基于PSO混沌神经网络电力系统负荷预测

【摘要】： 电力系统负荷预测是制定发电计划和电力系统发展规划的基础。它关系到电力系统的调度运行和生产计划,精确的负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义。它的特点主要有:预测的数据个数多、影响预测的因素复杂且具有随机性和预测精度要求高等。随着电力市场的建立和发展,负荷预测已成为电力系统管理的现代化的重要内容之一。 负荷预测的核心问题是如何选取合适的预测方法,即如何建立适用于所研究地区的负荷预测的数学模型。随着现代科学技术的不断发展,负荷预测的研究也在不断深化,各种各样的预测方法不断涌现,从经典的统计分析方法到现代的智能算法,使得负荷预测的精度得到了很大的提高。然而由于负荷预测问题的复杂性,因而都不可避免的表现出一定的局限性。 粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术,其思想来源于人工生命和演化计算理论。为了从根本上提高电力负荷预测中神经网络的预测精度,并考虑到电力负荷的混沌特性,本文给出了将粒子群优化算法和混沌神经网络相结合的负荷预测方法。用粒子群优化算法来训练网络参数,直到误差趋于某一稳定值,然后用优化得到的权值、阈值进行预测,在构建负荷预测混沌神经网络模型时,考虑了温度等因素的影响,并把它进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。并且分别作了基于基本粒子群优化算法和改进粒子群优化算法的模型进行预测,对两组预测结果做了比较,得出改进粒子群优化算法更适宜优化神经网络用来进行负荷预测。