陕西电力
陝西電力
협서전력
Shaanxi Electric Power
2015年
9期
67-69,75
,共4页
短期负荷预测%动态前馈神经网络%高斯混沌粒子群%动态延迟算子
短期負荷預測%動態前饋神經網絡%高斯混沌粒子群%動態延遲算子
단기부하예측%동태전궤신경망락%고사혼돈입자군%동태연지산자
short term load forecasting%dynamic feedforward neural network%gauss chaos particle swarm optimization%dynamic delay operator
针对传统前馈神经网络(Feedforward Neural Network,FNN)存在收敛速度慢、易陷入局部极小和泛化能力差的缺点,提出用高斯混沌粒子群算法(Gauss Chaos Particle Swarm Optimization,GCPSO)取代传统训练方法 对网络进行训练;针对前馈神经网络不能表征系统的动态特性,在前馈神经网络中引入动态延迟算子,构造动态前馈神经网络(Dynamic Feedforward Neural Network,DFNN),充分表征输入输出之间的非线性关系.将GCPSO-DFNN模型用于电力系统短期负荷预测,首先选择训练样本,然后针对训练样本,采用GCPSO对DFNN进行训练,最后采用测试样本进行模型验证,满足要求则用于未来负荷的预测.算例分析表明了该模型的实用性和准确性.
針對傳統前饋神經網絡(Feedforward Neural Network,FNN)存在收斂速度慢、易陷入跼部極小和汎化能力差的缺點,提齣用高斯混沌粒子群算法(Gauss Chaos Particle Swarm Optimization,GCPSO)取代傳統訓練方法 對網絡進行訓練;針對前饋神經網絡不能錶徵繫統的動態特性,在前饋神經網絡中引入動態延遲算子,構造動態前饋神經網絡(Dynamic Feedforward Neural Network,DFNN),充分錶徵輸入輸齣之間的非線性關繫.將GCPSO-DFNN模型用于電力繫統短期負荷預測,首先選擇訓練樣本,然後針對訓練樣本,採用GCPSO對DFNN進行訓練,最後採用測試樣本進行模型驗證,滿足要求則用于未來負荷的預測.算例分析錶明瞭該模型的實用性和準確性.
침대전통전궤신경망락(Feedforward Neural Network,FNN)존재수렴속도만、역함입국부겁소화범화능력차적결점,제출용고사혼돈입자군산법(Gauss Chaos Particle Swarm Optimization,GCPSO)취대전통훈련방법 대망락진행훈련;침대전궤신경망락불능표정계통적동태특성,재전궤신경망락중인입동태연지산자,구조동태전궤신경망락(Dynamic Feedforward Neural Network,DFNN),충분표정수입수출지간적비선성관계.장GCPSO-DFNN모형용우전력계통단기부하예측,수선선택훈련양본,연후침대훈련양본,채용GCPSO대DFNN진행훈련,최후채용측시양본진행모형험증,만족요구칙용우미래부하적예측.산례분석표명료해모형적실용성화준학성.