基于提升小波和改进PSO-Elman神经网络的短期负荷预测

发布时间：2020-12-21 23:58

　　为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,在蚁群算法改进粒子群算法中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO（Chaos Generalized Particle Swarm Optimization）算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。文中采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN（Elman Neural Network）方法提高了2.362 6%。 

【文章来源】：电测与仪表. 2020年21期 北大核心

【文章页数】：7 页

【部分图文】：

提升小波分解的流程图

Elman神经网络分为四层：输入层、隐含层、输出层与承接层。如图2所示，承接层可以对隐含层输出进行保存和记忆，在下一时刻重新输入到隐含层，起到反馈的作用，使网络具有动态记忆能力；输入层可以传递信号；隐含层中传递函数是非线性函数，一般是Sigmoid函数；输出层起线性加权的作用。Elman神经网络的优势是在结构上增加承接层，起到反馈作用，不仅提高网络处理动态信息的能力，而且使网络能够适应时变特性，适合处理时间序列的问题。

首先，提升小波将原始负荷数据分解为三层，得到低频的A3信号，高频的D1、D2和D3信号，然后，分别进行CGPSO-ENN的建模，进行训练和预测，最后将各个结果重构，能够预测未来一段时间的负荷。具体的建模流程如图3所示。5 算例分析

【参考文献】：
期刊论文
[1]基于混沌粒子群优化的微电网短期负荷预测[J]. 唐菁敏,马含.  云南大学学报(自然科学版). 2019(06)
[2]基于随机神经网络的短期负荷预测[J]. 王瑞,王强强,逯静.  制造业自动化. 2019(07)
[3]基于智能相似日识别及偏差校正的短期负荷预测方法[J]. 刘翊枫,周国鹏,刘昕,汪洋,郑宇鹏,邵立政.  电力系统保护与控制. 2019(12)
[4]基于多模型融合神经网络的短期负荷预测[J]. 许言路,张建森,吉星,王斌斌,邓卓夫.  控制工程. 2019(04)
[5]基于深度递归神经网络的电力系统短期负荷预测模型[J]. 于惠鸣,张智晟,龚文杰,段晓燕.  电力系统及其自动化学报. 2019(01)
[6]基于改进PSO-BP神经网络的短期电力负荷预测[J]. 翟帅华,姜雲腾,李萍.  工业控制计算机. 2018(09)
[7]需求侧响应下基于负荷特性的改进短期负荷预测方法[J]. 刘云,张杭,张爱民.  电力系统保护与控制. 2018(13)
[8]基于小波变异果蝇优化支持向量机短期负荷预测方法研究[J]. 熊军华,牛珂,张春歌,李铎,谢飞.  电力系统保护与控制. 2017(13)
[9]基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法[J]. 苏学能,刘天琪,曹鸿谦,焦慧明,于亚光,何川,沈骥.  中国电机工程学报. 2017(17)
[10]基于PSO-Elman神经网络的短期电力负荷预测[J]. 陈杰,高翠云,胡翀.  安徽建筑大学学报. 2016(01)



本文编号：2930755