資源描述：
《短期負(fù)荷預(yù)測神經(jīng)網(wǎng)絡(luò)方法比較》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、維普資訊http://www.cqvip.com第35卷第6期繼電器Vb1．35No．62007年3月16日RELAYMar．16，2007短期負(fù)荷預(yù)測神經(jīng)網(wǎng)絡(luò)方法比較李曉波，羅枚，馮凱(1．漯河職業(yè)技術(shù)學(xué)院，河南漯河462000；2．陜西紡織服裝職業(yè)技術(shù)學(xué)院，陜西成陽712000)摘要：以某地區(qū)購網(wǎng)有功功率的負(fù)荷數(shù)據(jù)為背景，建立了三個(gè)BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測模型一一sDBP、LMBP及BRBP模型進(jìn)行短期負(fù)荷預(yù)測工作，并對其結(jié)果進(jìn)行比較。針對傳統(tǒng)的BP算法具有訓(xùn)練速度慢，易陷入局部最小點(diǎn)的缺點(diǎn)，采用具有較快收斂速度及穩(wěn)定性的L—M優(yōu)化算法進(jìn)行預(yù)測，使
2、平均相對誤差有了很大改善，具有良好的應(yīng)用前景。而采用貝葉斯正則化算法可以解決網(wǎng)絡(luò)過度擬合，提高網(wǎng)絡(luò)的推廣能力，使平均相對誤差和每日峰值相對誤差降低，但收斂速度迪陵(慢干SDBP模型)，不適于在實(shí)際應(yīng)用中采用。關(guān)鍵詞：短期負(fù)荷預(yù)測；人工神經(jīng)網(wǎng)絡(luò)；L-M算法；貝葉斯正則化算法；優(yōu)化算法Comparisonofneuralnetworkmethodsforshort-termIoadforecastingLIXiao．bo，LUOMei2FENGKai’,(1．LuoheVocationalandTechnicalCollege，Luohe462000，
3、China；2．ShanxiTextileandGarmentInstitute，Xianyang712000，China)Abstract：Basedontheloaddataofmeritoriouspowerofthepowersystemofsomearea，threeBPANNmodels，namedSDBPmodel，LMBPmodelandBRBPModel，areestablishedtocarryouttheshort—termloadforecastingwork，andtheresultsarecompared．Asforth
4、etraditionalBPalgorithmhassomeunavoidabledisadvantagessuchastheslowtrainingspeedandthefeasibilityofbeingplungedintolocalminimums，anoptimizedL—Malgorithm，whichhasaquickertrainingspeedandbeRerstability,shouldbeappliedtoforecast,whichcanefectivelyreducethemeanrel~iveerror．Soithas
5、agoodapplicationprospect．Incontrast，BayesianRegularizationcanovercometheexcessivefitting，improvethegeneralizationofanANNandreducethemeanrelativeerrorandtherelativeerorofeverydaypeal(values，itisnotsuitableforactualapplicationbecauseofitsslowtrainingspeed(slowerthanSDBPmode1)．Ke
6、ywords：short-termloadforecasting(STLF)；ANN；Levenberg·Marquardtalgorithm；Bayesianregularization；optimizedalgorithms中圖分類號：TPI83文獻(xiàn)標(biāo)識碼：A文章編號：1003．4897(2007)06—0049—05Peng、Sharkawi等人先后利用神經(jīng)網(wǎng)絡(luò)進(jìn)行電0引言力系統(tǒng)短期負(fù)荷預(yù)測，把預(yù)測誤差從傳統(tǒng)方法的電力系統(tǒng)負(fù)荷預(yù)測是實(shí)現(xiàn)電力系統(tǒng)安全、經(jīng)濟(jì)4．22％降低到2．06％，引起負(fù)荷預(yù)測工作者的高度重運(yùn)行的基礎(chǔ)，尤其是在電力市場條件下，
7、負(fù)荷預(yù)測視，再次掀起負(fù)荷預(yù)測的熱潮。它杰出的學(xué)習(xí)能力、不僅對電力系統(tǒng)操作人員、電力市場規(guī)劃者、供電處理輸入輸出變量問的非線性關(guān)系的能力，使它取者有著重要的作用，而且對其他的電力市場參與者得了比傳統(tǒng)負(fù)荷預(yù)測更好的效果，精度提高了許也顯得很重要。當(dāng)負(fù)荷預(yù)測的差額造成大量運(yùn)行成多。本和利潤的損失時(shí)，高精度和快速的負(fù)荷預(yù)測就成但是，用ANN進(jìn)行短期負(fù)荷預(yù)測也有它本身的為電力系統(tǒng)可靠運(yùn)行和電力市場供求平衡的保證，致命缺點(diǎn)：①收斂速度慢、容易陷入局部極小點(diǎn)；因此對先進(jìn)的智能預(yù)測方法進(jìn)行研究是很有必要②需要大量的訓(xùn)練數(shù)據(jù)。另外，它還存在學(xué)習(xí)過程的。中訓(xùn)練精度不確
8、定性的問題。為了克服ANN的這些人工神經(jīng)元網(wǎng)絡(luò)一經(jīng)引入電力系統(tǒng)，負(fù)荷預(yù)測缺點(diǎn)，提高各類日期的負(fù)荷預(yù)測精度，近年來出現(xiàn)就成為
