基于改进模糊神经网络的电力系统短期负荷预测.pdfVIP

20 / 33 长春工程学院学报 (自然科学版 ) 2009年 第 10卷 第 1期 ISSN 6871 J. Changchun In st. Tech. (N at. Sci. Edi. ) , 2009 , Vol. 10 ,No. 1 CN 221323 /N 基于改进模糊神经网络的电力系统短期负荷预测 杨华芬 (曲靖师范学院 计算机科学系 , 曲靖 655000) 摘 　要 :提出了基于改进聚类算法的模糊神经网络 前向神经网络无法对上述各种情况下的电力负荷均 的短期负荷预测方法 。首先 ,利用改进聚类算法确 进行较好精度的预测 。而基于差异评价函数的一般 定模糊神经网络的结构 ,然后利用混合学习算法训 相似 日聚类方法 ,其阈值选择是个难点 ,因为系统负 练该网络的前件和结论参数 ,最后向训练好的模糊 荷结构会随时间的推移发生缓慢的变化 ,但阈值却 神经网络输入相关的影响因素数据进行预测 。预测 不能随之动态变化 。 结果显示 ,改进的模糊神经网络可以获得较高的预 本文针对上述方法存在的问题 ,提出一种改进 测精度 ,所以有更好的使用价值 。 的模糊神经网络预测模型 。该模型的原理是 :首先 , 关键词 : T - S模糊神经网络 ;可能性聚类算法 ;改进 采用减法聚类确定历史数据应该划分的类数 ;然后 , 聚类算法 ;短期负荷预测 结合可能性聚类算法提出一种改进的可能性聚类算 中图分类号 : TM 74 文献标识码 : A 法 ,用改进的聚类算法的结果来确定模糊神经网络 文 章 编 号 :(2009) 0 1006804 的结构 ;最后用该模糊神经网络来预测负荷 ,仿真实 验证明效果良好 。 电力系统负荷预测是电力系统运行管理和实时 1　可能性模糊 C - 均值聚类算法 控制的基本内容 ,为系统潮流分布计算和稳定性分 析提供依据 ,对于电力系统安全可靠运行具有重要 FCM 算法要求每个样本对各个类的隶属度有 作用 。短期负荷预测常见方法以时间序列 、回归分 归一化的约束条件 ,不能真正表征样本属于该类的 析法为主 ,这类方法计算量小 ,速度较快 ,但由于模 程度 ,并且该条件对每个样本的影响力是相同的。 型过于简单而无法模拟复杂多变的电力负荷 。随着 当样本中存在噪音时 , 噪音点聚类的误差较大 。为 人工智能的迅猛发展 ,灰色理论法 、神经网络法 [ 1 ] 、 克服该缺点 ,有很多学者进行了相应研究 ,并提出了 相似 日聚类 [ 2 ] ,模糊聚类 [ 3 ] 在短期负荷预测领域得 不少新算法 ,例如 Krishnapu ram 和 Keller[ 4 ] 基于可 到广泛应用 。它们有各 自的缺点 ,灰色预测模型从 能性理论所提 出的可能 C 均值 ( Po ssib ilistic C _ 理论上讲可以适用于任何非线性变化的负荷指标预 m ean s, PCM )算法 , 以及 L ee 于 1994 年在改变 FCM ( 测 ,但其微分方程指数解比较适合于具有指数增长 算法约束条件的基础上所提出的算法 以下称该算 ) 趋势的负荷指标 ,对于具有其它趋势的指标 ,则拟合 法为