安徽理工大学 周 莉 张 珂

应对短期电力负荷预测需求的提高，本文提出了一种BP神经网络的粒子群优化方法（PSO-BP算法）。通过对某地区短期负荷样本开展预处理，构建了基于PSO-BP的电力负荷预测模型。由实验结果可知，PSO-BP模型预测收敛速度快，精密度有一定的提高，运行时间缩短。

1 背景

社会不断发展，用电量在增加，需求也在提高。为有效降低“发输变配”等过程损耗，要制定准确的发电计划并合理调度。在我们制定计划和提出方案时，准确的负荷预测能为其提供合理的参考依据。

短期负荷预测一般是猜测未来24H或几天的电力需求。在供电调度和供电规划需求量的提升下，短期电力负荷预测为其提供了重要保障。它也在传统电力系统和无管制电力系统的运行中起着关键作用，是电力系统经济可靠运行的有效工具。

常用的电力负荷预测方法如表1所示。

表1 常用电力负荷预测方法

在当前新型电力能源市场环境下，为了适应更加灵活多变的时代节奏。本文提出建立一种PSO-BP模型，利用粒子群多输入输出能以最快速度靠近最优解得特性，再混合BP神经网络算法建立模型。通过绘制MATLAB仿真模型，经仿真证明，此算法减小了对网络收敛性和学习效率的影响。将数据集带入该模型后，能提高收敛速度，误差降到了0.0947。

2 归一化处理

有时，不同的数据范围、格式和类型会导致错误。由此，为了保证数据的质量，在呈周期性的时间间隔内，剔除无效数据、非标准数据和错误数据对于在短期电力负荷预测的情况下显得尤为重要。……