基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

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。

基于EN-SKPCA降维和FPA优化LSTMNN的短期风电功率预测

综合考虑风电功率序列及气象数据的多维特征,提出一种弹性网稀疏核主成分分析(EN-SKPCA)降维方法,对气象因素降维并表述为回归优化型问题,添加的弹性网惩罚解决了KPCA重构主成分难以解释构成的问题;提出花授粉算法(FPA)优化长短时记忆神经网络(LSTMNN)预测模型,可自动筛选出最佳超参数,降低了参数经验设置所带来的随机性。该方法解决了突变天气的影响,提高了预测精度。对2017年宁夏麻黄山第一风电场实测数据实验,证明了该方法的优越性。

基于改进FPA算法的配电网光伏消纳能力评估

配电网中接入分布式光伏电源会带来诸多不利影响,研究配电网分布式光伏的消纳能力问题对维持配电网的安全运行至关重要。文章研究了分布式光伏电源接入对配电网电能质量、短路容量及网损的影响,以分布式光伏电源接入量最大、网损最小为目标函数,以电压偏差、电压波动及短路容量为约束条件,建立了分布式光伏消纳能力评估模型。根据所建模型特点,提出了一种改进的花授粉优化算法(Flower Pollination Algorithm,FPA),并对IEEE33节点系统及实际配电网进行求解。最后验证了所建模型的正确性及算法的有效性。

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性。