基于粒子群优化神经网络的电力短期负荷预测研究

论文摘要

电力系统短期负荷预测是能量管理系统（EMS）重要的子系统,是电力调度系统运行不可缺少的部分。准确的短期负荷预测能帮助管理人员制定合理的发电计划,采取合适的措施移峰填谷,保证电网安全、经济的运行,降低发电成本,提高经济效益和社会效益。随着电力系统的发展,传统的负荷预测技术已难以满足电力部门越来越高的负荷预测精度要求,如何得到快速、准确、稳定的负荷预测一直是人们近年来研究的重点。本文首先对电力系统负荷预测的传统方法和现代方法进行了综述,重点研究了人工神经网络在短期负荷预测中的应用,建立了神经网络短期负荷预测模型。针对神经网络中最常用的BP算法收敛速度慢,易陷入局部极小的缺点,本文采用Levenberg-Marquardt学习算法对网络进行训练,同时将粒子群优化（PSO）算法引入神经网络,针对粒子群优化算法的缺点提出了改进的速度和位置优化公式,利用改进后的粒子群算法优化网络初始权值阈值,进一步提高负荷预测的速度和精度。通过仿真实例,比较基本BP算法神经网络预测模型、L-M算法改进的神经网络预测模型和粒子群优化L-M算法改进神经网络预测模型的预测结果,最后证明了粒子群优化改进神经网络混合算法无论在预测精度还是速度上都有很大程度的提高,有进一步开发实际应用的价值。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 电力系统短期负荷预测的意义和作用
• 1.3 短期负荷预测的发展和研究现状
• 1.3.1 短期负荷预测的传统方法
• 1.3.2 短期负荷预测的新方法
• 1.4 本论文的研究内容和主要工作
• 1.4.1 本论文的研究内容
• 1.4.2 本论文的主要工作
• 2 电力负荷预测概述
• 2.1 电力负荷的构成
• 2.2 电力负荷预测的特点
• 2.3 电力负荷预测影响因素分析
• 2.4 负荷预测误差分析指标
• 2.5 辽宁省M 市电力负荷分析
• 2.6 小结
• 3 粒子群优化神经网络的基本原理及算法实现
• 3.1 人工神经网络概况
• 3.1.1 神经网络概念
• 3.1.2 神经网络的基本特点
• 3.2 误差反向传播算法
• 3.2.1 BP 算法原理
• 3.2.2 BP 算法缺陷分析
• 3.2.3 BP 算法的改进
• 3.3 粒子群优化算法的研究
• 3.3.1 粒子群算法的基本原理
• 3.3.2 粒子群算法的实现
• 3.3.3 粒子群算法的改进
• 3.3.4 粒子群算法的参数设置
• 3.3.5 改进的粒子群算法基本流程
• 3.4 基于粒子群优化神经网络学习算法
• 3.4.1 算法的设计
• 3.4.2 算法的实现步骤
• 3.4.3 算法的流程图
• 3.5 小结
• 4 粒子群优化神经网络短期负荷预测
• 4.1 预测模型的设计
• 4.1.1 神经网络拓扑结构分析
• 4.1.2 预测模型总体结构
• 4.2 神经网络预测输入样本的研究
• 4.2.1 训练样本的预处理
• 4.2.2 样本数据归一化处理
• 4.2.3 温度的量化
• 4.2.4 工作日类型划分
• 4.3 实例分析
• 4.3.1 基于L-M 算法改进神经网络短期负荷预测
• 4.3.2 基于粒子群优化神经网络短期负荷预测
• 4.4 小结
• 结论
• 参考文献
• 作者简历
• 学位论文数据集