基于改进PSO优化RNN的短期电力负荷预测模型

摘要：

随着热电厂电力负荷的数据量越来越大,传统的热电厂电力负荷预测方法难以应付巨大的数据量和数据的随机性.为了合理的进行电力系统的规划和优化运行,提出了基于改进粒子群算法优化循环神经网络的短期电力负荷预测研究.基于深度学习中循环神经网络善于处理时间序列型数据的特点,对未来短期的电力负荷数据进行预测.然后针对循环神经网络在电力负荷预测中易陷入局部极小和全局搜索能力较弱的缺点,提出采用在粒子群算法搜索过程中引入模拟退火算法概率突变的思想,最后利用改进后的粒子群算法优化循环神经网络的结点权值参数,并利用MATLAB进行仿真.结果证明该模型相较于循环神经网络和未改进粒子群算法优化的循环神经网络预测方法具有更高的预测准确度,可以精确预测负荷的变化,克服了数据量大且随机的难点,有较高的工业应用价值.

关键词：循环神经网络、深度学习、短期负荷预测、粒子群算法、模拟退火算法

所属期刊栏目：42

分类号：TP181(自动化基础理论)

在线出版日期：2020-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：94-98