基于ga-pso算法优化bp网络的短期电力负荷预测

《基于ga-pso算法优化bp网络的短期电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10663学号：4201110600339贵州师范大学硕士学位论文基于GA-PSO算法优化BP网络的短期电力负荷预测Short-TermPowerLoadForecastingBasedonBPNeuralNetworkOptimizedbyGA-PSOAlgorithm专业名称：计算机应用技术专业代码：081203研究方向：计算机应用与开发申请人姓名：高玉明导师姓名：张仁津教授二〇一四年五月二十六日万方数据贵州师范大学硕士学位论文学位论文原创性声明和关于学位论文使用授权的声明原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究所取得的成果

2、。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究做出重要贡献的个人或集体，均已在文中以明确方式标明。本人完全意识到本声明的法律责任由本人承担。论文作者签名：年月日关于学位论文使用授权的声明本人完全了解贵州师范大学有关保留、使用学位论文的规定，同意学校保留或向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权贵州师范大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文和汇编学位论文。（保密论文在解密后应遵守此规定）论文作者签名：导师签名：年月日55万方数

3、据贵州师范大学硕士学位论文摘要随着电力市场的不断发展，电力负荷预测工作成为电力系统管理部门的一项重要工作。准确地进行电力负荷预测可以更好地制定电网规划方案以及发电机组的检修计划，可以更加合理地安排电网的运行方式。对于提高电力企业的经济效益和社会效益、保持电力系统的安全稳定运行、保障人们日常生活的有序进行具有重要的意义。本文首先介绍了电力负荷预测的研究背景、国内外研究现状以及研究意义，并且叙述了电力负荷预测的基本理论；其次，对现代预测关键技术进行了详细的介绍，介绍了人工神经网络的基本理论，研究了BP神经网络的结构、BP神经网络的学习算法步骤及其优缺点，分析了遗传算法和粒子群优

4、化算法的特点以及基本原理；再次，对BP神经网络预测模型进行了设计，主要是输入层和输出层的设计、隐含层的设计以及转移函数的确定；最后，分别采用遗传算法(GA)、粒子群优化算法(PSO)以及本文所提出的GA-PSO算法对BP神经网络的权值和阈值进行优化，分别建立了GA-BP神经网络预测模型、PSO-BP神经网络预测模型以及GA-PSO-BP神经网络预测模型。选取欧洲某地区的历史负荷数据、历史气温和日期类型等数据进行仿真实验，对该地区某一天24小时各整点时刻的负荷进行预测。并分析预测结果，比较各预测模型的性能。仿真实验结果表明GA-PSO-BP神经网络预测模型不仅加快了神经网络的

5、收敛速度，而且提高了短期电力负荷的预测精度。I万方数据贵州师范大学硕士学位论文关键词：BP神经网络，短期电力负荷，预测，遗传算法，粒子群优化算法，GA-PSO算法II万方数据贵州师范大学硕士学位论文ABSTRACTWithconstantlydevelopingofpowermarket,forecastingelectricalloadbecomesanimportantworkforthepowersystemmanagementdepartment.Accuratelymakingapredictionforpowerloadcanbettermakepowernet

6、workplanningandpowerunitsofmaintenanceplan,andmorereasonablyarrangeoperationmodeofpowernetwork.Itisofgreatsignificancetoimproveeconomicbenefitandsocialbenefitofpowerenterprises,keeppowersystemsafeandstable,andensurepeople'sdailylifeinorder.Firstly,thethesisintroducestheresearchbackground,r

7、esearchstatusathomeandabroad,andresearchsignificanceofpowerloadprediction.Thisthesisdescribesthebasictheoryofpowerloadprediction.Secondly,thekeytechnologiesofmodernpredictionwereintroducedindetail.Thethesisintroducesthebasictheoryofartificialneuralnetwork.This