基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

doi:10.11930/j.issn.1004-9649.20160252

中国电力 ›› 2018, Vol. 51 ›› Issue (2): 54-60.DOI: 10.11930/j.issn.1004-9649.20160252

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

赵芝璞¹, 高超², 沈艳霞¹, 陈杰¹

1. 江南大学物联网技术应用教育部工程研究中心, 江苏无锡 214122;
2. 国网湖北省电力公司孝感市云梦县供电公司, 湖北孝感 432500

收稿日期:2016-01-01 修回日期:2017-12-10 出版日期:2018-02-05 发布日期:2018-02-11
作者简介:赵芝璞(1976—),女,江苏常州人,讲师,从事控制工程与应用研究,E-mail:zzp_wx@163.com;高超(1985—),男,河北邯郸人,硕士,从事电力负荷预测研究,E-mail:igiant@foxmail.com;沈艳霞(1973—),女,山东淄博人,教授,从事新能源控制技术、电机非线性控制等研究,E-mail:shenyx@jiangnan.edu.cn;陈杰(1992—),男,江苏淮安人,硕士研究生,从事新能源控制技术等研究,E-mail:1518475850@qq.com。
基金资助:
国家自然科学基金资助项目（61573167，61572237）。

A Method for Load Forecasting Based on Correlated Fuzzy Neural Network and Improved Artificial Bee Colony Algorithm

ZHAO Zhipu¹, GAO Chao², SHEN Yanxia¹, CHEN Jie¹

1. Research Center of Engineering Applications for IOT, Jiangnan University, Wuxi 214122, China;
2. Xiaogan Electric Power Company of State Grid Huebei Electric Power Company, Xiaogan 432500, China

Received:2016-01-01 Revised:2017-12-10 Online:2018-02-05 Published:2018-02-11
Supported by:
This work is supported by National Natural Science Foundation of China (NSFC) (No.61573167, No.61572237).

摘要/Abstract

摘要： 为提高负荷预测精度，考虑历史负荷数据之间相关联的特性，利用关联模糊神经网络建立了负荷预测模型。与其他负荷预测方法相比，基于关联模糊神经网络和改进型蜂群算法的负荷预测方法，减少了模型所需要的模糊规则的数量，降低了模型的复杂度。将该方法应用于某地实际负荷预测，数值结果表明，该方法具有较高的预测精度。

关键词: 电力系统, 负荷预测, 关联模糊神经网络, 改进型蜂群算法, 负荷历史数据

Abstract: To improve the accuracy of load forecasting, a load forecasting model is proposed by using correlated fuzzy neural network (CFNN) with consideration of the correlation between the historical load data. An improved artificial bee colony (ABC) algorithm is applied for the parameter identification of the model to reduce the number of fuzzy rules and decrease the complexity of the model. The model is applied to actual load forecasting, and the results show that this model has higher prediction accuracy.

Key words: power systems, load forecasting, CFNN, an improved ABC algorithm, historical load data

中图分类号:

TM715

赵芝璞, 高超, 沈艳霞, 陈杰. 基于关联模糊神经网络和改进型蜂群算法的负荷预测方法[J]. 中国电力, 2018, 51(2): 54-60.

ZHAO Zhipu, GAO Chao, SHEN Yanxia, CHEN Jie. A Method for Load Forecasting Based on Correlated Fuzzy Neural Network and Improved Artificial Bee Colony Algorithm[J]. Electric Power, 2018, 51(2): 54-60.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.20160252

https://www.electricpower.com.cn/CN/Y2018/V51/I2/54

参考文献

[1] 刘振亚. 中国电力与能源[M]. 北京: 中国电力出版社, 2012.
[2] 廖旎焕, 胡智宏, 马莹莹, 等. 电力系统短期负荷预测方法综述[J]. 电力系统保护与控制, 2011, 39(1): 147-152.
LIAO Nihuan, HU Zhihong, MA Yingying, et al. Review of the short-term load forecasting methods of electric power system[J]. Power System Protection and Control, 2011, 39(1): 147-152.
[3] 袁铁江, 袁建党, 晁勤, 等. 电力系统中长期负荷预测综合模型研究[J]. 电力系统保护与控制, 2012, 40(14): 143-146.
YUAN Tiejiang, YUAN Jiandang, CHAO Qin, et al. Study on the comprehensive model of mid-long term load forecasting[J]. Power System Protection and Control, 2012, 40(14): 143-146.
[4] 丁剑, 艾明建, 吴安平. 西部大开发第二个十年四川省电力需求预测[J]. 中国电力, 2012, 45 (9): 35-39.
DING Jian, AI Mingjian, WU Anping. Electric power demand forecast for sichuan province in the second decade of China's western development program[J]. Electric Power, 2012, 45(9): 35-39.
[5] 温锦斌, 王昕, 李立学, 等. 基于频域分解的短期风电负荷预测[J]. 电工技术学报, 2013, 28(5): 66-72.
WEN Jinbin, WANG Xin, LI Lixue, et al. Short-term wind power load forecasting based on frequency domain decomposition[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 66-72.
[6] 方仍存, 周建中, 彭兵, 等. 电力负荷混沌动力特性及其短期预测[J]. 电网技术, 2008, 32(4): 61-66.
FANG Rengcun, ZHOU Jianzhong, PENG Bing, et al. Chaotic dynamics of power load and its short-term forecasting[J]. Power System Technology, 2008, 32(4): 61-66.
[7] 李霄, 王昕, 郑益慧, 等. 基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测[J]. 电力系统保护与控制, 2015, 43(11): 63-69.
LI Xiao, WANG Xin, ZHENG Yihui, et al. Short-term wind load forecasting based on improved LSSVM and error forecasting correction[J]. Power System Protection and Control, 2015, 43(11): 63-69.
[8] 马哲, 舒勤. 基于ESPRIT分解算法的短期电力负荷预测[J]. 电力系统保护与控制, 2015, 43(7): 90-96.
MA Zhe, SHU Qin. Short term load forecasting based on ESPRIT integrated algorithm[J]. Power System Protection and Control, 2015, 43(7): 90-96.
[9] 汤宝平, 董绍江, 马靖华. 基于独立分量分析的EMD模态混叠消除方法研究[J]. 仪器仪表学报, 2012, 33(7): 1477-1482.
TANG Baoping, DONG Shaojiang, MA Jinghua. Study on the method for eliminating mode mixing of empirical mode decomposition based on independent component analysis[J]. Chinese Journal of Scientific Instrument, 2012, 33(7): 1477-1482.
[10] 周潮, 邢文洋, 李宇龙. 电力系统负荷预测方法综述[J]. 电源学报, 2012, 6: 32-39.
ZHOU Chao, XING Wenyang, LI Yulong. Summarization on load forecasting method of electrical power system[J]. Journal of Power Supply, 2012, 6: 32-39.
[11] HAGAN M T, BEHR S M. The time series approach to short term load forecasting[J]. IEEE Transactions on Power Systems, 1987, 2(3): 785-791.
[12] NOZAKI K, ISHIBUCHI H, TANAKA H. A simple but powerful heuristic method for generating fuzzy rules from numerical data[J]. Fuzzy Sets and Systems, 1997, 86(3): 251-270.
[13] SADAEI H J, ENAYATIFAR R, ABDULLAH A H, et al. Short-term load forecasting using a hybrid model with a refined exponentially weighted fuzzy time series and an improved harmony search[J]. International Journal of Electrical Power & Energy Systems, 2014, 62: 118-129.
[14] CHEN T, WANG Y C. Long-term load forecasting by a collaborative fuzzy-neural approach[J]. International Journal of Electrical Power & Energy Systems, 2012, 43(1): 454-464.
[15] EBADZADEH M M, SALIMI-BADR A. CFNN: Correlated fuzzy neural network[J]. Neurocomputing, 2015, 148: 430-444.
[16] MARQUARDT D W. An algorithm for least-squares estimation of nonlinear parameters[J]. Journal of the Society for Industrial & Applied Mathematics, 1963, 11(2): 431-441.
[17] 韩义波, 韩璞. 基于一种新的正交优化的群智能优化算法[J]. 计算机应用研究, 2015, 32(1): 71-74.
HAN Yibo, HAN Pu. Orthogonal optimization based swarm intelligent optimization algorithm[J]. Application R esearch of Computers, 2015, 32(1): 71-74.
[18] 秦全德, 程适, 李丽, 等. 人工蜂群算法研究综述[J]. 智能系统学报, 2014, 9(2): 127-135.
QIN Quande, CHENG Shi, LI Li, et al. Artificial bee colony algorithm: a survey[J]. CAAI Transactions on Intelligent Systems, 2014, 9(2): 127-135.
[19] 陈杰, 沈艳霞, 陆欣. 基于信息反馈和改进适应度评价的人工蜂群算法[EB/OL]. (2016-03-15)[2016-06-01] http://www.cnki.net/kcms/detail/23.1538.TP.20160315.1051.002.html
[20] GAO Weifeng, LIU Sanyang. A modified artificial bee colony algorithm[J]. Computers and Operations Research, 2011, 39(3), 687-697.
[21] FIGUEROA-GARCíA J C, OCHOA-REY C M, AVELLANEDA-GONZáLEZ J. Rule generation of fuzzy logic systems using a self-organized fuzzy neural network[J]. Neurocomputing, 2015, 151(3): 955-962.
[22] 陈茹雯. 非线性自回归时序模型分析[M]. 南京: 东南大学出版社, 2011.

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

A Method for Load Forecasting Based on Correlated Fuzzy Neural Network and Improved Artificial Bee Colony Algorithm

RichHTML

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	李健, 张钧, 韩新阳, 靳晓凌. 新型电力系统形态量化推演方法的总体框架与功能设计[J]. 中国电力, 2025, 58(3): 1-7, 97.
[2]	张磊, 马晓伟, 王满亮, 陈力, 高丙团. 互联新能源电力系统区内AGC机组分布式协同控制策略[J]. 中国电力, 2025, 58(3): 8-19.
[3]	张沛, 杨马婧, 张放, 谢桦, 刘广一, 李文云, 路学刚, 王珍意, 翟苏巍. 图数据库与图计算在电力系统调度运行应用综述[J]. 中国电力, 2025, 58(3): 119-131.
[4]	高志远, 庄卫金, 李峰, 于芳, 张鸿, 王艳, 夏旻. 调控领域人工智能应用的高复用性验证平台[J]. 中国电力, 2025, 58(3): 142-150.
[5]	孙庆超, 李嘉靓, 江万里, 王若愚, 李植鹏, 胡亚荣, 朱健斌. 基于数据驱动时空网络的城市中长期电力负荷预测[J]. 中国电力, 2025, 58(3): 168-174.
[6]	汤明润, 李若旸, 刘慕然, 程晓钰, 刘铫, 杨淑霞. 电力系统稳态下可再生能源大规模接入量预测[J]. 中国电力, 2025, 58(2): 126-132.
[7]	赵晨浩, 焦在滨, 李程昊, 张迪, 张鹏辉. 基于主动迁移学习的电力系统暂态稳定自适应评估[J]. 中国电力, 2025, 58(1): 70-77.
[8]	董武, 张健, 周勤勇, 张立波, 龚浩岳. 中国电力系统安全稳定性演化综述[J]. 中国电力, 2025, 58(1): 115-127.
[9]	朱瑞, 娄奇鹤, 靳晓凌, 刘畅. 适应新型电力系统的电网基建功能化投资结构演化研究[J]. 中国电力, 2024, 57(9): 194-204.
[10]	傅观君, 张富强, 夏鹏, 冯君淑, 张晋芳. 天然气发电在新型电力系统中的功能定位及发展前景研判[J]. 中国电力, 2024, 57(8): 67-74.
[11]	翟苏巍, 李银银, 杜凡, 李文云, 潘凯岩, 梁峻恺. 考虑海量分布式能源接入的配电网分布式无功控制策略[J]. 中国电力, 2024, 57(8): 138-144.
[12]	李碧君, 李威, 董希建. 新型电力系统中主控型安全稳定服务质量的在线评估[J]. 中国电力, 2024, 57(8): 168-181.
[13]	王宇飞, 杜桐, 边伟国, 张钊, 刘慧婷, 杨丽君. 基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测[J]. 中国电力, 2024, 57(6): 121-130.
[14]	吴军英, 路欣, 刘宏, 张彬, 柴守亮, 刘蕴春, 王佳楠. 基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测[J]. 中国电力, 2024, 57(6): 131-140.
[15]	陈中飞, 赵越, 蔡秋娜, 张乔榆, 王泽林, 戴晓娟, 陈雨果. 基于净负荷预测误差统计的电力系统爬坡能力充裕度评估[J]. 中国电力, 2024, 57(5): 50-60.

模态框（Modal）标题

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

A Method for Load Forecasting Based on Correlated Fuzzy Neural Network and Improved Artificial Bee Colony Algorithm

RichHTML

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics