基于粒子群算法与循环神经网络的短期电力负荷预测

李辉+王军

摘要：针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷，提出了基于粒子群算法和循环神经网络的预测方法；针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷，提出了合理粒距的概念，生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优，以测量值与预测值的误差作为评价依据，从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测，并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明，这种预测方法具有良好的收敛特性和较高的预测准确度。

关键词关键词：粒子群算法；循环神经网络；电力负荷预测

DOIDOI：10.11907/rjdk.171805

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2017）011012504

0引言

电力系统高效运行的基本要求是发电随时跟随电力体系负荷而改变，从而达到动态平衡，而短期负荷的准确预测能够帮助电力企业快速制定供电计划。因此，对电力系统负荷进行有效预测成为关键课题[1]。

目前，较多使用的预测方法有时间序列法[2]、遗传算法[3]、人工神经网络方法[4]、支持向量机[5]等。时序法仅仅把时间当作影响负荷的因素而忽略了气温、人类活动等重要因素，预测效果自然不理想[2]。遗传算法是为克服BP算法的收敛性能不足和易陷入局部最小的缺陷而提出的，采用随机迭代和进化方法搜索目标[3]。……