基于提升小波和改进PSO-Elman神经网络的短期负荷预测

摘要：

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型.针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,在蚁群算法改进粒子群算法中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO(Chaos Generalized Particle Swarm Optimization)算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型.文中采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN(Elman Neural Network)方法提高了2.362 6％.

关键词：负荷预测、提升小波、Elman神经网络、改进粒子群算法、蚁群算法、混沌理论

所属期刊栏目：57

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划项目2017YFB092800

在线出版日期：2020-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：119-125