基于神经网络和混沌特征选择的短期负荷预测方法

袁保平, 徐毅, 夏轶炜, 朱学珍, 吴文涛, 周飞

(国网安徽省电力公司休宁县供电公司， 安徽 黄山 245400)

0 引言

短期负荷预测(Short-Term Load Forecasting，STLF)在传统电力系统的运行中发挥着关键作用，STLF是电力系统经济可靠运行的有效工具，许多运行决策都取决于负荷预测[1]，因此，负荷预测在竞争激烈的电力市场中发挥着至关重要的作用[2]。提高STLF的准确性可以提高电力系统计划和调度的合理性，并降低电力系统的运营成本。

负荷预测算法包括传统方法和现代智能方法[3]，基于数理统计的传统方法，包括回归分析方法、卡尔曼滤波方法、综合自回归移动平均法(Autoregressive Integrated Moving Average Model，ARIMA)[4]、Box-Jenkins模型、状态空间模型和指数法。这些方法具有技术成熟和算法简单的优点，但是它们都是基于线性分析的，无法准确预测非线性载荷序列。对于时间序列的非线性问题，现代智能预测方法能表现出更好的性能。而且，它们不需要任何复杂的数学公式和输入与输出之间的定量关联。在定义不明确的流程时(例如加载时间序列)[5]，智能算法在STLF中具有广泛应用。智能算法包括基于人工神经网络(Artificial Neural Network，ANN)的方法。人工神经网络能较好地学习训练数据，但是在测试阶段可能会存在很大的预测误差。电力负荷预测领域仍然需要更准确的负荷预测方法，尤其是需要有效的特征选择和输入/输出映射算法。虽然基于知识的专家系统方法，能从获取的相关信息中提取程序，但是，该模型的训练过程非常耗时[6-7]。

文中提出了一种基于混沌特征选择算法和混合神经进化算法的预测方法。……