基于改进型bp神经网络的电网负荷预测

《基于改进型bp神经网络的电网负荷预测》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、基于改进型BP神经网络的电网负荷预测　　摘要：考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求，使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题，该文使用模拟退火算法对BP神经网络权值训练算法进行优化，提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析，结果表明，所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络，具有更高的收敛精度，同时改进型BP神经网络预测模型的预测误差明显降

2、低，具有较好的工程应用价值。　　关键词：电网负荷预测；BP神经网络；模拟退火优化算法；预测误差　　中图分类号：TN926?34；TM715文献标识码：A文章编号：1004?373X（2016）20?0064?03　　Abstract：Sincetheforecastingaccuracyofthetraditionallinearloadforecastingmethodcannotmeettherequirementsofthemodernpowergridmanagementsystem，thenonlinearBPneu

3、ralnetworkalgorithmsuitableforthepowergridloadpredictiontaskisusedinthispapertobuildforecastingmodel.BecausetheconventionalBPneuralnetworkiseasytofallintothelocaloptimal6solutionandhaslowconvergenceefficiency，simulatedannealingalgorithmisusedinthispapertooptimizethe

4、BPneuralnetworkweighttrainingalgorithmtoimprovetheconvergenceefficiencyandself?learningabilityofthepredictionmodel.Thepredictionmodelstudiedinthispaperisanalyzedwithanexample.TheresultsshowthatthetrainingtimesandtrainingtimeoftheimprovedBPneuralnetworkarelessthantho

5、seoftheconventionalneuralnetwork，andithashigherconvergenceaccuracy，inaddition，thepredictionerroroftheimprovedBPneuralnetworkpredictionmodelisobviouslyreduced.　　Keywords：powergridloadforecasting；BPneuralnetwork；simulatedannealingoptimizationalgorithm；predictionerror　

6、　0引言　　对电网负荷进行预测对于确保电力系统正常稳定运行具有重要意义，对电网的短期负荷进行精确预测能够降低电力电网系统的运行和维护成本，负荷预测系统已经成为电力电网管理系统中的重要组成部分之一，同时也是电力科研工作者的主要研究重点内容之一[1?5]。　　传统的电网负荷预测方法主要是基于线性的时间序列分析法、回归分析模型等，然而实际的电力负荷模型是非线性的，电网的负荷会受到温度、湿度等各种影响因素干扰，使得传统线性预测模型的预测精度无法满足现代电力电网管理系统的精度要求[6?7]。6　　BP神经网络预测模型是一种非线性的预测模

7、型，其具有自学习能力、预测精度较高以及强大的非线性函数关系拟合能力等优点，特别适用于电力电网负荷的预测任务，但是常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题[8?9]。因此本文使用模拟退火算法对BP神经网络权值训练算法进行优化，提高预测模型的收敛效率和自学习能力。　　1改进型BP神经网络预测模型　　常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题，因此本文使用模拟退火算法对BP神经网络的权值参数的训练进行优化。模拟退火算法模拟金属材料退火过程，在固定时段内以一定的概率算法求解较大搜索空间内的全局最优

8、解[10]。　　使用模拟退火算法对BP神经网络优化过程为[12]：　　步骤1：对参数进行初始化，初始生成一个较大的温度[T0]，随机生产BP神经网络的初始权值，并由初始权值组成初始的状态解[ωij0]。　　步骤2：根据随机扰动模型由第k步的解[ωijk]得到第k+1步的解[ω