基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法研究
發(fā)布時(shí)間:2021-03-18 19:11
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
【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
本文鏈接:http://www.sikaile.net/kejilunwen/sousuoyinqinglunwen/3088790.html
最近更新
教材專著