基于PSO改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)研究

沈 娟, 劉大明

(上海電力學(xué)院 a.自動(dòng)化工程學(xué)院; b.計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 上海 200090)

基于PSO改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)研究

沈 娟a, 劉大明b

(上海電力學(xué)院 a.自動(dòng)化工程學(xué)院; b.計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 上海 200090)

精確的電力負(fù)荷預(yù)測(cè)有利于保障電網(wǎng)運(yùn)行的安全性、穩(wěn)定性、高效性及經(jīng)濟(jì)性.為提高預(yù)測(cè)精度,采用了一種PSO改進(jìn)T-S(Takagi-Sugeno)模糊神經(jīng)網(wǎng)絡(luò)方法.分析了數(shù)據(jù)預(yù)處理對(duì)改善輸入量的重要性,討論了可以讓學(xué)習(xí)率和平滑因子動(dòng)態(tài)調(diào)節(jié)的改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)算法,從而使PSO找到最優(yōu)參數(shù),然后結(jié)合歷史負(fù)荷數(shù)據(jù)、相關(guān)影響因素進(jìn)行預(yù)測(cè),以表明改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷中具有更高的控制精度.

預(yù)測(cè)精度; PSO優(yōu)化T-S算法; 模糊模型; 異常數(shù)據(jù)

近年來,隨著我國(guó)電力市場(chǎng)的建立、發(fā)展和完善,負(fù)荷預(yù)測(cè)[1]逐漸成為電力系統(tǒng)經(jīng)濟(jì)運(yùn)行、調(diào)度統(tǒng)籌的重要模塊,同時(shí)也是電力領(lǐng)域內(nèi)經(jīng)久不衰的研究課題.許多學(xué)者對(duì)電力負(fù)荷預(yù)測(cè)進(jìn)行了大量的研究[2].,如回歸分析[3-4]、指數(shù)平滑[5]、時(shí)間序列[6-7]、大數(shù)據(jù)[8]等方法都相繼被用到短期負(fù)荷預(yù)測(cè)模型中.然而,由于負(fù)荷預(yù)測(cè)具有模糊性和非線性的特點(diǎn),導(dǎo)致上述方法的預(yù)測(cè)精度不高,而且遺傳灰色神經(jīng)網(wǎng)絡(luò)、模糊多目標(biāo)遺傳優(yōu)化算法等只考慮單一的影響因素,所以效果不明顯.支持向量機(jī)算法(Support Vector Machine,SVM)可以用于二次規(guī)劃問題的線性不等式,但訓(xùn)練的樣本數(shù)目增多時(shí),二次規(guī)劃就會(huì)出現(xiàn)局限性,不能滿足高精度預(yù)測(cè).極限機(jī)器學(xué)習(xí)分布(MR-OSELM-WA)[9]和新云計(jì)算預(yù)測(cè)方法的研究被證明有更準(zhǔn)確的預(yù)測(cè)精度.但該方法有一個(gè)缺點(diǎn),即在云計(jì)算算法中過分依賴大數(shù)據(jù).

目前,研究人員專注于解決由參數(shù)優(yōu)化和網(wǎng)絡(luò)權(quán)重隨機(jī)初始化所導(dǎo)致的網(wǎng)絡(luò)收斂效果不理想的問題.本文主要介紹了由粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)算法[10-11],該算法在提高短期電力負(fù)荷預(yù)測(cè)精度和誤差收斂速度方面具有一定的優(yōu)勢(shì).

1 負(fù)荷預(yù)測(cè)分類

電力系統(tǒng)負(fù)荷預(yù)測(cè)分類[12],按用電部門的屬性,可分為民用負(fù)荷、工業(yè)負(fù)荷、商業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷以及其他負(fù)荷;按預(yù)測(cè)表示的特性,可分為最高負(fù)荷、負(fù)荷曲線、負(fù)荷率等;按預(yù)測(cè)周期的時(shí)間,可分為超短期、短期、中期和長(zhǎng)期預(yù)測(cè)等.表1為不同預(yù)測(cè)周期對(duì)比.

表1 不同預(yù)測(cè)周期對(duì)比

2 負(fù)荷預(yù)測(cè)基本流程

圖1為短期電力負(fù)荷預(yù)測(cè)的基本流程.

圖1 短期電力負(fù)荷預(yù)測(cè)的基本流程

2.1 數(shù)據(jù)預(yù)處理

短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行、管理調(diào)度中不可或缺的環(huán)節(jié),其預(yù)測(cè)結(jié)果是系統(tǒng)安排供電、調(diào)度的基礎(chǔ),其準(zhǔn)確程度決定著系統(tǒng)運(yùn)行的安全性與經(jīng)濟(jì)性.但在獲取的歷史負(fù)荷數(shù)據(jù)中,常有一些異常數(shù)據(jù),從而導(dǎo)致預(yù)測(cè)精度有所降低.如表2引用文獻(xiàn)[13]中的Table9來表明不良數(shù)據(jù)對(duì)短期負(fù)荷預(yù)測(cè)的影響.由表2可知,對(duì)于任意不含有異常值的一組數(shù)據(jù)而言,無論采用哪種方法進(jìn)行預(yù)測(cè),其擬合誤差和預(yù)測(cè)誤差均最小.而當(dāng)一組數(shù)據(jù)中不良值的個(gè)數(shù)變多時(shí),其擬合誤差和預(yù)測(cè)誤差均會(huì)變大,如傳統(tǒng)的帶外生變量自回歸滑動(dòng)(Autoregressive Moving Average with Exogenous Rariables,ARMAX)模型,其擬合誤差(10.56%～21.23%)與原來的(2.46%)相比增大較多.而魯棒性強(qiáng)的負(fù)荷預(yù)測(cè)方法,如帶外生變量模糊自回歸滑動(dòng)平均(Fuzzy Autoregressive Moving Average with Exogenous Input Variables,FARMAX)模型,即使對(duì)不同數(shù)量的異常數(shù)據(jù)的所有情況具有相同ARMAX(2,1,1)的結(jié)構(gòu)模型時(shí),也能夠在一定范圍內(nèi)改善異常值的不良影響,但其擬合誤差和預(yù)測(cè)誤差仍會(huì)隨不良數(shù)據(jù)個(gè)數(shù)的增多而變大.在所有的測(cè)試情況下,FARMAX模型的平均預(yù)測(cè)誤差從1.98%(沒有壞數(shù)據(jù))增加到最大為3.66%.因此,必須減少由異常值所帶來的不良影響.

表2 異常數(shù)據(jù)對(duì)擬合和預(yù)測(cè)誤差的影響

針對(duì)數(shù)據(jù)異常的不同原因可以采用如下6種數(shù)據(jù)處理方法[14]:

(1) 曲線置換法 對(duì)曲線有著明顯異常的或有特殊情況的日負(fù)荷量刪除或者用正常曲線替換;

(2) 數(shù)據(jù)水平處理法 將負(fù)荷的某一時(shí)刻數(shù)據(jù)與其相鄰時(shí)刻進(jìn)行比較,若相差過大,則進(jìn)行修正.

(3) 數(shù)據(jù)垂直處理法 將負(fù)荷的某時(shí)刻數(shù)據(jù)與其相鄰日同一時(shí)刻進(jìn)行比較,若相差過大,則用平均值替換;

(4) 經(jīng)驗(yàn)修正法 有豐富經(jīng)驗(yàn)的學(xué)者對(duì)比正常負(fù)荷曲線,從而對(duì)某個(gè)時(shí)段內(nèi)的異常值進(jìn)行修正;

(5) 分時(shí)段設(shè)定閾值法 給不同時(shí)段的負(fù)荷數(shù)據(jù)設(shè)定閾值,接著對(duì)不同區(qū)間內(nèi)的各負(fù)荷值進(jìn)行篩選,篩選出來的壞數(shù)據(jù)可用數(shù)據(jù)水平處理法、數(shù)據(jù)垂直處理法和概率統(tǒng)計(jì)法進(jìn)行處理;

(6) 概率統(tǒng)計(jì)法 先用經(jīng)驗(yàn)修正法篩選、處理畸變數(shù)據(jù),再用置信區(qū)間識(shí)別、修正剩下的畸變值.

2.2 相關(guān)因素影響

在短期電力負(fù)荷預(yù)測(cè)中,常見的影響因素是溫度[15],它一般由中央氣象臺(tái)氣象指數(shù)預(yù)報(bào)可知.此外,還有如平時(shí)、周末及節(jié)假日[16]等外部因素均需考慮在內(nèi).但是由于各項(xiàng)特征量的量綱不相同,直接將其輸入會(huì)造成誤差偏大,因此需要將不同的量綱值[7]進(jìn)行歸一化處理,使各項(xiàng)特征量之間具有可比性,由此建立了指標(biāo)映射數(shù)據(jù)庫,如表3所示.該數(shù)據(jù)庫簡(jiǎn)化了建模過程,提高了預(yù)測(cè)精度.

表3 指標(biāo)映射數(shù)據(jù)庫

此外,預(yù)測(cè)中還可以結(jié)合彈性電價(jià)[18]、市場(chǎng)環(huán)境[19]等對(duì)預(yù)測(cè)具有重要影響因素,但考慮到負(fù)荷預(yù)測(cè)受多因素共同影響,因此在研究時(shí)應(yīng)通過學(xué)習(xí)方法找出影響預(yù)測(cè)精度的主要因素,并建立相關(guān)模型.

2.3 改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)算法

2.3.1 PSO算法

PSO算法是由KENNEDY J和EBERHART R于1995年提出的一種全局優(yōu)化進(jìn)化算法[20],它來自于對(duì)鳥群捕食行為的模擬和研究.假設(shè)有一群鳥正在隨機(jī)搜索食物,并且只有一塊食物在這個(gè)區(qū)域里,但它們只知道當(dāng)前的位置距離食物有多遠(yuǎn),卻不知道食物的位置.這樣,它們就可以通過當(dāng)前所搜索的局部最優(yōu)值來尋找全局最優(yōu)值.

每個(gè)粒子均有自己的速度向量和位置向量,但在找到最優(yōu)解之前,粒子會(huì)根據(jù)如下方程不斷更新速度和位置:

(1)

(2)

2.3.2 基于PSO改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)算法

PSO改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)算法[21],即通過粒子群對(duì)模糊系統(tǒng)進(jìn)行尋優(yōu),使學(xué)習(xí)率和平滑因子在穩(wěn)定的參數(shù)間隔內(nèi)動(dòng)態(tài)調(diào)節(jié),再結(jié)合局部和全局最優(yōu)模糊匹配,并利用文獻(xiàn)[22]中的公式得到慣性權(quán)重w,最后解模糊化達(dá)到目的.

(3)

(4)

(5)

其中:

(6)

式中:α——學(xué)習(xí)率[25],α∈(0,∞);θ——平滑因子,θ∈(0,1);N——第N次訓(xùn)練;E——誤差函數(shù);yd,yc——輸出的期望值和實(shí)際值;L——訓(xùn)練樣本的數(shù)目.

(7)

(10)

式中:m——誤差足夠小時(shí)的訓(xùn)練次數(shù).

則:

(11)

定理如果數(shù)列{xn}收斂,當(dāng){yn}<{xn}時(shí),則任何數(shù)列{yn}收斂,α的穩(wěn)定區(qū)域?yàn)?

(12)

(13)

為了防止PSO進(jìn)入局部最優(yōu)化,使α和θ做如下逐漸增加:

αk+1=1.2αk

(14)

θk+1=1.15θk

(15)

式中:α0=0.001;θ0=0.001.

改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)算法步驟如下:

(1) 初始化 參數(shù)和權(quán)值初始化;

(2) 建模 基于PSO建立改進(jìn)的T-S模型,計(jì)算輸出誤差和訓(xùn)練誤差;

(3) 更新 根據(jù)公式更新相應(yīng)的參數(shù)、權(quán)值、速度及位置;

(4) 判斷 若PSO模型達(dá)到迭代次數(shù)最大值時(shí),則停止迭代,并將獲取的最優(yōu)解帶入改進(jìn)的T-S模型計(jì)算輸出,否則轉(zhuǎn)到步驟(3);

(5) 檢驗(yàn) 若改進(jìn)的T-S模型輸出最大時(shí),迭代次數(shù)達(dá)到最大或者誤差達(dá)到閾值,則停止迭代,否則轉(zhuǎn)到步驟(2).

3 預(yù)測(cè)方法誤差評(píng)價(jià)指標(biāo)

所謂誤差就是預(yù)測(cè)得出的負(fù)荷與我們所搜集到的實(shí)際負(fù)荷之間的差值,雖然負(fù)荷變化有一定的規(guī)律可循,但同樣也變化莫測(cè),這是因?yàn)椴⒉皇敲總€(gè)影響因素都能預(yù)知,比如自然災(zāi)害等突發(fā)情況;即使能夠預(yù)知(如氣象),也存在很大的隨機(jī)性和不確定性,并且在建立模型的過程中也不是完全的精確.

一般常用的誤差評(píng)價(jià)指標(biāo)[26]如下.

(1) 平均絕對(duì)誤差(MAE) 避免預(yù)測(cè)誤差的正負(fù)相抵消:

(16)

(2) 均方誤差(MSE) 避免正負(fù)誤差不能相加的問題:

(17)

(3) 均方跟誤差(RMSE) 能夠很好地反映出預(yù)測(cè)的精密度:

(18)

4 短期負(fù)荷預(yù)測(cè)面臨的挑戰(zhàn)

4.1 組合預(yù)測(cè)

由于單一的預(yù)測(cè)方法還存在局限性,精度還不夠高,因此已有很多學(xué)者開始研究組合預(yù)測(cè)方法[27-28].

(1) 從預(yù)測(cè)機(jī)理來看,將單一預(yù)測(cè)方法組合是比較常見的方法,如KPCA和BP結(jié)合[29],模糊聚類與馬爾可夫鏈結(jié)合[30],改進(jìn)的PSO與SVM結(jié)合[31]等;

(2) 從加權(quán)組合來看,對(duì)每個(gè)預(yù)測(cè)方法賦予不同的權(quán)重[32],綜合考慮得到一個(gè)最佳效果的預(yù)測(cè)模型,但如何合理地分配權(quán)重,這一問題還需作進(jìn)一步研究.

4.2 自適應(yīng)預(yù)測(cè)策略

部分預(yù)測(cè)方法可以根據(jù)實(shí)際情況,自動(dòng)調(diào)節(jié)模型參數(shù),如同自動(dòng)控制原理的閉環(huán)思想一樣,不斷修正偏差、減少偏差,從而達(dá)到高精度預(yù)測(cè),如模擬退火[33]、基于知識(shí)的專家系統(tǒng)[34]以及自適應(yīng)加權(quán)最小二乘支持向量機(jī)[35]等.

4.3 電力負(fù)荷的預(yù)測(cè)誤差

負(fù)荷歷史數(shù)據(jù)的規(guī)律性在一定范圍內(nèi)限制了精度所能達(dá)到的最佳表現(xiàn)效果,因此不能隨意對(duì)任何數(shù)據(jù)提出無限制的高精度的預(yù)測(cè)要求.文獻(xiàn)[36]所提出的內(nèi)蘊(yùn)誤差評(píng)價(jià)負(fù)荷預(yù)測(cè)方法表明了所獲歷史數(shù)據(jù)的客觀規(guī)律性、預(yù)測(cè)方法和預(yù)測(cè)誤差之間的關(guān)系,為正確評(píng)價(jià)負(fù)荷預(yù)測(cè)方法的性能、確定并可實(shí)現(xiàn)的負(fù)荷預(yù)測(cè)精度[37]要求提供了科學(xué)的依據(jù),也有利于實(shí)現(xiàn)對(duì)預(yù)測(cè)過程的有效監(jiān)視,同時(shí)也改善了預(yù)測(cè)精度.

5 結(jié) 語

本文分析了PSO改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)方法.該方法在預(yù)測(cè)領(lǐng)域中獲得了驕人的成績(jī).同時(shí),在未來的負(fù)荷預(yù)測(cè)中,盡可能加大數(shù)據(jù)的挖掘力度,結(jié)合外部影響因素,以探索出更高精度的新方法.

[1] 莫維仁,孫宏斌,張伯明.面向電力市場(chǎng)的短期負(fù)荷預(yù)測(cè)系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)[J].電力系統(tǒng)自動(dòng)化,2001,25(23):41-44.

[2] HOBBS B F,HELMAN U,JITPRAPAIKULSARN S,Artificial neural networks for short-term energy forecasting:accuracy and economic value[J].Neurocomputing,1998,23(1-3):71-84.

[3] 王芳芳.負(fù)荷預(yù)測(cè)模型的建立及基于回歸分析法的負(fù)荷預(yù)測(cè)[J].中國(guó)高新技術(shù)企業(yè),2011(34):56-58.

[4] 唐俊杰,牛煥娜,楊明皓.基于線性相關(guān)分析的周期自回歸短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2010,38(14):128-133.

[5] 田德勝,劉厚法.指數(shù)平滑法在短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].農(nóng)村電氣化,2005(2):36-37.

[6] 李艷紅.基于時(shí)間序列的短期電力負(fù)荷預(yù)測(cè)模型研究[D].昆明:昆明理工大學(xué),2011.

[7] 萬志宏.基于時(shí)間序列的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[D].廣州:華南理工大學(xué),2012.

[8] WANG D,SUN Z.Big data analysis and parallel load forecasting of electric power user side[J].Zhongguo Dianji Gongcheng Xuebao,2015,35(3):527-537.

[9] WANG B,ZHAO S,ZHANG S.A distributed load forecasting algorithm based on cloud computing and extreme learning machine[J].Power System Technology,2014,38(2):526-531.

[10] YAN Z,LI D,YAO L,etal.Short-term power load forecasting based on improved T-S fuzzy-neural network[C]//World Congress on Intelligent Control and Automation,2016:109-113.

[11] TAKAGI T,SUGENO M.Fuzzy Identification of systems and its applications to modeling and control[J].Readings in Fuzzy Sets for Intelligent Systems,1993,15(1):387-403.

[12] 宋玲芳.基于模糊聚類分析與BP網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D].西安:西安理工大學(xué),2005.

[13] YANG H T,HUANG C M.A new short-term load forecasting approach using self-organizing fuzzy ARMAX models[J].IEEE Transactions on Power Systems,1998,13(1):217-225.

[14] 王樂.基于灰色理論和神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究及其比較[D].南寧:廣西大學(xué),2012.

[15] NAHID-Al-MASOOD,SADI M Z,DEEBA S R,etal.Analyzing the impact of temperature on electrical load[C]//2010 4th International Power Engineering and Optimization Conference (PEOCO),2010:238-243.

[16] 賀蓉,曾剛,姚建剛,等.天氣敏感型神經(jīng)網(wǎng)絡(luò)在地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力系統(tǒng)自動(dòng)化,2001,25(17):32-35.

[17] 康重慶,程旭.一種規(guī)范化的處理相關(guān)因素的短期負(fù)荷預(yù)測(cè)新策略[J].電力系統(tǒng)自動(dòng)化,1999,23(18):32-35.

[18] 劉玉嬌,蔣傳文.考慮負(fù)荷周期性和變化率的短期電價(jià)預(yù)測(cè)[J].電機(jī)與控制學(xué)報(bào),2010,14(6):21-26.

[19] 張芳明.電力市場(chǎng)環(huán)境下的電力系統(tǒng)擴(kuò)展短期負(fù)荷預(yù)測(cè)研究[D].長(zhǎng)沙:湖南大學(xué),2009.

[20] KENNEDY J,EBERHART R.Particle swarm optimization[C]//IEEE International Conference on Neural Networks,Proceedings.IEEE Xplore,1995:1 942-1 948.

[21] 吳科,李偉華.擴(kuò)展T-S模糊模型的PSO神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(35):238-241.

[22] CHATTERJEEA,SIARRYP.Nonlinear inertiaweight variation for dy-namic adaptation in particle swarm optimization[J].Computersand Operations Research,2006,33(3):859-871.

[23] CAMPOLUCCI P,UNCINI A.On-line learning algorithms for locally recur-rent neural networks[J].IEEE Transactions on Neural Networks and Learning Systems,1999,10(2):253-271,

[24] RAFAEL S,PIRES A J,COSTA BRANCO P J.An adaptive learning rate approach for an on-line neuro-fuzzy speed controller applied to a switched reluctance machine[C]//IEEE International Symposium on Industrial Electronics.IEEE Xplore,2005:941-944.

[25] CHADLI M,MAGUIN D,RAGOT J.Relaxed stability conditions for Takagi-Sugeno fuzzy systems[C]//IEEE International Conference on Systems,Man,and Cybernetics.IEEE Xplore,2000:3 514-3 519.

[26] 呂毅.基于改進(jìn)BP算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D].保定:華北電力大學(xué),2007.

[27] 黃偉.短期電力負(fù)荷組合預(yù)測(cè)模型的研究[D].大連:大連理工大學(xué),2009.

[28] 王白玲.電力負(fù)荷組合預(yù)測(cè)的理論方法及影響因素分析[D].北京:華北電力大學(xué),2005.

[29] 劉暢,劉天琪,陳振寰,等.基于KPCA和BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J].電測(cè)與儀表,2016,53(10):57-61.

[30] 任雪梅,陳遜,徐臘元.基于馬爾可夫鏈和模糊聚類的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J].北京理工大學(xué)學(xué)報(bào),2004,24(5):416-418.

[31] 王義軍,李殿文,高超,等.基于改進(jìn)的PSO-SVM的短期電力負(fù)荷預(yù)測(cè)[J].電測(cè)與儀表,2015,52(3):22-25.

[32] 鄧燦新.電力負(fù)荷組合預(yù)測(cè)模型權(quán)重算法設(shè)計(jì)與應(yīng)用[J].廣東電力,2012,25(6):73-76.

[33] 陳樸.模擬退火支持向量機(jī)算法研究及在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[D].哈爾濱:哈爾濱工業(yè)大學(xué),2006.

[34] 劉東,李莉.小波神經(jīng)網(wǎng)絡(luò)嵌入專家系統(tǒng)的短期電力負(fù)荷預(yù)測(cè)[J].陜西電力,2009,37(10):44-48.

[35] 趙超,戴坤成.基于自適應(yīng)加權(quán)最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)[J].信息與控制,2015,44(5):634-640.

[36] 穆鋼,侯凱元,楊右虹,等.負(fù)荷預(yù)報(bào)中負(fù)荷規(guī)律性評(píng)價(jià)方法的研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2001,21(10):96-101.

[37] 郭華安,加瑪力汗·庫馬什,常喜強(qiáng),等.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法與預(yù)測(cè)精度綜述[J].電氣技術(shù),2011(10):20-23.

(編輯 胡小萍)

ReviewofShort-TermPowerLoadForecastingBasedonPSOImprovedT-SFuzzy-NeuralNetwork

SHENJuan1,LIUDaming2

(a.SchoolofAutomationEngineering,b.SchoolofComputerScienceandTechnology,ShanghaiUniversityof
ElectricPower,Shanghai200090,China)

Accurate power load forecasting is beneficial to ensure the safety,stability,efficiency and economy of grid operation.In order to improve the prediction accuracy,a PSO improved T-S (Takagi-Sugeno) fuzzy neural network method is applied.The importance of data preprocessing to improving the input is analyzed and an improved T-S fuzzy neural network algorithm that can make the learning rate and smoothing factor adjust dynamically is discussed.Therefore,it can make PSO find the optimal parameters.And then,combined with historical load data and related influencing factors,it is concluded that the improved T-S fuzzy neural network has higher control precision in short-term power load.

prediction accuracy; PSO-improved T-S algorithm; fuzzy model; abnormal data

10.3969/j.issn.1006-4729.2017.04.004

2017-03-09

沈娟(1991-),女,在讀碩士,安徽宣城人.主要研究方向?yàn)殡娏ω?fù)荷預(yù)測(cè).E-mail:shenjuan1006@126.com.

大型電氣傳動(dòng)系統(tǒng)與裝備技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室開放基金課題(SKLLDJ032016021).

TP183;TP715.1

A

1006-4729(2017)04-0325-06