微信公众号转载第48卷第9期电力系统保护与控制Vol.48No.9 2020年5月1日Power System Protection and Control May1,2020
DOI:10.19783/jki.pspc.190760
基于IFOA-GRNN的短期电力负荷预测方法研究
祝学昌
(河南建筑职业技术学院设备工程系，河南郑州450064)
车辆抵押合同巴西的语言摘要：针对智能用电环境下负荷随机性强、短期电力负荷预测精度差、计算时间长等问题，提出了一种结合改进果蝇优化算法IFOA和广义回归神经网络GRNN的预测方法。模型的输入因子为负荷数据和气象信息等。通过改进果蝇优化算法的搜索距离，增强其搜索能力，优化广义回归神经网络GRNN的平滑因数，提高预测的网络性能和精度。通过仿真验证预测方法的准确性和有效性。结果表明，改进后的方法可以减小预测误差，提高算法的稳定性。该研究为我国电力负荷预测的发展提供了参考和借鉴。
2016电影关键词：电力负荷预测；果蝇优化算法；广义回归神经网络；平滑因数
Rearch on short-term power load forecasting method bad on IFOA-GRNN
ZHU Xuechang
(Department of Equipment Engineering,Henan Technical College of Construction,Zhengzhou450064,China) Abstract:Examining the problems of strong load randomness,poor short-term load forecasting accuracy and long calculation time in intelligent power environment,a forecasting method combining the improved Drosophila optimization algorithm IFOA and generalized regression neural network GRNN is propod.The input factors of the model are load data and meteorological information.By improving the arch distance of the fruit fly optimization algorithm,the model can be ud to optimize the smooth factor of the generalized regression neural network GRNN,thereby improving the performance and prediction accuracy of the network.The accuracy and validity of the propod prediction method are verified by simulation.The results show that the improved method can reduce prediction error and increa the stability of the algorithm.This study provides a reference for the development of a short-term power load forecasting system in China.
道阻且跻This work is supported by National“Thirteen-Five Year”Rearch and Development Program of China(No.
2017YFB0602500).家族企业管理
Key words:power load forecasting;fruit fly optimization algorithm;generalized regression neural network;smoothing factor
0引言
张国荣经典歌词随着科学技术的飞速发展，电网通过集成先进技术实现智能化，从而实现电网的经济高效运行。电力负荷预测作为电力系统规划和调度的基础，可以提高电力系统运行的稳定性，具有较高的社会效益和经济效益[1]。短期负荷预测是电力负荷预测系统的重要组成之一，利用历史数据预测未来1-7天的负荷[2]，可用于发电厂发电能力规划和电网调度，是电网安全管理的基础。因此，短期负荷预测已成基金项目：国家十三五重点研发项目资助(2017YFB0602500)为智能电网运行和管理的重要研究课题。
牛柳的做法
目前，国内外学者对短期负荷预测方法进行了大量研究。在文献[3]中，电力负荷的历史数据根据两两数据之间的距离进行聚类，采用组合法将类别分为三类。把同一类数据作为神经网络的输入进行负荷预测，提高了负荷预测的精度。在文献[4]中，提出了一组预测点的分位数回归平均方法来预测概率，充分利用了点预测的能力。在文献[5]中，提出了一种基于负荷聚类划分、RBF神经网络共轭梯度学习和相似性加权综合的大用户电力负荷预测方
