基于粒子群BP神经网络的短期电力负荷预测

论文摘要

电力负荷预测是电力部门的重要工作之一,提高电力负荷预测的精度有利于计划用电、合理安排电网运行方式和检修维护计划,有利于制定科学、合理的电网建设规划,有利于提高电力系统运行的经济效益与社会效益。在电力系统日益发展的客观形势下,传统的电力负荷预测方法已经难以满足对电力负荷预测精度越来越高的要求。本文首先对电力负荷预测进行了概述,介绍了其基本的原理和特征,并对影响电力负荷预测精度的因素进行了分析,流程化介绍了电力预测的步骤以及误差评价指标。其次介绍了粒子群优化算法,并针对粒子群优化算法收敛速度、精度以及易陷入局部极小值等问题进行改进;综合考虑天气、日期以及温度等因素,建立了BP神经网络电力短期负荷的预测模型。在此基础上,建立基于改进粒子群优化算法的BP神经网络电力负荷预测模型,通过对某地区的历史负荷数据进行仿真实验,结果表明该方法可以加快网络的学习速度、提高负荷预测的精度,对于电力系统的短期负荷具有良好的预测性能。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 本文的研究背景及意义
• 1.2 国内外研究现状
• 1.3 负荷预测原理介绍
• 1.3.1 电力系统负荷预测的基本原理
• 1.3.2 电力负荷预测的特性分析
• 1.3.3 影响电力负荷预测准确性的因素分析
• 1.3.4 电力负荷预测的操作步骤
• 1.4 电力负荷预测的误差评价指标
• 1.5 本文的主要结构
• 第二章 粒子群优化算法及其改进
• 2.1 粒子群算法的介绍
• 2.2 标准粒子群算法的简介
• 2.2.1 标准粒子群算法的原理
• 2.2.2 标准粒子群算法的流程
• 2.2.3 标准粒子群算法的参数设置
• 2.2.4 标准粒子群算法的惯性权重
• 2.3 改进的粒子群优化算法（MPSO）
• 2.3.1 种群聚集度指数
• 2.3.2 采用分布函数更新粒子
• 2.3.3 动态惯性因子
• 2.4 算法测试
• 2.5 小结
• 第三章 基于粒子群优化算法的BP 神经网络
• 3.1 人工神经网络
• 3.2 BP 神经网络算法
• 3.3 粒子群算法优化前向神经网络
• 3.3.1 神经网络结构数学模型
• 3.3.2 网络训练及结构优化
• 3.3.3 算法步骤
• 3.4 小结
• 第四章 基于PSO-BP 神经网络的短期电力负荷预测
• 4.1 粒子群优化神经网络短期负荷预测模型的建立
• 4.1.1 网络模型输出层的选择
• 4.1.2 网络模型输入层的选择
• 4.1.3 训练样本的数据预处理
• 4.1.4 BP 神经网络系统结构设计
• 4.2 基于BP 神经网络的短期电力负荷预测
• 4.3 基于改进PSO-BP 神经网络的短期负荷预测模型
• 4.4 小结
• 第五章 结论与展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢