基于雙隱藏層神經(jīng)網(wǎng)絡(luò)和混沌時間序列的短期電力負(fù)荷預(yù)測.pdf

1、隨著電力系統(tǒng)的發(fā)展，高質(zhì)量的短期負(fù)荷預(yù)測越來越顯得重要，短期負(fù)荷預(yù)測(STLF)在電力系統(tǒng)運行中起著非常關(guān)鍵的作用，是電力系統(tǒng)安全經(jīng)濟(jì)運行的前提。本文以電力負(fù)荷預(yù)測為研究對象，針對如何提高電力負(fù)荷預(yù)測精度這一問題進(jìn)行深入研究。通過對電力負(fù)荷數(shù)據(jù)特點的分析，提出一種基于混沌時間序列的新的特征提取方法DFNS;將雙隱層神經(jīng)網(wǎng)絡(luò)與Softplus型神經(jīng)網(wǎng)絡(luò)結(jié)合，即D LSNN，應(yīng)用于短期電力負(fù)荷預(yù)測中，并提出改進(jìn)的差分進(jìn)化算法BMDE對短期電

2、力負(fù)荷進(jìn)行預(yù)測仿真實驗。
　　本文首先針對電力負(fù)荷數(shù)據(jù)具有的混沌性，采用混沌時間序列的處理方式來處理，并從理論和實驗兩個角度對比分析了目前成熟的處理混沌時間序列方法的優(yōu)劣，進(jìn)而確定使用復(fù)自相關(guān)法和G-P算法來求取相空間重構(gòu)參數(shù)。基于相空間重構(gòu)，依據(jù)輸入向量的非線性強(qiáng)度提出一種新的特征提取方法，即DFNS，以提高電力負(fù)荷預(yù)測的精度。
　　由于計算機(jī)實際運算過程中的缺陷，會使單隱藏層神經(jīng)網(wǎng)絡(luò)精度無法達(dá)到理論高度，因此本文采用雙隱

3、藏層神經(jīng)網(wǎng)絡(luò)來提高預(yù)測精度，并且使用Softplus函數(shù)作為激勵函數(shù)，以保證預(yù)測算法的可靠性。從仿真結(jié)果可以看出，DLSNN的擬合精度相較于單隱藏層Sigmoid型有較大提高。
　　針對神經(jīng)網(wǎng)絡(luò)尋優(yōu)過程中的梯度下降法可能會使算法陷入局部最小值問題，本文將DE與BP結(jié)合算法應(yīng)用于雙隱層神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測研究，保證算法能夠全局尋優(yōu)，并針對DE收斂速度慢的缺點，提出一種改進(jìn)的DE算法，即BMDE，該算法采用變界搜索和復(fù)制優(yōu)質(zhì)初代個