摘要
短期负荷受社会因素和自然因素的影响,使得精准负荷预测困难重重。为了提高短期电力负荷预测精度,提出一种基于改进一般随机神经网络的负荷预测模型。随机神经网络与传统的BP神经网络相比的优势在于随机神经网络在参数优化过程中不会陷入局部最优,但是随机神经也存在自身的不足。针对一般随机神经网络优化过慢;参数优化朝着局部数据而不是整体训练数据,导致最后保存模型不是对整个训练集整体的最优模型。提出在随机神经网络预测模型中用Adam算法替代传统的梯度下降优化算法加快优化,并在随机神经网络模型每次更新后计算整体数据的损失函数,保存损失函数最小时的模型。通过实验分析,验证改进的随机神经网络模型更加有效。
引文
[1]张东霞,苗新,刘丽平,等.智能电网大数据技术发展研究[J].中国电机工程学报,2015(1):2-12.
[2]刘振亚.智能电网技术[M].中国电力出版社,2010.
[3]张俊芳,吴伊昂,吴军基.基于灰色理论负荷预测的应用研究[J].电力自动化设备,2004,24(5):24-27.
[4]郭龙钢.基于BP人工神经网络电力负荷预测[J].洛阳理工学院学报(自然科学版),2013,23(1):62-64.
[5]陈帅,王勇,吕丰,等.基于灰色理论和神经网络的短期电力负荷预测[J].上海电力学院学报,2013,29(6):527-531.
[6]刘宝英,杨仁刚.基于主成分分析的最小二乘支持向量机短期负荷预测模型[J].电力自动化设备,2008,28(11):13-17.
[7]刘琪琛,雷景生,郝珈玮,等.基于Spark平台和并行随机森林回归算法的短期电力负荷预测[J].电力建设,2017,38(10):84-92.
[8]BunnDW,Farmer ED.REVIEWOFSHORT-TER MFORECASTING METHODS IN THE ELECTRIC POWERINDUSTRY[J].1985.
[9]张楷旋.考虑天气因素的含风电场电力系统的概率潮流分析[D].浙江大学,2015.
[10]SimonHaykin,海金,叶世伟,等.神经网络原理[M].机械工业出版社,2004.
[11]罗鹏,李会方.基于Tanh多层函数的量子神经网络算法及其应用的研究[J].计算机与数字工程,2012,40(1):4-6.
[12]Kingma D,Ba J.Adam:A Method for Stochastic Optimization[J].Computer Science,2014.
[13]Zhang J,Wei Y M,Li D,et al.Short term electricity load forecasting using a hybrid model[J].Energy,2018,158:774-781.