基于改进遗传算法的电力网络负载预警模型

摘要

在对电力网络负载预警时,电力负荷参数变化过程存在大变化、非线性的特点,预警过程与时间相关性较大,传统算法进行电力网络负载预警过程中,没有负荷变化的模糊性与时间序列相关性,使得网络学习收敛速度慢,易陷入局部极小值,造成了电力网络负载预警精确度较低的问题.为提高预警精度,提出改进遗传算法的电力网络负载预警方法.将遗传算法与BP神经网络算法相融合,组建电力系统的重构相空间模型,通过计算最大Lyapunov指数来找出负载时间序列,具有混沌特性,利用混沌神经网络对负载时间序列进行短期负荷预测,结合灵敏度分析对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进,有效的建立了电力网络负载预警模型.仿真结果表明,该电力网络负载预警模型精确度高,实用性强.