基于PSO-BP 神经网络的短期负荷预测算法
90 浏览量
2020-10-20
15:42:52
上传
评论 5
收藏 323KB PDF 举报
基于基于PSO-BP 神经网络的短期负荷预测算法神经网络的短期负荷预测算法
摘要：提出一种短期负荷预测算法，用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点，
分析短期负荷运行规律，并采用零相滤波器对原始负荷曲线进行预处理，相除奇异点。其次，介绍BP神经网络
基本结构，并针对BP神经网络容易陷入局部极小值的缺点，采用PSO算法确定网络训练初始权值。然后，设计
一种基于PSO-BP神经网络的短期负荷预测算法，包括预滤波、训练样本集建立、神经网络输入/输出模式设
计、神经网络结构确定等。最后，选择上海市武宁科技园区的电科商务大厦进行负荷预测，实验结果表明，与
传统的BP神经网络相比，PSO-BP神经网络用于短期负荷预测算法的精度更高，预测负荷和实际负荷之间的平
均绝对误
摘要：提出一种短期负荷预测算法，用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点，分析短期负
荷运行规律，并采用零相滤波器对原始负荷曲线进行预处理，相除奇异点。其次，介绍BP神经网络基本结构，并针对BP神经
网络容易陷入局部极小值的缺点，采用PSO算法确定网络训练初始权值。然后，设计一种基于PSO-BP神经网络的短期负荷预
测算法，包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后，选择上海市武宁科技园
区的电科商务大厦进行负荷预测，实验结果表明，与传统的BP神经网络相比，PSO-BP神经网络用于短期负荷预测算法的精
度更高，预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%.
0 引言
短期负荷预测广泛应用于美国竞争性电力市场的运营，在日前阶段预测次日电力交易总额，从而确定次日发电设备的装机
容量以及辅助市场的备用配额，保证负荷预测精度是负荷预测技术的关键。目前常用的短期负荷预测算法有时间序列算法、回
归算法、卡尔曼滤波和状态空间算法，对复合序列中的变量进行建模。
但是负荷模型通常是非线性而且特征类型未知，传统的线性统计算法用于负荷预测往往精度不高。神经网络可以实现从输
入到输出的任意非线性映射，广泛地应用于函数逼近以及模式识别领域。BP神经网络由于网络结构、算法相对简单，而且从
理论上三层BP神经网络可以逼近任意非线性函数，得到广泛应用。但是BP神经网络训练在很大程度上依赖网络初始权值的选
择，如果初始权值选择不适当，往往会出现欠训练或过训练情况，即容易陷入局部极小值而得不到全局最小值。
本文针对BP神经网络的缺点，引入PSO算法用于选择BP神经网络初始权值，提出一种基于PSO-BP神经网络的负荷预测
算法，最后经过试验验证算法的精度。
1 短期负荷预测
负荷曲线呈非线性特征，而且是随机变化，受多个因素影响，如天气、季节、节假日等。本文选择的负荷记录数据库来自
上海市武宁园区的电科大厦，是商务办公楼宇，节假日以及休息日的负荷曲线和工作日差距很大或者根本没有明显的峰谷特
征，而且预测节假日和休息日的负荷意义不大，因此这里不考虑节假日和休息日。
在工作日的数据中，峰谷特征明显，但是在某些时刻，由于计量设备短暂故障或者是其他信号干扰，导致计量数据出现奇
异，如图1所示，因此为了提高负荷预测精度，在负荷预测之前应先对负荷数据进行预处理。
首先采用零相滤波器对初始负荷曲线进行，获得平滑的负荷曲线。零相滤波器实现过程如图2所示。
假设滤波器系统函数是H（z），对于N 点的输入序列是X（z），输出序列为Y（z），则零相滤波过程如下过程：
评论0
最新资源