论文部分内容阅读
随着电力市场的深化改革,电力系统负荷预测成为电力公司降低运营成本,提高经济效益和社会价值的重要手段之一。精确的电力系统负荷预测可以增强电网稳定、安全的运行环境。在电力行业发展突飞猛进的势头下,电力系统负荷预测将为电网调度运行和资源分配计划提供帮助,负荷预测将会发挥越来越重要的作用。因此,论文提出基于Lasso-PCA及改进自适应遗传神经网络的电力负荷预测方法。首先,本文对电力负荷数据的特性进行了详细分析,指出了外界因素与负荷变化之间的关系,阐述了电力系统负荷预测的实施步骤以及预测误差分析方法。其次,为了降低预测模型的复杂度和计算量,提出了一种Lasso-PCA数据简约与特征提取模型,经过具体实验验证,证明了该方法能够充分完成多信息变量的压缩与特征提取。然后,介绍了误差反向传播算法(Back Propagation,BP)和遗传算法(Genetic Alogorithms,GA)的结构原理、算法步骤以及优缺点。接着引入了自适应遗传算法(Adaptive Gentic Algorithm,AGA),指出了自适应遗传算法本身存在进化速度缓慢,种群个体多样性差等问题。之后,提出了改进自适应遗传算法(Improve Adaptive Gentic Algorithm,IAGA)优化BP神经网络训练过程。通过引入个体进化趋势调节参数概念,并利用Sigmoid函数构建了新的交叉概率和变异概率的计算公式,经过改进的BP算法可有效避免陷入局部极小的缺点。最后,本文通过实验数据分析,分别以气象主成分、日期类型以及历史负荷数据作为建模对象,建立BP神经网络预测模型、GA-BP神经网络预测模型、AGA-BP神经网络预测模型以及本文提出的IAGA-BP神经网络预测模型对我国北方某地区的实际电力负荷进行预测,经过分析论证表明本文提出的方法能加快模型收敛速度,提高预测精度。