基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

基于连云港市的电力系统短期负荷预测研究

对连云港市负荷特性深入分析后进行了短期负荷预测的研究,简要介绍了误差反向传播算法即BP算法的结构和原理,并将BP算法用于短期负荷预测,简单高效可行,但由于该算法收敛的时间较长、且容易陷入局部极小点,故在后文提出了用粒子群算法优化BP神经网络的新型算法,该算法能够有针对性地优化网络结构中的权值和阈值,在不断迭代的情况下,使得预测误差向减小的方向训练.实例表明,优化后的模型预测结果准确率有了较大程度提高,满足了负荷预测的基本要求.     

短期电力负荷的智能预测方法研究

为了提高电力系统短期负荷预测的精度,提出将基于模拟退火思想的改进粒子群优化（SAPSO）算法和误差反向传播（BP）算法相结合构成SAPSO—BP混合算法用于训练人工神经网络,对短期电力负荷进行预测。经实际算例验证,该混合算法能有效克服常规BP和PSO算法独立训练神经网络的缺陷,其收敛速度快于BP及PSO—BP算法,并且具有较高的短期电力负荷预测精度。     

基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法

在基于径向基函数神经网络(RBFNN)的电力系统短期负荷预测的基础上,采用量子粒子群优化算法(QPSO)优化神经网络权值,并运用模糊理论进行修正预测模型,提出基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法.仿真实例计算结果表明该方法收敛速度快、预报精度高,具有工程应用前景.     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于PSO-ICA-BP神经网络的短期风电功率预测

针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSO-ICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。     

基于改进BP神经网络的短期电力负荷预测方法研究

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。     

智能配电网环境下负荷预测研究

智能配电网环境下,负荷预测精度的高低影响着电网运行的安全性和经济性,为了提高负荷预测精度,提出了人工鱼群-反向传播算法（AFSA-BP）的电力负荷预测模型。传统BP算法由于输入神经元,隐层神经元和输出神经元之间的初始权值和阈值为随机获取,降低了算法的收敛速度和预测精度,采用AFSA算法对BP算法的初始权值和阈值进行全局寻优,获得最优的网络模型。在分析了电力系统负荷特性的基础上,采集历史负荷数据,天气和节假日信息,采用AFSA-BP算法建立短期负荷预测模型。为了验证该算法的准确性,分别采用BP、最小二乘-支持向量机（LS-SVM）、AFSA-BP算法对某省的电力负荷进行仿真实验,AFSA-BP算法的均方根误差（RMSE）为0.0862,而BP算法和LS-SVM算法的RMSE分别为0.2558和0.1522,结果验证了AFSA-BP算法适用于短期电力负荷预测。     

基于量子加权GRU神经网络的电力系统短期负荷预测

为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型.首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力.然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权...     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测。实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度。     

基于均匀设计混合算法的短期负荷预测

提高电力系统短期负荷预测精度有助于提高电网运行的安全性和经济性,改善供电质量。将均匀设计、改进遗传算法和误差反向传播算法相结合构成混合算法,并将其用于短期负荷预测。数据样本训练和实际预测结果表明,该模型不仅可避免陷入局部极小点,而且可提高预测精度和网络训练速度。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

基于粒子群算法的电力系统经济负荷分配研究

电力系统经济负荷分配,是指在满足电力系统或发电机组运行约束条件的基础上,在各台机组间合理地分配负荷以达到最小化发电成本的目的,是经济调度中非常重要的问题。粒子群算法是一种源于对鸟群捕食的行为研究的进化计算技术,具有全局优化能力强、收敛性好和编程实现简单等优点。将粒子群算法应用于电力系统经济负荷分配问题的研究中,通过对实际算例进行仿真测试,证实该算法可有效解决经济负荷分配问题,性能对比显示,该算法求得的解优于传统优化算法所求得的解。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

基于小波变换和季节性Holt-Winters模型的 短期负荷预测方法

精准的负荷预测对售电公司在电力市场中的运行起着十分重要的作用,而企业用户的负荷受多种因素的影响具有不平稳的特性,对此,提出了基于离散小波分解和粒子群优化的季节性Holt-Winters模型的短期负荷预测方法.针对原始负荷序列周期性不平稳的特性,利用离散小波变换对原始负荷序列进行分解,并采用季节性Holt-Winters模型进行预测,同时借助小波去噪和粒子群算法进一步提高预测模型的准确性.小波去噪在过滤原始数据中潜在的噪声的同时,对数据进行平滑处理,而粒子群算法能让Holt-Winters模型在训练过程找到最优参数.采用该模型来预测具有不同变化趋势的日负荷曲线,结果表明所提出的模型具有较高的预测精度,可适用于不同用电类型的用户负荷短期预测.     

基于粒子群算法的火电厂机组负荷优化分配研究

负荷优化分配是火电厂运行优化的一个重要研究领域,在机组之间合理地优化分配负荷能够提高整个火电厂运行的经济性。针对火电厂实际的运行情况,考虑多个实际约束条件,建立了并行火电机组间连续多时段动态负荷优化分配的数学模型;提出运用新近发展起来的智能算法-粒子群算法来解决动态负荷优化分配问题,详细介绍和研究了该算法的基本原理以及在负荷优化分配问题上的实现过程,并针对原算法的不足,对算法进行了改进;根据负荷分配和算法的特性,对初始种群的生成方法进行了改进,同时对约束条件进行了有效处理。仿真实例表明,该方法收敛性好,收敛速度快,能够有效地达到或接近全局最优,从而为火电厂机组负荷优化分配的求解提供了新的有效算法。