文献类型：期刊文章

作　　者：梁智[1] 孙国强[1] 李虎成[2] 卫志农[1] 臧海祥[1] 周亦洲[1] 陈霜[1]

机构地区：[1]河海大学能源与电气学院,江苏省南京市210098 [2]国网江苏省电力公司电力科学研究院,江苏省南京市211103

出　　处：《电网技术》

基　　金：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~~

年　　份：2018

卷　　号：42

期　　号：2

起止页码：598-606

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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：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  

分 类 号：TM721]