沈 娟, 刘大明

(上海电力学院 a.自动化工程学院; b.计算机科学与技术学院, 上海 200090)

基于PSO改进的T-S模糊神经网络短期电力负荷预测研究

沈 娟a, 刘大明b

(上海电力学院 a.自动化工程学院; b.计算机科学与技术学院, 上海 200090)

精确的电力负荷预测有利于保障电网运行的安全性、稳定性、高效性及经济性.为提高预测精度,采用了一种PSO改进T-S(Takagi-Sugeno)模糊神经网络方法.分析了数据预处理对改善输入量的重要性,讨论了可以让学习率和平滑因子动态调节的改进T-S模糊神经网络算法,从而使PSO找到最优参数,然后结合历史负荷数据、相关影响因素进行预测,以表明改进的T-S模糊神经网络在短期电力负荷中具有更高的控制精度.

预测精度; PSO优化T-S算法; 模糊模型; 异常数据

近年来,随着我国电力市场的建立、发展和完善,负荷预测[1]逐渐成为电力系统经济运行、调度统筹的重要模块,同时也是电力领域内经久不衰的研究课题.许多学者对电力负荷预测进行了大量的研究[2].,如回归分析[3-4]、指数平滑[5]、时间序列[6-7]、大数据[8]等方法都相继被用到短期负荷预测模型中.然而,由于负荷预测具有模糊性和非线性的特点,导致上述方法的预测精度不高,而且遗传灰色神经网络、模糊多目标遗传优化算法等只考虑单一的影响因素,所以效果不明显.支持向量机算法(Support Vector Machine,SVM)可以用于二次规划问题的线性不等式,但训练的样本数目增多时,二次规划就会出现局限性,不能满足高精度预测.极限机……