基于改进BP神经网络的短期电力负荷预测方法研究
发布时间：2021-03-18 19:11
针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。
【文章来源】：电测与仪表. 2019,56(24)北大核心
【文章页数】：7 页
【部分图文】：
8月16日预测值与实际值对比图Fig．3Contrastchartbetweenforecastingvalueand
到短期负荷预测模型。预测流程如图1所示。图1猫群优化的BP神经网络流程图Fig．1BPNeuralnetworkflowchartforcatswarmoptimization2仿真分析将利用负荷数据和天气数据等作为负荷预测数据，以验证猫群算法优化的BP神经网络方法在负荷预测中的有效性和合理性。选择2018年随机三天进行短期负荷预测，5月21日(星期一)，8月16日(星期四)和12月22日(星期六)进行，并将结果与当地控制中心进行比较。取搜索记忆池=3，维数改变量=1，维度的搜索范围=0．2。设置种群数30，训练代数100代，在数据处理和规范化之后，需要确定学习网络的结构。在BP神经网络中，选择日平均气温、日期类型、预测前一天的负荷和预测前两天的负荷作为输入变量。每小时预测并记录输出。因此，BP神经网络有四个输入节点。并且输出节点的数量是1个。结果如表1～表3所示，对比如如图2～图4所示，以便比较BP神经网络和用猫群算法优化的BP神经网络，并将改进算法应用于负荷预测。统计表1～表3，预测时绝对误差超过3%的数量见表4。日绝对误差最小和最大值见表5。日预测平均绝对误差见表6。表15月21日预测模型预测值与实际值(星期一)Tab．1ForecastingmodelandactualvalueonMay21(Monday)预测模型时刻实际值/MWBP神经网络预测值/MW绝对误差/%CSO-BP神经网络预测值/MW绝对误差/%01:00470．00462．351．63468．450．3302:00462．00449．972．60463．240．2703:00441．00432．881．84440．010．2204:00431．00420．762．38422．791．9105
:00557．00564．441．34557．750．1314:00557．00576．563．51547．551．7015:00537．00536．550．08541．350．8116:00555．00564．051．63551．660．6017:00538．00522．442．89541．800．7118:00526．00523．500．48528．380．4519:00525．00523．790．23521．780．6120:00529．00534．511．04528．320．1321:00534．00510．534．39545．152．0922:00596．00582．922．19591．700．7223:00541．00523．033．32531．831．7024:00535．00525．781．72537．420．45图25月21日预测值与实际值对比图Fig．2ContrastchartbetweenforecastingvalueandactualvalueonMay21图38月16日预测值与实际值对比图Fig．3ContrastchartbetweenforecastingvalueandactualvalueonAugust16—811—第56卷第24期电测与仪表Vol．56No．242019年12月25日ElectricalMeasurement＆InstrumentationDec．25，2019
【参考文献】：
期刊论文
[1]基于相似数据选取和改进梯度提升决策树的电力负荷预测[J]. 谷云东,马冬芬,程红超. 电力系统及其自动化学报. 2019(05)
[2]北京地区日最大电力负荷预测模型初探[J]. 石玉恒,赵娜,王凌,许丽佳,周洁,林倩,乔媛. 中国电力. 2019 (08)
[3]基于低秩表示的多任务短期电力负荷预测的研究[J]. 苏运,卜凡鹏,郭乃网,田世明,田英杰,张琪祁,瞿海妮,柳劲松. 现代电力. 2019(03)
[4]考虑不确定区间的电力负荷GELM-WNN预测方法[J]. 李廷顺,王伟,刘泽三. 计算机工程. 2019(07)
[5]基于改进猫群算法的分布式电源优化配置[J]. 杨磊,杨晓辉,吴越,温和昌,朱云丰. 电力系统保护与控制. 2019(01)
[6]主动配电网双层实时优化博弈研究[J]. 姜冬,刘鲲鹏. 电测与仪表. 2018(18)
[7]基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法[J]. 罗育辉,蔡延光,戚远航,黄何列. 计算机应用研究. 2019(11)
[8]Hybrid artificial bee colony algorithm with variable neighborhood search and memory mechanism[J]. FAN Chengli,FU Qiang,LONG Guangzheng,XING Qinghua. Journal of Systems Engineering and Electronics. 2018(02)
[9]基于多蚁群算法的电力通信网路由配置机制[J]. 卫瑞东,喻鹏,高嵩,赵浦媛,李文璟. 北京邮电大学学报. 2017(S1)
[10]基于GA-BP和POS-BP神经网络的光伏电站出力短期预测[J]. 姚仲敏,潘飞,沈玉会,吴金秋,于晓红. 电力系统保护与控制. 2015(20)
本文编号：3088790
【文章来源】：电测与仪表. 2019,56(24)北大核心
【文章页数】：7 页
【部分图文】：
8月16日预测值与实际值对比图Fig．3Contrastchartbetweenforecastingvalueand
到短期负荷预测模型。预测流程如图1所示。图1猫群优化的BP神经网络流程图Fig．1BPNeuralnetworkflowchartforcatswarmoptimization2仿真分析将利用负荷数据和天气数据等作为负荷预测数据，以验证猫群算法优化的BP神经网络方法在负荷预测中的有效性和合理性。选择2018年随机三天进行短期负荷预测，5月21日(星期一)，8月16日(星期四)和12月22日(星期六)进行，并将结果与当地控制中心进行比较。取搜索记忆池=3，维数改变量=1，维度的搜索范围=0．2。设置种群数30，训练代数100代，在数据处理和规范化之后，需要确定学习网络的结构。在BP神经网络中，选择日平均气温、日期类型、预测前一天的负荷和预测前两天的负荷作为输入变量。每小时预测并记录输出。因此，BP神经网络有四个输入节点。并且输出节点的数量是1个。结果如表1～表3所示，对比如如图2～图4所示，以便比较BP神经网络和用猫群算法优化的BP神经网络，并将改进算法应用于负荷预测。统计表1～表3，预测时绝对误差超过3%的数量见表4。日绝对误差最小和最大值见表5。日预测平均绝对误差见表6。表15月21日预测模型预测值与实际值(星期一)Tab．1ForecastingmodelandactualvalueonMay21(Monday)预测模型时刻实际值/MWBP神经网络预测值/MW绝对误差/%CSO-BP神经网络预测值/MW绝对误差/%01:00470．00462．351．63468．450．3302:00462．00449．972．60463．240．2703:00441．00432．881．84440．010．2204:00431．00420．762．38422．791．9105
:00557．00564．441．34557．750．1314:00557．00576．563．51547．551．7015:00537．00536．550．08541．350．8116:00555．00564．051．63551．660．6017:00538．00522．442．89541．800．7118:00526．00523．500．48528．380．4519:00525．00523．790．23521．780．6120:00529．00534．511．04528．320．1321:00534．00510．534．39545．152．0922:00596．00582．922．19591．700．7223:00541．00523．033．32531．831．7024:00535．00525．781．72537．420．45图25月21日预测值与实际值对比图Fig．2ContrastchartbetweenforecastingvalueandactualvalueonMay21图38月16日预测值与实际值对比图Fig．3ContrastchartbetweenforecastingvalueandactualvalueonAugust16—811—第56卷第24期电测与仪表Vol．56No．242019年12月25日ElectricalMeasurement＆InstrumentationDec．25，2019
【参考文献】：
期刊论文
[1]基于相似数据选取和改进梯度提升决策树的电力负荷预测[J]. 谷云东,马冬芬,程红超. 电力系统及其自动化学报. 2019(05)
[2]北京地区日最大电力负荷预测模型初探[J]. 石玉恒,赵娜,王凌,许丽佳,周洁,林倩,乔媛. 中国电力. 2019 (08)
[3]基于低秩表示的多任务短期电力负荷预测的研究[J]. 苏运,卜凡鹏,郭乃网,田世明,田英杰,张琪祁,瞿海妮,柳劲松. 现代电力. 2019(03)
[4]考虑不确定区间的电力负荷GELM-WNN预测方法[J]. 李廷顺,王伟,刘泽三. 计算机工程. 2019(07)
[5]基于改进猫群算法的分布式电源优化配置[J]. 杨磊,杨晓辉,吴越,温和昌,朱云丰. 电力系统保护与控制. 2019(01)
[6]主动配电网双层实时优化博弈研究[J]. 姜冬,刘鲲鹏. 电测与仪表. 2018(18)
[7]基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法[J]. 罗育辉,蔡延光,戚远航,黄何列. 计算机应用研究. 2019(11)
[8]Hybrid artificial bee colony algorithm with variable neighborhood search and memory mechanism[J]. FAN Chengli,FU Qiang,LONG Guangzheng,XING Qinghua. Journal of Systems Engineering and Electronics. 2018(02)
[9]基于多蚁群算法的电力通信网路由配置机制[J]. 卫瑞东,喻鹏,高嵩,赵浦媛,李文璟. 北京邮电大学学报. 2017(S1)
[10]基于GA-BP和POS-BP神经网络的光伏电站出力短期预测[J]. 姚仲敏,潘飞,沈玉会,吴金秋,于晓红. 电力系统保护与控制. 2015(20)
本文编号：3088790
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3088790.html
