电网技术

2018, v.42;No.411(02) 585-590

[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MFOA-GRNN模型的年电力负荷预测
An Annual Load Forecasting Model Based on Generalized Regression Neural Network With Multi-Swarm Fruit Fly Optimization Algorithm

李冬辉;尹海燕;郑博文;

摘要(Abstract):

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络(GRNN)已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法(MFOA)和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型(DE-SVM)、粒子群优化的GRNN模型(PSO-GRNN)、以及果蝇优化的GRNN模型(FOA-GRNN)的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。

关键词(KeyWords): 年电力负荷预测;广义回归神经网络;参数优化;多种群;果蝇优化算法;相对误差

Abstract:

Keywords:

基金项目(Foundation):

作者(Author): 李冬辉;尹海燕;郑博文;

Email:

DOI: 10.13335/j.1000-3673.pst.2017.1403

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