未来智讯 > 神经网络论文 > 基于遗传算法优化前馈神经网络模子的配电网短期负荷展望
    基于遗传算法优化前馈神经网络模子的配电网短期负荷展望作者:未知  摘  要:对付配电网的安好运行来说,短期的负荷展望有注重要意义。文章以某地域配电网为切磋对象,行使遗传算法优化前馈神经网络,对该地域的短期负荷展望要领进行切磋。电力体系短期负荷展望受到景象因素、负荷类型、时间因素等多种非线性因素的影响,是以针对上述问题,起首确定输入,输出样本,设立前馈神经网络模子,然后行使遗传算法对前馈神经网络的缺陷进行优化,最终以MATLAB平台仿真谋略。议决对照可知,颠末遗传算法优化后的前馈神经网络展望模子展望精度进一步提高。
  关头词:前馈神经网络;遗传算法;短期电力负荷展望
  中图分类号:TM727         文献标志码:A         文章编号:2095-2945(2020)05-0007-03
  Abstract: For the safe operation of distribution network, short-term load forecasting is of great significance. In this paper, with the distribution network of a certain area as the research object, the genetic algorithm is used to optimize the feedforward neural network, and the short-term load forecasting method of this area is studied. Short-term load forecasting of power system is affected by many nonlinear factors, such as meteorological factors, load types, time factors and so on. Therefore, in view of the above problems, firstly, the input and output samples are determined, and the feedforward neural network model is established. Then genetic algorithm is used to optimize the defects of feedforward neural network, and finally simulated on the MATLAB platform. By comparison, the prediction accuracy of the feedforward neural network prediction model optimized by genetic algorithm is further improved.
  Keywords: feedforward neural network; genetic algorithm; short-term power load forecasting
  引言
  電力体系负荷是电力体系中严重的一局部,负荷展望的正确性对电力体系规划和经济运行很是严重[1]。跟着经济的急剧增进,用电量不息加大,电力体系的规模也一定扩大。可是因为当前电能无法大规模储存,为了餍足社会用电量的需求,保证配电网的安好运行,负荷展望就显得尤为严重。现阶段,用于负荷展望的要领首要有灰色展望法、时间序列法、回归剖析法等。因为电力负荷的影响因素较多,使得电力负荷具有时变性和非线性。是以传统的要领对付配电网的负荷展望精度不高。前馈神经网络具有典型的非线性处置才力,其拘谨速率快,算法兑现轻易,议决对训练样本集进行进修,以猎取数据间的纪律性,设立起输入数据与输出数据间的映射,然后在此根本长进行推理从而获得展望了局。可是同样前馈神经网络权值和阈值具有随机性,对拘谨速率有必然的影响,且不轻易拘谨。遗传算法是一种全局优化随机搜罗算法,议决遗传算子模仿生物遗传过程中的选择、交织和变异过程,得到最优个别[2-5]。
  是以本文行使遗传算法全局搜罗才力强的上风,可对前馈神经网络的权值和阈值进行优化,提高神经网络拘谨速率,加强展望模子的正确性和不变性。
  1 遗传算法优化的前馈神经网络展望模子
  1.1 前馈神经网络
  前馈神经网络模子其首要特点是:旌旗灯号是前向传布的,而偏差是反向传布的,其拓扑布局一般分为三局部,离别为输入层、隐含层、输出层。议决对样本进行训练,使输出值接近真正的盼望值,从而议决偏差的反向传布来不息调解网络的权值和阈值,使其偏差平方和最小。针对配电网电力负荷短期展望问题,针对同类型负荷,将24h内气温、光照强度、负荷原始数据作为输入层,将负荷数据作为输出层,如图1所示。
  设隐含层的激活函数为f1,输出层的激活函数为f2,现实输出为A,但愿输出为Y,其算法如下:
  1.1.1 信息的正向传递
  1.1.2 行使梯度降落法求权值改变及偏差的反向传布
  1.2 遗传算法优化前馈神经网络模子
  前馈神经网络权值和阈值具有随机性,对拘谨速率有必然的影响,且不轻易拘谨。行使遗传算法全局搜罗才力强的上风,对其权值和阈值进行优化,提高网络拘谨速率,加强展望模子的正确性和不变性。遗传算法是一种全局优化随机搜罗算法,议决遗传算子模仿生物遗传过程中的选择、交织和变异过程,得到最优个别。首要程序如下[6-7]:
  (1)种群初始化。个别编码为实数编码,由输入层与隐含层联贯权值、隐含层阈值、隐含层与输出层联贯权值以及输出层阈值构成。
         (2)顺应度函数。凭据个别获得BP神经网络的初始权值和阀值,用训练数据训练BP神经网络后展望体系输出,把展望输出和盼望输出之间的偏差绝对值和E作为个别顺应度值F,谋略公式为:
  (3)选择操作。遗传算法选择操作有轮盘赌法、锦标赛法等多种要领,本文选择轮盘赌法,即基于顺应度比率的选择策略,每个个别i的选择几率为:
  (4)交织操作。交织操作选择实数交织法,第k个染色体ak和第l个染色体al在j位的交织操作要领如下:
  (5)變异。采用第i个别的第j个基因aij进行变异,操作要领如下:
  2 仿真算例
  本节行使遗传算法优化的前馈神经网络模子对电力负荷进行展望,并对展望了局进行对照剖析。在设立模子中,起首采用光照强度、气温、电力负荷作为输入变量,神经网络算法参数配置:进修效果取0.1,动量因子为 0.65,最大训练次数 2000,网络训练最大平方偏差为10-5。遗传算法参数配置:种群规模取10,进化代数取50,交织几率取0.4,变异几率取0.2。采用南京某区的电力负荷汗青数据及天色状态、光照强度,行使遗传算法优化的前馈神经网络对2019年6月30日全天24小时负荷进行展望,展望了局如表1所示。遗传算法优化的前馈神经网络的顺应度曲线如图3所示。
  从表1可见,21个时间点的绝对百分偏差小于3%,最小绝对百分偏差为0.002%,最大绝对百分偏差为4.69%,平均绝对百分偏差为1.89%,证明展望取得了较中意的了局。
  3 结论
  本文思虑了负荷类型、光照强度、气温等非线性因素,行使前馈型神经网络模子对电力负荷进行短期展望,同时行使遗传算法全局搜罗才力强的上风,可对前馈神经网络的权值和阈值进行优化,提高神经网络拘谨速率,加强展望模子的正确性和不变性。采用南京某区的电力负荷汗青数据及天色状态、光照强度等非线性变量作为输入变量,行使模子进行短期负荷展望,取得了较中意的了局,证明该算法具有较高的可托度,对以后的切磋有必然的适用价值。
  参考文献:
  [1]牛晓东,曹树华,赵磊.电力负荷展望技艺及其应用[M].中国电力出书社,1998.
  [2]李思琦,蒋志坚.基于神经网络的供热负荷展望模子[J].区域供热,2018(4):42-46.
  [3]刘畅,刘天琪,陈振寰,等.基于KPCA和BP神经网络的短期负荷展望[J].电测与仪表,2016,53(10):57-61.
  [4]张凌云,肖惠仁,吴俊豪,等.电力体系负荷展望综述[J].电力大数据,2018,21(1):52-56.
  [5]苏靖祥.电力体系短期负荷展望要领切磋[D].天津:天津大学,2015.
  [6]王锦,赵德群.基于遗传算法的神经网络权值优化要领[J].电子元器件与信息技艺,2018(9):33-36.
  [7]李莉,刘建勋,刘崇新.基于改良型遗传算法的模糊神经网络在电力负荷展望的应用[J].华中电力,2010,23(2):13-17.
转载请注明来源。原文地址:https://www.7428.cn/page/2020/0405/87304/
 与本篇相关的热门内容: