基于改进萤火虫算法的小波神经网络短期负荷预测方法*

刘 丹，张腾飞

(南京邮电大学 自动化学院，江苏 南京 210023)



基于改进萤火虫算法的小波神经网络短期负荷预测方法*

刘 丹，张腾飞

(南京邮电大学 自动化学院，江苏 南京 210023)

传统的小波神经网络以梯度下降法训练网络，而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题，影响网络训练的精度。文章将萤火虫算法用于训练小波神经网络，在全局内搜寻网络的最优参数。为了提高萤火虫算法参数寻优的能力，在训练过程中自适应调节γ值。同时利用高斯变异来提高萤火虫个体的活性，在保证收敛速度的同时避免算法陷入局部极小。将优化后的小波神经网络用于短期负荷预测，实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。

小波神经网络；萤火虫算法；负荷预测；全局寻优

0 引言

短期负荷预测主要是预报未来24小时至几天内的系统负荷[1]。精确的负荷预测有助于合理安排机组的检修计划以及规划未来发电机组的安装，对社会生活和经济发展意义重大。从经典的单耗法、弹性系数法到当前的灰色预测法、神经网络法等，负荷预测技术在不断进步。其中，神经网络和小波分析法的优势较为突出，两者相结合得到的小波神经网络常用于负荷预测。但是小波神经网络训练常采用梯度下降法，造成网络易陷入局部极小，收敛速度慢[2-3]。

萤火虫算法(Firefly Algorithm，FA)是一种基于群体搜索的仿生智能优化算法，算法在寻优精度和收敛速度方面很有优势[4]。……