出該時(shí)間序列的嵌入維數(shù)m和時(shí)間延遲τ，來對(duì)實(shí)際負(fù)荷數(shù)據(jù)進(jìn)

2、行相空間重構(gòu)。通過此方法來獲得該時(shí)間序列中隱藏的更多有用信息。并對(duì)數(shù)據(jù)進(jìn)行了歸一化處理來加快算法的收斂速度。
　　其次，本文用實(shí)際電力負(fù)荷數(shù)據(jù)進(jìn)行了基于梯度下降算法的小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network，WNN)短期電力負(fù)荷預(yù)測(cè)仿真實(shí)驗(yàn)，結(jié)果表明，小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以取得比較好的效果，但仍有改進(jìn)空間。
　　再次，針對(duì)小波神經(jīng)網(wǎng)絡(luò)中梯度下降算法對(duì)初值敏感，容易陷入局部最優(yōu)的問題。分別提出了兩種改進(jìn)算法

3、，一種是在梯度下降算法中加入自適應(yīng)學(xué)習(xí)率和懲罰項(xiàng)，即IWNN;另一種則采用混合蛙跳算法(Shuffled Frog Leaping Algorithms，SFLA)代替梯度下降算法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，即SFLA-WNN。并分別建立了基于IWNN和SFLA-WNN的短期電力負(fù)荷預(yù)測(cè)模型，通過實(shí)例仿真和對(duì)比分析，證明兩種改進(jìn)后的模型預(yù)測(cè)精度均有所提高。
　　最后，針對(duì)經(jīng)典混合蛙跳算法隨機(jī)產(chǎn)生初始種群和在局部搜索中隨機(jī)更新蛙跳步長(zhǎng)，不利于

4、算法收斂的問題，本文提出了一種綜合改進(jìn)的混合蛙跳算法(ComprehensiveShuffled Frog Leaping Algorithms，CSFLA)，該算法充分利用IWNN產(chǎn)生的較優(yōu)解來優(yōu)化蛙跳算法初始種群，并在局部搜索更新步長(zhǎng)時(shí)，引入一種新的自適應(yīng)移動(dòng)因子。之后建立了基于綜合改進(jìn)混合蛙跳算法的小波神經(jīng)網(wǎng)絡(luò)(CSFLA-WNN)短期電力負(fù)荷預(yù)測(cè)模型并將其用于實(shí)例仿真，通過結(jié)果對(duì)比分析，表明該算法在保證預(yù)測(cè)實(shí)時(shí)性的同時(shí)能獲得更高