变参数QPSO算法优化神经网络的短期电力负荷预测

《变参数QPSO算法优化神经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、第37卷第4期电子器件Vo1．37No．4ChineseJournalofElectronDevicesAug．20142014年8月Short-TermLoadForecastingBasedonNeuralNetworkOptimizedbyVaryingParametersQuantumParticleSwarmOptimizationAlgorithmWANGChao，LISen(1tenanPolytechnicInstitute，NanyangHe’nan473000，China)Abstract：Inordertoforecas

2、tshort—termloadaccuratelyandquickly，ashortloadforecastingmodelisproposed，basedonBPneuralnetworkoptimizedbyquantumparticleswarmoptimizationalgorithm．Firstly，thedataofshortloadarereconstructedbychaotictheory，andthentheparametersofBPNNwereconsideredthepositionvectorofquantumpa

3、rticle，theoptimalparametersofBPNNarefoundbyquantumparticleoptimizationalgorithmtoreduceblindnessandinefficiency．Lastly，theoptimalmodelfornetworktrafficisbuiltandtheperformanceofmodearetestedbyshortloaddata．ThesimulationresultsshowthatVPQPSOalgorithmhassolvedtheproblemsofthe

4、BPneuralnetwork，andtheproposedmodelimprovedthepowerloadforecastingaccuracy．Keywords：powerload；forecastingaccuracy；quantumparticleswarmoptimizationalgorithm；BPneuralnetwork；varyingparametersEEACC：8150doi：10．3969／j．issn．1005-9490．2014．04．043变参数QPSO算法优化神经网络的短期电力负荷预测王超，李森(河南工业职

5、业技术学院，河南南阳473000)摘要：为了提高电力负荷预测精度，提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(~PQPSO．RBFNN)。首先利用电力负荷的混沌性，对短期负荷时间序列进行相空间重构；然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习，建立短期电力负荷最优预测模型；最后采用对某地区短期电力负荷进行预测。VPQPSO—RBFNN可以准确描述复杂多变的电力负荷变化趋势，提高了电力负荷的预测精度，仿真结果验证了VPQPSO．RBFNN可以用于电力系统负荷预测。关键

6、词：电力负荷；RBF神经网络；变参数；量子粒子群算法；相空间重构中图分类号：TP391文献标识码：A文章编号：1005—9490(2014)04—0785-05短期负荷受到气象、节假日等因素影响，规律难(SA)等J，这些算法均存在不足，难以找到最优以确切把握，因此短期负荷预测一直是国内外研究的连接权值和阈值，导致BP神经网络的预测结果的热点。不稳定，有时难以令人满意_7J。2004年，SunJun等短期负荷是一种复杂非线性系统，线性方法难提出一种新型优化算法一量子粒子群QPSO以准确描述其变化趋势，当前主要基于人工神经网(QuantumPar

7、ticleSwarmOptimization)算法，具有操络、支持向量机等机器学习方法进行建模预测L2J。作参数少、易于编程、实现容易和适用性强等优点，其中，BP神经网络不需要先验知识，能对系统进行受到广泛关注。非线性、无限的逼近，成为使用最为广泛的短期负荷为了提高短期负荷的预测精度，提出一种变参预测算法J。但BP神经网络预测性能与初始连接数量子粒子群优化VPQPSO(VaryingParameters权值、阈值等参数密切相关。目前BP神经网络参QuantumParticleSwarmOptimization)算法优化BP数优化方法主要有：遗

8、传算法(GA)、粒子群优化神经网络的短期负荷预测模型(VPQPSO．BPNN)，(PSO)算法、蚁群优化算法(ACO)、模拟退火算法并通过仿真实验对模型性能进行测试