APP下载

变参数QPSO算法优化神经网络的短期电力负荷预测

2014-09-06王超,李森

电子器件 2014年4期

王 超,李 森

(河南工业职业技术学院,河南 南阳 473000)



变参数QPSO算法优化神经网络的短期电力负荷预测

王超*,李森

(河南工业职业技术学院,河南 南阳 473000)

摘要:为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。

关键词:电力负荷;RBF神经网络;变参数;量子粒子群算法;相空间重构

短期负荷受到气象、节假日等因素影响,规律难以确切把握,因此短期负荷预测一直是国内外研究的热点[1]。

短期负荷是一种复杂非线性系统,线性方法难以准确描述其变化趋势,当前主要基于人工神经网络、支持向量机等机器学习方法进行建模预测[2]。其中,BP神经网络不需要先验知识,能对系统进行非线性、无限的逼近,成为使用最为广泛的短期负荷预测算法[3]。但BP神经网络预测性能与初始连接权值、阈值等参数密切相关。目前BP神经网络参数优化方法主要有:遗传算法(GA)、粒子群优化(PSO)算法、蚁群优化算法(ACO)、模拟退火算法(SA)等[4-6],这些算法均存在不足,难以找到最优的连接权值和阈值,导致BP神经网络的预测结果不稳定,有时难以令人满意[7]。……

登录APP查看全文