基于VPSO-Elman神經(jīng)網(wǎng)絡的配電網(wǎng)短期負荷預測研究.pdf

1、配電網(wǎng)短期負荷預測的精確性直接影響到電力系統(tǒng)配網(wǎng)的規(guī)劃、調(diào)度運行、生產(chǎn)計劃和優(yōu)質(zhì)供電。在用電管理逐步市場化的今天，短期負荷預測也成為一個供電企業(yè)能否走向現(xiàn)代化的重要標志之一。所以，尋求一種能實現(xiàn)最優(yōu)精度的負荷預測方法具有重要的研究意義和實用價值。
　　 本文針對負荷數(shù)據(jù)可能由于SCADA設備故障或者其他因素影響帶來的異常值情況，采用數(shù)理統(tǒng)計學的方法進行異常辨識，并且采用三點平滑修正法對異常數(shù)據(jù)進行修正。通過實例驗證，該方法具有編

2、程簡單、快速和工作量小的優(yōu)點，通過該算法處理后的數(shù)據(jù)參與樣本訓練，大大提高了負荷的預測精度。
　　 人工神經(jīng)網(wǎng)絡作為一種智能方法，近些年來，已經(jīng)被廣泛應用于電力系統(tǒng)短期負荷預測，并且取得了良好的效果。但是，在大量的應用中，主要采用的是BP神經(jīng)網(wǎng)絡，這是一種靜態(tài)的神經(jīng)網(wǎng)絡，用于預測動態(tài)的負荷過程，容易陷入局部最小點，預測精度很難有實質(zhì)性的提高。本文提出采用具有動態(tài)遞歸性的ELman神經(jīng)網(wǎng)絡模型，模型算法采用BP算法，并對BP算法加

3、以改進，提出了自適應學習速率和附帶動量法的BP算法。應用改進后的BP算法可以既反映短期負荷的非線性特性又能反映負荷的動態(tài)過程，且可以在一定程度上提高ELman算法的收斂速度和避免在訓練過程中陷入局部最小點。通過對山東電網(wǎng)某市配網(wǎng)的負荷數(shù)據(jù)研究分析，并應用這些數(shù)據(jù)對網(wǎng)絡訓練，進行預測一日12點負荷值，通過比較，證明了ELman模型優(yōu)于BP模型。
　　 針對ELman神經(jīng)網(wǎng)絡仍然采用BP算法這一事實，在大規(guī)模的負荷預測過程中，將仍不

4、可避免BP算法一些固有的缺陷，本文采用速度變異的粒子群優(yōu)化算法(VPSO)對ELman神經(jīng)網(wǎng)絡進行優(yōu)化訓練。該算法是在原有粒子群優(yōu)化算法的基礎上，當粒子的速度低于某一閥值時，對粒子施加適當?shù)臎_量，使粒子速度重新初始化，位置重新定位，這樣就能避免粒子群優(yōu)化算法陷入局部最優(yōu)的缺陷，實現(xiàn)全局最優(yōu)。應用VPSO算法對ELman神經(jīng)網(wǎng)絡的優(yōu)化，就是把神經(jīng)網(wǎng)絡各個連接層之間的權值和閥值作為變異粒子群的粒子，對這些閥值和權值初始分布進行優(yōu)化，當尋優(yōu)到