基于CSO-BP神经网络的电力系统短期负荷预测

摘要

电力系统短期负荷预测意义深远，是系统优化运行的基础，负荷预测结果对系统的经济与安全有重要意义。目前有很多种方法可以进行负荷预测，但是人们仍然希望得到更髙精度的预测结果。因此，探索研究快速、准确的负荷预测方法有很大意义。
　　本文详细介绍了电力系统短期负荷预测的研究内容，总结了国内外负荷预测的方法，分析了各预测方法的优缺点。分析了传统的神经网络预测算法的不足，提出了猫群算法优化BP神经网络的组合算法，本文的内容主要包括以下个方面：
　　分析了美国某地的负荷特性，总结了负荷的周期特点和节假日特性，分析了影响负荷的各种因素与负荷之间的关系。介绍了历史负荷数据中不良数据的成因与对负荷预测的影响，采用改良后的模糊c-均值聚类算法对日负荷曲线进行聚类，得到若干特征曲线，通过负荷的横向相似性找出不良数据；最后对不良数据进行修正。修正不良数据，消除负荷曲线毛刺。
　　建立了考虑日特征相关因素的BP神经网络负荷预测模型。以历史时刻的温度、负荷、星期类型归一化后作为BP神经网络预测模型的输入变量。介绍了猫群算法，测试函数表明猫群算法相比与遗传算法收敛更快且不易陷入局部最优解。为克服神经网络收敛速度慢，网络初始值选取不当而陷入局部极小点的缺点，提高电力系统短期负荷预测精度，将猫群算法和BP神经网络结合，提出基于猫群-BP神经网络的短期负荷预测模型。用猫群算法优化BP神经网络的权值和阈值，避免神经网络初始权值选取的盲目性，训练BP神经网络预测模型求得最优解。算例表明，猫群优化的BP神经网络有效改善了BP神经网络的缺点，提高了神经网络用于电力系统短期负荷预测精度的效率和精度。相比于遗传神经网络，该方法预测精度更高，收敛更快，具有一定的实用性。

目录

声明

第一章 绪论

1.1 负荷预测综述

1.2 负荷预测的背景及意义

1.3 负荷预测的方法

1.4国内外研究现状

1.5 负荷预测的一般步骤

1.6 文章的主要内容

第二章 电力负荷特性分析及数据预处理

2.1 电力负荷特性分析

2.2 电力负荷数据的预处理

第三章 BP神经网络模型建立及负荷预测

3.1神经网络综述

3.2 BP神经网络

3.3 BP神经网络负荷预测模型

3.4 算例分析

第四章 猫群算法及其在短期负荷预测中的应用

4.1 猫群算法基础

4.2 猫群算法的数学模型

4.3算法测试与比较

4.4基于CSO-BP神经网络的短期电力负荷预测

第五章 结论与展望

致谢

参考文献

攻读硕士学位期间发表的论文