基于遗传BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测是电力调度部门制定发电计划的依据，是市场环境下编排调度计划、供电计划、交易计划的基础。随着电力工业市场化进程的加快，电力系统短期负荷预测精度的好坏直接影响到产业部门的经济效益，是现代电力系统运行研究中的重要课题之一，它是研究电力系统规划问题、电力系统经济运行及其调度自动化的重要依据。 本论文将前馈神经网络应用于电力系统短期负荷预测中，并引入遗传算法对网络的初始参数进行优化，主要研究工作如下： 1．电力系统负荷是一个随机非平稳过程，其负荷观测值由于受到各种因素的影响，可能会存在某些“坏数据”或“不良数据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。本文利用统计学的方法，求出某段时间内负荷序列中的均值与方差，再利用偏离率的计算公式计算出负荷序列中每一点的偏离率，并与阈值相比较，从而除去“不良数据”，为准确有效地进行负荷预测提供了保证。 2．通过对历史负荷数据规律性的分析，得出负荷是以周为大周期变化，以日为小周期变化，“大周期”中嵌套“小周期”规律变化的结论。在神经网络输入节 摘要 点的选择方面，除了引入相关历史负荷作训练样本外，还考虑了温度、气候敏 感因素和特征日对负荷变化的影响，提高了负荷预测的精度。 3.针对神经网络的收敛速度慢的缺陷，本文采用了带有变步长粉和变动量因子“ 的改进BP算法，针对BP神经网络由于初始权值选取不当容易陷入局部极小点， 本文将遗传宣法弓}入到网络初始权值漏定中，提出了遗传算法和BP神经网 络相结合遗传BP神经网络的短期负荷预测方法，与传统神经网络方法相比，该 方法可以加快网络学习速度和提高学习精度。我们用遗传算法来训练网络参数， 直到误差趋于一稳定值，然后用优化的权值进行BP算法，实现短期负荷预测， 仿真实验结果表明该方法加快网络学习速度，并能提高负荷预测精度。