短期负荷预测(STLF)是电力系统运行调度中的一项重要内容,是能量管理系统的一个重要模块。电力市场的引入,对负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求。神经网络模型是一种比较常用的短期电力负荷预测模型,本文针对RBF神经网络的不足之处进行改进,建立新的预测模型,并应用于短期电力负荷预测。本文的主要研究内容如下：
(1)粒子群(PSO)算法是一种基于群智能方法的演化计算技术,该算法操作简单,使用方便,收敛速度快。本文将PSO算法与RBF神经网络相结合,形成粒子群-径向基神经网络(PSO-RBF),建立计及各种影响因素的短期负荷预测模型。运用所建立的PSO-RBF模型和RBF模型进行短期负荷预测,并比较所得结果可知,PSO-RBF模型要优于传统的RBF方法。
(2)将人工鱼群算法(AFSA)与RBF神经网络相结合,形成人工鱼群-径向基神经网络(AFSA-RBF),运用此模型进行短期负荷预测,并与RBF模型的结果进行比较,AFSA-RBF模型要优于传统的RBF模型。
(3)针对PSO算法易陷入局部极值和收敛精度不高的缺点,将AFSA算法引入到PSO算法中,AFSA算法优点在于具有全局寻优的特点,能跳出局部极佳,结合两者的优点,组成混合优化算法,以四个标准函数进行测试,测试结果表明,混合算法在一定程度上避免陷入局部极小,加快收敛速度且提高了搜索精度。本文将AFSA算法与PSO算法组成的混合算法与RBF神经网络相结合,形成混合算法-径向基神经网络,并将其用于澳大利亚新南威尔士州短期负荷预测仿真研究中,仿真结果表明此方法比起PSO-RBF神经网络,更能够提高预测精度,能克服RBF神经网络和PSO算法的缺点。
