針對(duì)短期負(fù)荷預(yù)測(cè)精度低、準(zhǔn)確性差等問(wèn)題,將貓群算法CSO和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合用于短期負(fù)荷預(yù)測(cè),模型的輸入因子是負(fù)荷數(shù)據(jù)和氣象信息等,利用貓群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,得到BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的最優(yōu)解,建立了短期預(yù)測(cè)模型。通過(guò)實(shí)例驗(yàn)證了預(yù)測(cè)模型的有效性和有效性,結(jié)果表明,改進(jìn)模型能夠有效降低BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差,提高預(yù)測(cè)精度,為我國(guó)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的發(fā)展提供了參考和借鑒。 

【文章來(lái)源】：電測(cè)與儀表. 2019,56(24)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

8月16日預(yù)測(cè)值與實(shí)際值對(duì)比圖Fig．3Contrastchartbetweenforecastingvalueand

到短期負(fù)荷預(yù)測(cè)模型。預(yù)測(cè)流程如圖1所示。圖1貓群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)流程圖Fig．1BPNeuralnetworkflowchartforcatswarmoptimization2仿真分析將利用負(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)等作為負(fù)荷預(yù)測(cè)數(shù)據(jù)，以驗(yàn)證貓群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)方法在負(fù)荷預(yù)測(cè)中的有效性和合理性。選擇2018年隨機(jī)三天進(jìn)行短期負(fù)荷預(yù)測(cè)，5月21日(星期一)，8月16日(星期四)和12月22日(星期六)進(jìn)行，并將結(jié)果與當(dāng)?shù)乜刂浦行倪M(jìn)行比較。取搜索記憶池=3，維數(shù)改變量=1，維度的搜索范圍=0．2。設(shè)置種群數(shù)30，訓(xùn)練代數(shù)100代，在數(shù)據(jù)處理和規(guī)范化之后，需要確定學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)。在BP神經(jīng)網(wǎng)絡(luò)中，選擇日平均氣溫、日期類型、預(yù)測(cè)前一天的負(fù)荷和預(yù)測(cè)前兩天的負(fù)荷作為輸入變量。每小時(shí)預(yù)測(cè)并記錄輸出。因此，BP神經(jīng)網(wǎng)絡(luò)有四個(gè)輸入節(jié)點(diǎn)。并且輸出節(jié)點(diǎn)的數(shù)量是1個(gè)。結(jié)果如表1～表3所示，對(duì)比如如圖2～圖4所示，以便比較BP神經(jīng)網(wǎng)絡(luò)和用貓群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，并將改進(jìn)算法應(yīng)用于負(fù)荷預(yù)測(cè)。統(tǒng)計(jì)表1～表3，預(yù)測(cè)時(shí)絕對(duì)誤差超過(guò)3%的數(shù)量見表4。日絕對(duì)誤差最小和最大值見表5。日預(yù)測(cè)平均絕對(duì)誤差見表6。表15月21日預(yù)測(cè)模型預(yù)測(cè)值與實(shí)際值(星期一)Tab．1ForecastingmodelandactualvalueonMay21(Monday)預(yù)測(cè)模型時(shí)刻實(shí)際值/MWBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值/MW絕對(duì)誤差/%CSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值/MW絕對(duì)誤差/%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圖25月21日預(yù)測(cè)值與實(shí)際值對(duì)比圖Fig．2ContrastchartbetweenforecastingvalueandactualvalueonMay21圖38月16日預(yù)測(cè)值與實(shí)際值對(duì)比圖Fig．3ContrastchartbetweenforecastingvalueandactualvalueonAugust16—811—第56卷第24期電測(cè)與儀表Vol．56No．242019年12月25日ElectricalMeasurement＆InstrumentationDec．25，2019

【參考文獻(xiàn)】：
期刊論文
[1]基于相似數(shù)據(jù)選取和改進(jìn)梯度提升決策樹的電力負(fù)荷預(yù)測(cè)[J]. 谷云東,馬冬芬,程紅超.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2019(05)
[2]北京地區(qū)日最大電力負(fù)荷預(yù)測(cè)模型初探[J]. 石玉恒,趙娜,王凌,許麗佳,周潔,林倩,喬媛.  中國(guó)電力. 2019 (08)
[3]基于低秩表示的多任務(wù)短期電力負(fù)荷預(yù)測(cè)的研究[J]. 蘇運(yùn),卜凡鵬,郭乃網(wǎng),田世明,田英杰,張琪祁,瞿海妮,柳勁松.  現(xiàn)代電力. 2019(03)
[4]考慮不確定區(qū)間的電力負(fù)荷GELM-WNN預(yù)測(cè)方法[J]. 李廷順,王偉,劉澤三.  計(jì)算機(jī)工程. 2019(07)
[5]基于改進(jìn)貓群算法的分布式電源優(yōu)化配置[J]. 楊磊,楊曉輝,吳越,溫和昌,朱云豐.  電力系統(tǒng)保護(hù)與控制. 2019(01)
[6]主動(dòng)配電網(wǎng)雙層實(shí)時(shí)優(yōu)化博弈研究[J]. 姜冬,劉鯤鵬.  電測(cè)與儀表. 2018(18)
[7]基于最大偏差相似性準(zhǔn)則的BP神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)算法[J]. 羅育輝,蔡延光,戚遠(yuǎn)航,黃何列.  計(jì)算機(jī)應(yīng)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]基于多蟻群算法的電力通信網(wǎng)路由配置機(jī)制[J]. 衛(wèi)瑞東,喻鵬,高嵩,趙浦媛,李文璟.  北京郵電大學(xué)學(xué)報(bào). 2017(S1)
[10]基于GA-BP和POS-BP神經(jīng)網(wǎng)絡(luò)的光伏電站出力短期預(yù)測(cè)[J]. 姚仲敏,潘飛,沈玉會(huì),吳金秋,于曉紅.  電力系統(tǒng)保護(hù)與控制. 2015(20)



本文編號(hào)：3088790