基于ＰＣＡＢＰＮＮ方法的中长期电力负荷预测

2012年03月07日16:13:17 本网站我要评论(2)字号：T | T | T

关键字：电力

张　石，张瑞友，汪定伟
东北大学信息科学与工程学院，辽宁沈阳

摘　　　要：针对基于反向传播神经网络（ＢａｃｋＰｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰＮＮ）的中长期电力负荷预测算法中，预测模型的精度和泛化能力易受输入样本变量影响这一问题，利用主元分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）方法能消除变量间相关性的特点，对ＢＰＮＮ的输入空间进行重构，消除重叠信息，提取主导因素，优化了网络结构，提高了预测精度。通过实例验证了该方法的有效性。此方法可以使用电计划部门实时、准确的预测电力负荷，以此较优的配比发电机组，也可减少由于预测不准确带来的电力系统各种故障的发生。

关　键　词：主元分析；ＢＰ神经网络；负荷预测；电力系统

１　引　言
电力系统中长期负荷预测是电力系统的规划、计划、营销、市场交易、调度等部门工作的重要依据［１］。科学的预测是正确的保证，能正确并合理地对电力需求做出预先的估计和推测，对电力系统的稳定运行意义重大。中长期负荷预测易受经济、政策、产业结构等诸多因素影响，是个典型的非线性系统［２４］。人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）算法在解决系统的非线性方面有较好的效果和实际的成果，国内外学者它用ＡＮＮ在电力负荷预测作了一些工作［５９］。本文运用反向传播神经网络（ＢａｃｋＰｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，ＢＰＮＮ）利用某城市全社会的用电数据和经济数据对次年的用电负荷进行预测，但由于网络输入维数高且自身存在严重的相关性，使网络的泛化性能变差，导致预测精度下降。考虑到主元分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）方法能消除变量间相关性的特点［１０１１］，对观测数据进行主元分析，这样不但降低了变量维数，也保留了原始数据信息，对于ＢＰＮＮ而言，将导出的主元作为输入神经元输入ＢＰ网络，缩小了网络结构，提高了网络的泛化能力，并通过实例验证了方法的有效性。

登录网站后可下载文件

基于ＰＣＡＢＰＮＮ方法的中长期电力负荷预测

相关阅读: