摘要: 电力系统短期负荷预测是电能管理系统的重要组成部分,也是电力系统调度、用电、计划和规划等管理部门的重要工作。随着电力工业化进程的加快,电力系统短期负荷预测精度的好坏直接影响到产业部门的经济效益。因此,寻求有效的短期负荷预测方法以提高预测... 展开 电力系统短期负荷预测是电能管理系统的重要组成部分,也是电力系统调度、用电、计划和规划等管理部门的重要工作。随着电力工业化进程的加快,电力系统短期负荷预测精度的好坏直接影响到产业部门的经济效益。因此,寻求有效的短期负荷预测方法以提高预测精度有着十分重要意义。本文应用了目前比较流行的神经网络方法对电力系统短期负荷进行预报。 针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题,本文构造了组合神经网络(NN)预测模型,该模型由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的QN-NN模型构成,通过时变综合权系数将两个模型融合在一起,同时引入气象数据,采用滚动优化策略,使模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的组合NN预测模型能有效提高预测精度。 同时本文构造了基于改进PSO-IRNN神经网络短期负荷预测模型,在递归神经网络基础上提出一种带偏差的神经网络模型,即在BP神经网络基础上加入反馈单元和偏差单元,使网络具有了存储以前信息的能力,这正好符合了短期负荷预测中前后两个时段变化具有很强的相关性这个规律,同时加入的偏差单元能更方便的调整网络对输出信息的修改,方便加入预测人员的经验知识,提高预测精度,同时还可以加快网络的收敛速度,有利于节省时间。另外本文采用了动态惯性权重、自适应学习因子和二次项改进的策略来改进粒子群算法,利用改进PSO算法对模型进行优化训练。通过对地区电网的实例仿真,结果证明了所构造的模型能获得较高的预测精度。 收起