文献类型：期刊文章

作　　者：张淑清[1] 杨振宁[1] 张立国[1] 苑世钰[1] 王志义[2]

Zhang Shuqing;Yang Zhenning;Zhang Liguo;Yuan Shiyu;Wang Zhiyi(Institute of Electrical Engineering,Key Laboratory of Measurement Technology and Instrumentation of HebeiProvince,Yanshan University,Qinhuangdao066004,China;The93046th Troop,Qingdao266111,China)

机构地区：[1]燕山大学电气工程学院河北省测试计量技术及仪器重点实验室,秦皇岛066004 [2]93046部队,青岛266111

出　　处：《仪器仪表学报》

基　　金：国家重点研发项目(2018YFB0905500);国家自然科学基金(51875498);河北省自然科学基金(E2018203439,E2018203339);河北省专业学位研究生教学案例库建设项目(KCJSZ2017022)资助

年　　份：2019

卷　　号：40

期　　号：7

起止页码：47-54

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。

关 键 词：短期电力负荷预测 大数据变量选择及降维  最小绝对值收缩及变量选择  弹性网  花授粉算法优化BP神经网络  

分 类 号：TP1]