A model for short-term load forecasting in power system based on multi-AI methods

摘要

将自组织(SOM)和反向传播(bP)两种神经网络结合起来,并使用模糊理论,建立了一种基于集成智能方法的日负荷预测智能模型,该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别.然后,把温度、日类型等不确定性扰动因素分离出去,利用bP算法的非线性函数逼近功能,完成电力负荷的基本分量部分的预测工作.在处理温度、天气情况、日类型等不确定因素对负荷的影响时,采用模糊逻辑理论对负荷基本分量进行修正.提出了一种基于进化树的自组织神经网络算法(SOETA),该算法是一种无监督基于二叉树的自组织特征映射网络模型,采用进化思想进行无监督学习,具有灵活的拓扑结构和精确的模式识别.本文以2007年厦门市的电力负荷数据为例,试验结果表明,SOETA+bP+模糊理论的预测精度最优,有效提高了电力短期负荷预测精度.