基于粒子群優(yōu)化算法的短期電力負(fù)荷預(yù)測.pdf

1、電力負(fù)荷預(yù)測是電力系統(tǒng)安全調(diào)度、經(jīng)濟(jì)運(yùn)行的重要依據(jù),是社會正常生產(chǎn)、降低發(fā)電成本的有力保障。神經(jīng)網(wǎng)絡(luò)預(yù)測模型是一種比較常用的短期電力負(fù)荷預(yù)測模型。本文針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的不足之處進(jìn)行改進(jìn),建立新的預(yù)測模型,并應(yīng)用于短期電力負(fù)荷預(yù)測。本文的主要研究內(nèi)容如下:
　　 (1)針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型收斂慢、容易陷入局部最優(yōu)等不足,引入收斂速度快、全局搜索能力強(qiáng)的粒子群優(yōu)化算法代替BP算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,建立一種基于粒子

2、群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。分析溫度和負(fù)荷的關(guān)系,并在對夏季負(fù)荷進(jìn)行預(yù)測時,引入實時溫度因子。通過對某地區(qū)秋季和夏季負(fù)荷進(jìn)行實驗仿真,驗證了該模型的有效性和優(yōu)越性。
　　 (2)針對標(biāo)準(zhǔn)粒子群算法不能夠絕對保證搜索到全局最優(yōu)解,容易陷入局部極小解的問題,在粒子群優(yōu)化算法搜索過程中引入模擬退火算法中概率突跳的思想,提出一種混合算法。該算法繼承了PSO算法的優(yōu)點且在搜索過程中也擁有概率突跳的能力,能夠有效的跳出局部最優(yōu)解。將該算法