电力系统论文：基于混合算法―径向基神经网络的短期负荷预测

电力系统论文：基于混合算法—径向基神经网络的短期负荷预测【中文摘要】短期负荷预测(STLF)是电力系统运行调度中的一项重要内容,是能量管理系统的一个重要模块。电力市场的引入,对负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求。神经网络模型是一种比较常用的短期电力负荷预测模型,本文针对RBF神经网络的不足之处进行改进,建立新的预测模型,并应用于短期电力负荷预测。本文的主要研究内容如下：(1)粒子群(PSO)算法是一种基于群智能方法的演化计算技术,该算法操作简单,使用方便,收敛速度快。本文将PSO算法与RBF神经网络相结合,形成粒子群-径向基神经网络(PSO-RBF),建立计及各种影响因素的短期负荷预测模型。运用所建立的PSO-RBF模型和RBF模型进行短期负荷预测,并比较所得结果可知,PSO-RBF模型要优于传统的RBF方法。(2)将人工鱼群算法(AFSA)与RBF神经网络相结合,形成人工鱼群-径向基神经网络(AFSA-RBF),运用此模型进行短期负荷预测,并与RBF模型的结果进行比较,AFSA-RBF模型要优于传统的RBF模型。(3)针对PSO算法易陷入局部极值和收敛精度不高的缺点,将AFSA算法引入到PSO算法中,AFSA算法优点在于具有全局寻优的特点,能跳出局部极佳,结合两者的优点,组成混合优化算法,以四个标准函数进行测试,测试结果表明,混合算法在一定程度上避免陷入局部极小,加快收敛速度且提高了搜索精度。本文将AFSA算法与PSO算法组成的混合算法与RBF神经网络相结合,形成混合算法-径向基神经网络,并将其用于澳大利亚新南威尔士州短期负荷预测仿真研究中,仿真结果表明此方法比起PSO-RBF神经网络,更能够提高预测精度,能克服RBF神经网络和PSO算法的缺点。【英文摘要】Short-termloadforecasting(STLF)inpowersystemisanimportantpartofrunninganddispatching,anditisanimportantmoduleofenergymanagementsystem.Theoperationofpowermarketrequirestheaccuracy,real-time,reliabilityandintelligenceofloadforecasting.TheneuralnetworksforecastingmodelisoneofthemostnormalmodelsusedinSTLF.OnbaseofimprovingtheshortcomingsofNeuralNetworksForecastingusingtheRBFalgorithm,thispaperaimstointroduceanewmodelinSTLF.Themainstudyinthispaperisasfollows.(1)ParticleSwarmOptimization(PSO)isanevolutionarycomputationtechniquebasedontheswarmintelligence,whichisoriginatedfromartificiallifeandevolutionarycomputation.Inthispaper,amixedPSO-RBFalgorithmisformed,whichisthecombinationofPSOandRBFnetwork.Then,aSTLFmodelinvolvingvariousinfluencingfactorsisbuilt.TheSTLFofpowersystemisperformedusingthemixedPSO-RBFalgorithmandRBFalgorithm.ThesimulationresultsindicatethatthismixedPSO-RBFalgorithmisbetterthanRBFalgorithm.(2)Inthispaper,amixedartificialfishswarmalgorithm(AFSA)-RBFalgorithmisformed,whichisthecombinationofAFSAandRBFnetwork.Then,aSTLFmodelinvolvingvariousinfluencingfactorsisbuilt.TheSTLFofpowersystemisperformedusingthemixedAFSA-RBFalgorithm.ThesimulationresultsindicatethatthismixedAFSA-RBFalgorithmisbetterthanRBFalgorithm.(3)Someproblemsoftheparticleswarmoptimization(PSO),includingthelocalminimumandtheconvergenceoftheshortcomings,theAFSAisintroducedtothePSO,theAFSAhastheadvantageofthecharacteristicsofglobaloptimization,canjumpoutoflocalexcellent.Basedontheadvantagesofboth,thehybridalgorithmisformed.Thetestfromfourstandardfunctionsresultsshowthatthehybridalgorithmcanavoidfallingintolocalminima,andimprovetheconvergencespeed,accuracy.Inthispaper,amixedhybridalgorithm(AFSAandPSO)-RBFnetworkisformed,whichisthecombinationofthehybridalgorithmandRBFnetwork.Then,aSTLFmodelinvolvingvariousinfluencingfactorsisbuilt.TheSTLFofpowersystemisperformedforthestateofNewSouthWales,Australia,usingthemixedthehybridalgorithm-RBFnetwork.Thesimulationresultsindicatethatthismixedhybridalgorithm-RBFnetworkisbetterthanPSO-RBFalgorithm,canimprovethepredictingprecisionandovercometheshortcomingsoftheRBFnetworkandPSO.【关键词】电力系统短期负荷预测径向基神经网络人工鱼群算法粒子群算法混合算法【英文关键词】powersystemshort-termloadforecastingradialbasisfunctionparticleswarmoptimizationartificialfishswarmalgorithmhybridalgorithm【目录】基于混合算法—径向基神经网络的短期负荷预测摘要6-7Abstract7-8第1章绪论11-181.1负荷预测的意义与背景11-121.2负荷预测的国内外现状12-131.3负荷预测步骤13-141.4人工神经网络在短期负荷预测中应用综述14-161.5全文的主要内容和结构16-181.5.1研究课题的确定161.5.2全文的主要工作16-18第2章电力负荷预测模型理论基础18-302.1RBF神经网络18-232.1.1RBF神经网络结构18-192.1.2RBF神经网络的学习算法19-212.1.3RBF神经网络的优点21-222.1.4简单实例分析22-232.2粒子群算法23-262.2.1PSO算法原理242.2.2PSO算法流程24-252.2.3PSO算法改进25-262.3人工鱼群算法26-292.3.1AFSA算法原理27-282.3.2AFSA算法流程28-292.4本章小结29-30第3章电力负荷特性分析与数据预处理30-373.1电力负荷特性分析30-333.2数据预处理33-363.2.1缺失数据的修补33-343.2.2数据的垂直处理34-353.2.3数据的水平处理35-363.3本章小结36-37第4章基于粒子群-RBF神经网络的短期负荷预测37-504.1基于PSO-RBF的预测模型37-384.2PSO-RBF模型在短期负荷预测中的应用38-494.2.1输入样本预处理38-394.2.2PSO-RBF网络结构的确定39-424.2.3误差分析42-434.2.4实验仿真43-494.3本章小结49-50第5章基于人工鱼群-RBF神经网络的短期负荷预测50-565.1基于AFSA-RBF的预测模型50-515.2实验仿真51-555.3本章小结55-56第6章基于混合算法-RBF神经网络的短期负荷预测56-676.1人工鱼群与粒子群混合优化算法56-596.1.1混合算法原理56-576.1.2仿真实验57-596.2基于混合算法-RBF的预测模型59-606.3实验仿真60-666.4本章小结66-67结论67-69致谢69-70参考文献70-74附录74-81攻读硕士学位期间发表的论文及科研成果81