基于MFOA-GRNN模型的年电力负荷预测

摘要：

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导.受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上.广义回归神经网络(GRNN)已被证明在处理非线性问题上是非常有效的.该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点.提出了一种将多种群的果蝇优化算法(MFOA)和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题.其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数.最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510％,均方误差为0.281.并且将其结果与差分进化的支持向量机模型(DE-SVM)、粒子群优化的GRNN模型(PSO-GRNN)、以及果蝇优化的GRNN模型(FOA-GRNN)的预测结果进行了比较.最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型.

关键词：年电力负荷预测、广义回归神经网络、参数优化、多种群、果蝇优化算法、相对误差

所属期刊栏目：42

分类号：TM72(输配电工程、电力网及电力系统)

在线出版日期：2018-04-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：585-590