短期负荷预测神经网络方法比较.pdfVIP

维普资讯 第35卷 第6期 继 电器 Vb1．35 No．6 2007年 3月 16日 RELAY Mar．16，2007 短期负荷预测神经网络方法比较 李晓波 ，罗枚 ，冯凯 (1．漯河职业技术学院，河南 漯河462000； 2．陕西纺织服装职业技术学院，陕西 成阳 712000) 摘要：以某地区购网有功功率的负荷数据为背景，建立了三个 BP神经网络负荷预测模型一一sDBP、LMBP及BRBP模型进行 短期负荷预测工作，并对其结果进行比较。针对传统的BP算法具有训练速度慢，易陷入局部最小点的缺点，采用具有较快 收敛速度及稳定性的L—M优化算法进行预测，使平均相对误差有 了很大改善，具有良好的应用前景。而采用贝叶斯正则化算 法可以解决网络过度拟合，提高网络的推广能力，使平均相对误差和每 日峰值相对误差降低，但收敛速度迪陵 (慢干SDBP 模型)，不适于在实际应用中采用。 关键词：短期负荷预测；人工神经网络； L-M算法；贝叶斯正则化算法；优化算法 Comparisonofneuralnetworkmethodsforshort-term Ioadforecasting LIXiao．bo，LUOMei2FENG Kai’ , (1．LuoheVocationalandTechnicalCollege，Luohe462000，China；2．ShanxiTextileandGarmentInstitute，Xianyang712000，China) Abstract： Basedontheloaddataofmeritoriouspowerofhtepowersystem ofsomearea，threeBPANN models，namedSDBP model，LMBPmod elandBRBPM od el，areestablishedtocarry outthe short—term load forecastingwork，andtheresultsare compared．AsforhtetraditionalBPalgorihtm hassomeunavoidabledisadvantagessuchastheslowtrainingspeedna dhtefeasibility ofbeingplungedintolocalminimums，anoptimizedL—M algorihtm，whichhasaquickertrainingspeedna dbeRersatbility,should be appliedot forecast,whichcaneffectivelyrdeucehtemeanrel~iveerror．Soithasagoodapplicationprospcet．Incontrast， BayesianRegularizationcanovercomehteexcessivefitting，improvethegeneralizationofanANN andreducehtemeanrelative errornadhterelativeerrorofeverydaypeal(values，itisnotsuiatbleforactualapplicationbecauseofitsslowrtainingspede (slower htanSDBPmode1)． Keywords： short-term loadforceasting (STLF)； ANN； Levenberg·Marquardtalgorithm； Bayesian regularization； optimi zedalgorihtms 中图分类号： TPI83