电网技术

2018, v.42;No.411(02) 598-606

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于VMD与PSO优化深度信念网络的短期负荷预测
Short-Term Load Forecasting Based on VMD and PSO Optimized Deep Belief Network

梁智;孙国强;李虎成;卫志农;臧海祥;周亦洲;陈霜;

摘要(Abstract):

为提高短期负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络(deep belief network,DBN)采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。

关键词(KeyWords): 短期负荷预测;变分模态分解;输入变量选择;互信息;粒子群算法;优化深度信念网络

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目(51507052);; 江苏省电力公司科技项目《大规模用户与主动配电网的双向友好互动技术研究》资助项目(J2016015);; 江苏省智能电网技术与装备重点实验室课题资助~~

作者(Author): 梁智;孙国强;李虎成;卫志农;臧海祥;周亦洲;陈霜;

Email:

DOI: 10.13335/j.1000-3673.pst.2017.0937

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享