群智能算法與電力負荷預測研究.pdf

1、電力負荷預測對于電力系統(tǒng)的建設和運行均有著極其重要的意義和作用。預測精度的高低直接影響著電力系統(tǒng)的安全運行和經濟效益。本文從近年來廣泛應用于電力負荷預測的群智能算法出發(fā),研究和分析現(xiàn)有的群智能算法以及與之結合的預測模型。通過對算法和模型的改進,建立新的預測模型,并應用于實際的電力負荷預測,得到了預期的效果。本文主要研究的內容如下:
　　 1.研究兩種典型的群智能算法:粒子群優(yōu)化算法(PSO)和蟻群優(yōu)化算法(ACO)。通過對不同函

2、數優(yōu)化的分析,對比了兩者的優(yōu)點和不足。以粒子群算法為基礎,并吸收模擬退火算法以及蟻群算法的思想對其進行改進,提出了兩種改進群智能算法:IPSO和HA算法。比較改進的群智能算法、標準的粒子群算法和蟻群算法對不同函數的優(yōu)化,表明改進的群智能算法具有一定的優(yōu)越性和有效性。
　　 2.將群智能算法和神經網絡相結合建立新的預測模型。將群智能算法分別和BP、Elman神經網絡結合,利用群智能算法代替BP算法優(yōu)化神經網絡的權值和閾值,建立基于

3、群智能算法優(yōu)化的神經網絡預測模型:PSOBPNN,PSOENN,IPSOBPNN,IPSOENN,HABPNN和HAENN。通過對經典的混沌序列進行模擬仿真,驗證了基于群智能算法的神經網絡預測模型比傳統(tǒng)的神經網絡模型具有更快的收斂速度以及更高的預測精度。
　　 3.中長期負荷預測對電力系統(tǒng)規(guī)劃和建設具有重要的意義。將群智能算法和灰色預測模型相結合建立基于群智能算法的灰色預測模型。利用群智能算法代替?zhèn)鹘y(tǒng)的最小二乘法直接求解灰色模型

4、參數,避免了由于灰色模型在求解過程中因背景值的取值不當而帶來的誤差。通過對中長期電力負荷的預測,驗證了基于群智能算法的灰色預測模型比傳統(tǒng)的灰色預測模型具有更高的預測精度和更加廣泛的適用范圍。
　　 4.電力負荷短期預測方法是當前研究的熱點問題,訓練樣本的建立方法與預測精度密切相關。分析和比較了多步預測和分步預測的優(yōu)點和不足,結合兩種方法的優(yōu)點提出一種新訓練樣本建立方法。利用PSO,IPSO和HA算法優(yōu)化的神經網絡預測模型對某市實

5、際的電力系統(tǒng)進行短期電力負荷預測,結果表明HA算法與新預測方法結合可獲得更高的預測精度。
　　 5.分析和比較了秋季負荷和夏季負荷的特點,驗證了秋季溫度變化不大的情況下,負荷和溫度之間無明顯的相關性;而在夏季溫度變化比較大的情況下負荷和溫度之間具有明顯的相關性。由此確定對秋季負荷進行預測時不引入溫度因子,而對夏季負荷預測時則引入溫度因子。對實際的電力系統(tǒng)進行短期電力負荷預測,對于秋季負荷不引入溫度因子也可達到很高的預測精度,而對