论文部分内容阅读
电力系统是近几十年来最为复杂的人工智能系统之一,随着系统的不断发展壮大,精准的负荷预测在系统的安全、高效、经济运行中发挥着重大作用。短期负荷预测作为电力系统运行中必不可少的一项工作,是合理安排机组开停计划、制定调度计划的基础,因此如何提高短期负荷预测的精度成为国内外学者普遍关注的重点问题。本文首先介绍了短期负荷预测的特点、影响因素以及基本预测流程,接着对在短期负荷预测中占重要地位的人工神经网络作了简要说明,并重点介绍了具有动态递归特性的Elman神经网络。针对传统Elman神经网络预测结果随机性大、预测精度不高的缺点,构建了基于Bagging算法与Elman神经网络融合的短期负荷预测模型。该模型是利用Bagging算法来改善传统Elman神经网络预测结果随机性大的问题,以提高预测模型的预测精度和稳定性。通过实例仿真验证,与传统的Elman神经网络预测模型相比,该模型可有效提高预测精度和预测稳定性。在基于Bagging算法与Elman神经网络融合的短期负荷预测模型中,每个Elman神经网络的子训练集样本均按同一概率采样的方式产生,对预测误差大的样本不能给予更多关注,且最终的预测结果仅为各Elman神经网络预测结果的简单平均,这些因素都将影响预测精度的提升。为消除这些不利因素的影响,提出了一种基于Boosting回归算法与Elman神经网络融合的短期负荷预测模型,该模型中每个Elman神经网络模型的子训练集样本均按概率采样的方式产生,且当前Elman神经网络的建立依赖于上一个Elman神经网络的训练结果,使Elman神经网络得到不断优化,最终的预测结果取各Elman神经网络预测结果的加权和。经实例仿真分析,证明该模型比基于Bagging算法与Elman神经网络融合的短期负荷预测模型具有更高的预测精度。基于Boosting回归算法与Elman神经网络融合的短期负荷预测模型中的传统Elman神经网络存在收敛速度慢、易于陷入局部最小值的缺点。为解决这一问题,采用了PSO算法对传统Elman神经网络进行优化,并将优化后的网络与Boosting回归算法相结合,构建了基于Boosting回归算法与PSO-Elman神经网络融合的短期负荷预测模型。经实例仿真验证,与基于Boosting回归算法与Elman神经网络融合的短期负荷预测模型相比,该模型进一步提高了预测精度。