基于VMD与PSO优化深度信念网络的短期负荷预测

摘要：

为提高短期负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型.电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合.传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度.而深度信念网络(deep belief network,DBN)采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点.因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度.由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能.最后,算例测试表明该文模型的有效性.

关键词：短期负荷预测、变分模态分解、输入变量选择、互信息、粒子群算法、优化深度信念网络

所属期刊栏目：42

分类号：TM721(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9页

页码：598-606