10.3969/j.issn.1001-1390.2018.22.003
一种改进果蝇算法优化神经网络短期负荷预测模型
针对基本BP神经网络用于电力负荷短期预测时存在预测精度较低等问题,提出一种改进的直连BP神经网络初始连接权值果蝇优化算法(IFOA),用于优化负荷预测模型.首先,采用在BP神经网络中加入从输入到输出连接的网络(BPNN-DIOC,直连BP神经网络)构建负荷预测模型,以减少隐含层所需的神经元个数,降低网络在训练过程中调整的参数个数,提高负荷预测精度.此外,由于BP算法随机初始化网络参数使得算法收敛速度慢、容易陷入局部极值,提出一种改进的果蝇优化算法(IFOA)用于优化神经网络的初始连接权值和阈值,以实现全局优化.然后,综合IFOA和BPNN-DIOC,构建了基于IFOA优化的BPNN-DIOC负荷预测模型.最后,文中以AEMO中新南威尔士州2015年9月份的数据为例进行了仿真验证,IFOA-BPNN-DIOC模型的预测平均绝对误差百分比为0.635 7%,均方根误差为0.011 8,并将该结果与文中其它模型的负荷预测结果进行比较.结果表明,文中负荷预测模型是一种更加有效的短期负荷预测方法.
BP神经网络、改进果蝇优化算法、输入到输出连接、负荷预测模型、预测精度
55
TM93
全国工程专业学位研究生教育指导委员会立项项目2016-ZX-095
2018-12-27(万方平台首次上网日期,不代表论文的发表时间)
共7页
13-18,24