论文部分内容阅读
电力系统短期负荷预测是电力系统调度运行和发展规划的重要基础。它对于电力系统稳定运行和制定发电计划的具有重要的意义,短期负荷预测的准确性直接影响到电力系统运行的经济性、安全性和可靠性。短期负荷预测的关键问题是怎样选择合理的预测方法。因此,为了提高电力负荷预测的精度,本文建立基于提升小波及改进型神经网络的短期负荷预测模型。Elman神经网络(Elman Neural Network,ENN)是一种智能方法,在短期负荷预测领域获得了良好的应用效果。但是,Elman神经网络在负荷预测的过程中,激励函数Sigmoid达到饱和状态时,可能会使网络的收敛速度降低,并导致网络陷入局部极小值,导致Elman神经网络的训练和学习效果较差。本文采用Mexican Hat小波函数代替Sigmoid函数作为网络隐含层节点的传递函数,能够使网络处于真正的饱和状态,很好的实现网络的学习和训练。实验证明,改进型Elman神经网络(Improved Elman Neural Network,IENN)与传统ENN相比提高了预测精度。IENN是在BP神经网络(Back Propagation Neural Network,BPNN)的基础上进行的网络结构改进,仍存在BPNN收敛慢和易陷入局部最优的固有缺陷,本文采用改进粒子群算法(Chaos Generalized Particle Swarm Optimization,CGPSO)对IENN进行优化训练。CGPSO算法是在蚁群算法改进粒子群算法(Generalized Particle Swarm Optimization,GPSO)上,筛选出部分适应度值较差的粒子,采用混沌理论,对其进行混沌扰动,将粒子的位置修正后再次映射到寻优区域中,应用混沌理论的遍历性,改善GPSO算法细致搜索的准确性,增强全局搜索能力。应用CGPSO算法优化IENN,就是将神经网络的初始参数作为CGPSO的粒子,优化阀值和权值的初始分布,在搜索到较好的位置时,再用IENN进行局部优化,进一步提高Elman神经网络收敛速度,避免陷入局部最优等缺陷。实验证明,CGPSO-IENN方法提高了负荷预测准确性,并且具有较高的预测精度。针对短期、超短期负荷数据随机性很强并兼有趋势性的特点,采用提升小波算法将负荷数据在不同尺度上分解,使得原始负荷数据的冗余性降低而且频谱的分离特征非常明显,方便单独进行预测,再将结果进行重构,能够提高负荷预测的精度。将提升小波和改进型Elman神经网络进行结合,提出基于提升小波和改进型Elman神经网络的短期负荷预测模型(LWT-CGPSO-IENN)。实验结果表明:本文提出的LWT-CGPSO-IENN模型的预测精度相对于传统ENN模型提高了2.7777%,明显的提高了预测精度,相对于单一的神经网络预测模型具有更好的适应性,满足短期负荷预测的要求。