改进粒子群优化BP神经网络短期负荷预测研究

发布时间：2021-04-10 04:26

　　为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP神经网络预测模型。在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数。将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。 

【文章来源】：制造业自动化. 2019,41(06)CSCD

【文章页数】：5 页

【部分图文】：

BP模型预测值与实际值对比图

本粒子群优化BP神经网络模型（PSO-BP模型）、BP神经网络模型（BP模型）用相同的数据训练，并对同一天电力负荷预测，通过预测结果比较三种模型之间的优劣。三种预测模型均在MatlabR2014b平台中程序实现，利用采集的前67天的负荷数据训练各个网络模型，并对第69天的负荷预测。图3为BP模型预测值与实际值对比图，图4为PSO-BP模型预测值与实际值对比图，图5为IPSO-BP模型预测值与实际值对比图，图6为三种模型预测误差值对比图。图3BP模型预测值与实际值对比图图4PSO-BP模型预测值与实际值对比图图5IPSO-BP模型预测值与实际值对比图【下转第77页】

P模型）、BP神经网络模型（BP模型）用相同的数据训练，并对同一天电力负荷预测，通过预测结果比较三种模型之间的优劣。三种预测模型均在MatlabR2014b平台中程序实现，利用采集的前67天的负荷数据训练各个网络模型，并对第69天的负荷预测。图3为BP模型预测值与实际值对比图，图4为PSO-BP模型预测值与实际值对比图，图5为IPSO-BP模型预测值与实际值对比图，图6为三种模型预测误差值对比图。图3BP模型预测值与实际值对比图图4PSO-BP模型预测值与实际值对比图图5IPSO-BP模型预测值与实际值对比图【下转第77页】

【参考文献】：
期刊论文
[1]改进的粒子群算法优化神经网络及应用[J]. 何明慧,徐怡,王冉,胡善忠.  计算机工程与应用. 2018(19)
[2]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇.  计算机技术与发展. 2018(04)
[3]一种改进人工鱼群算法对BP神经网络的优化研究[J]. 龚波,曾飞艳.  湖南科技大学学报(自然科学版). 2016(01)
[4]基于粒子群算法的BP神经网络优化技术[J]. 张德慧,张德育,刘清云,吕艳辉.  计算机工程与设计. 2015(05)
[5]用遗传算法改进的BP神经网络剪枝算法来优化决策树模型[J]. 武彤,程辉.  计算机科学. 2013(S2)
[6]引力搜索算法中粒子记忆性改进的研究[J]. 李春龙,戴娟,潘丰.  计算机应用. 2012(10)
[7]改进粒子群算法优化BP神经网络的短时交通流预测[J]. 李松,刘力军,翟曼.  系统工程理论与实践. 2012(09)
[8]基于自适应学习速率的改进BP神经网络[J]. 唐艳,付存君,魏建新.  计算机光盘软件与应用. 2012(04)
[9]基于BP神经网络的电网短期负荷预测模型研究[J]. 周英,尹邦德,任铃,边雪芬.  电测与仪表. 2011(02)
[10]BP神经网络输入层数据归一化研究[J]. 柳小桐.  机械工程与自动化. 2010(03)



本文编号：3128956