粒子群优化的神经网络模型在短期负荷预测中的应用

改进粒子群优化BP神经网络短期负荷预测研究王瑞;周晨曦;逯静【摘要】为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP 神经网络预测模型.在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数.将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度.【期刊名称】《制造业自动化》【年(卷),期】2019(041)006【总页数】5页(P39-42,77)【关键词】负荷预测;粒子群优化;BP神经网络;适应度值【作者】王瑞;周晨曦;逯静【作者单位】河南理工大学电气工程与自动化学院,焦作 454000;河南理工大学电气工程与自动化学院,焦作 454000;河南理工大学计算机科学与技术学院,焦作454000【正文语种】中文【中图分类】TP180 引言BP神经网络有着较为良好的非线性映射能力、高度的自适应自学习能力、良好的泛化能力，以及容错能力的优点被应用于电力负荷预测中[1,2]，同时也存在着容易陷入局部极小值、收敛速度慢的缺点，对BP神经网络的改进已经成为学者们研究的热点，比如调整自适应学习速率[3]、改进网络结构[4]、引入优化算法[5～7]等。

利用粒子群优化BP神经网络是一种较为常用的方法，利用粒子群优化BP神经网络，可以有效防止BP神经网络陷入局部最优，并加快其收敛速度。

基本粒子群算法寻优速度较快、效率高、算法简单，但也存在自身的缺陷，当算法迭代时，所有粒子都向当前自身最优解、邻域或群体最优解移动，种群搜索空间不断缩小，形成种群快速趋同效应，而此时的最优位置可能只是某一局部搜索空间里的最优位置，搜索陷入局部极值之中，导致早熟收敛，后期种群的多样性难以维持。

基于粒子群优化RP网络短期电力负荷预测方法姚刚;陈政石;李晓竹【摘要】As conventional BP network for the slow convergence and easy to fall into local minimum problem, the use of LM algorithm for network training, the improved particle swarm optimization BP network initial weights and threshold. Application of this method in the text grid in a city short - term load forecasting, showed that compared with conventional BP network, L- M algorithm to improve prediction models. This article describes the results of the prediction algorithm in the prediction accuracy and speed have increased greatly.%针对常规BP网络收敛速度慢，易陷入局部极小值等问题，采用L—M算法对网络进行训练，利用改进粒子群算法优化BP网络初始权值和阈值。

将该方法应用在南方某市短期电网负荷预测中，预测结果表明，相较于常规BP网络、L—M算法改进预测模型，该预测算法在预测结果精度和速度上均有较大幅度提高。

【期刊名称】《广东石油化工学院学报》【年(卷),期】2011(021)006【总页数】4页(P47-50)【关键词】电力负荷短期预测;BP网络;L—M算法;粒子群算法【作者】姚刚;陈政石;李晓竹【作者单位】广东石油化工学院计算机与电子信息学院,广东茂名525000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;广东石油化工学院计算机与电子信息学院,广东茂名525000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TM7340 引言电力系统短期负荷预测是电力调度系统运行中的重要环节,准确进行短期负荷预测能帮助管理人员制定合理的发电计划来保证电网安全、经济运行。

第39卷第15期电力系统保护与控制Vol.39 No.15 2011年8月1日Power System Protection and Control Aug. 1, 2011 基于自适应粒子群优化的SVM模型在负荷预测中的应用陆 宁1, 武本令2， 刘 颖 3（1.武汉理工大学自动化学院，湖北 武汉 4300702； 2.许昌市高级技术学校， 河南 许昌 461000；3.武汉供电公司， 湖北 武汉 430015）摘要：为了提高电力系统短期负荷预测精度，针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题，提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。

经典粒子群算法是一种全局优化算法，在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试，将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。

实例仿真结果表明该预测模型精度高于传统SVM预测模型，具有一定实用价值。

关键词：自适应；粒子群优化；支持向量机；全局优化；负荷预测Application of support vector machine model in load forecasting based on adaptive particle swarmoptimizationLU Ning1, WU Ben-ling2, LIU Ying3（1.School of Automation，Wuhan University of Technology，Wuhan 430070，China; 2. Xuchang Senior Technical School, Xuchang 461000, China; 3. Wuhan Power Supply Company, Wuhan 430015, China）Abstract：In order to improve the precision of short-term load forecasting, and aiming at the parameter selection of traditional SVM in load forecast this paper proposes a new load forecasting model, i.e., using the improved adaptive particle swarm optimization （PSO）for seeking the optimal parameters of support vector machine(SVM) model. The classical PSO is a global optimization algorithm．Based on it, the improved PSO（FAPSO）is proposed and its convergence tests are conducted，and then the SVM model based on the FAPSO optimization is applied to the short-term power load forecasting. The simulation results show that the adaptive particle swarm optimization-based SVM load forecasting model is more accurate than the traditional SVM model and has certain practical value．Key words：adaptive；particle swarm optimization；support vector machine；global optimization；load forecasting中图分类号：TM715 文献标识码：A 文章编号： 1674-3415(2011)15-0043-040 引言电力负荷预测是电力系统日常运行中的一项重要工作。

基于MTS算法的神经网络在短期电力负荷预测中的应用摘要本文首先利用带有记忆功能的禁忌搜索算法的全局寻优能力训练神经网络，然后将训练好的神经网络用于短期负荷预测。

该方法具有较强的自适应能力和较好的预测效果，是可行有效和实用的。

关键词电力系统神经网络短期负荷预测中图分类号：tm715 文献标识码：a1禁忌搜索算法禁忌搜索算法能够找到函数优化问题的全局最优解。

下面结合函数优化问题来阐述该算法的一般过程。

设有优化问题其中是目标函数，是连续变量，?%r是可行集。

禁忌搜索算法首先随机地初始化一个可行解，记为，用表示到目前为止找到的最优解，用表示当前解，令=，=，同时把存储在一个具有一定长度的称为禁忌表的存储结构里。

接着算法重复以下过程：产生的一个邻域解’（生’的方法有很多，比如从区间[-，+]均匀地产生一个点’作为的邻域解，这里是一个比较小的实数；也可以从一个以为均值，以为均方差的正态分布中产生邻域解’，同样也是一个比较小的实数。

具体的产生办法可以参考[21]），如果产生的’不可行，即’￠?%r，则要重新产生’直至其可行为止。

产生’以后，计算（）和（’）。

若（’）<（），令=，’即’表示到目前为止的最优解，同时令=‘，而该邻域解’进入禁忌表，原禁忌表内存储的点顺序后移，称这种做法为更新禁忌表；否则，若（’）≥（），比较’与禁忌表内存储的所有的点，若’不在表内任意一个点的半径为的范围内（其中’比较小，比如取0.01），此时称’没有被禁忌，则令=‘，更新禁忌表，即’进入禁忌表，表内原来存储的点顺序后移。

若’被禁忌，即’在任意的一个表内的点的半径为的范围内，则重新产生一个的可行的邻域解’，然后重复该过程。

当连续多次没有改进时，可以认为算法搜索不到更好的全局最优解，可以中止算法，最后输出作为优化问题（1）的全局最优解。

2新型神经网络预测模型由于上面提到的具有记忆功能的禁忌搜索算法能够搜索全局最优解，而当训练样本设置好以后，前向神经网络权重的训练完全是一个优化问题，因此可以用禁忌搜索算法训练神经网络。

0 引言当今工业化发展趋势愈发强劲，用电负荷随之增加，电力负荷预测在能源管理和电力系统运行中扮演着至关重要的角色。

准确的负荷预测可以帮助电力系统规划者合理安排发电计划、分配能源配置，从而保障实际电力系统的稳定运行，确保供电质量。

然而，由于电力负荷受到季节性变化、天气条件、节假日等因素影响，传统的预测方法难以满足实际需求，因此需要借助先进的计算方法和技术来提高预测精度[1]。

近年来，人工智能和机器学习技术的迅速发展为电力负荷预测提供了新的解决方案。

其中，神经网络被应用于各个行业，主要原因是其能够自动学习数据之间的复杂关系。

长短期记忆（long short- term memory，LSTM）神经网络作为一种具有记忆能力的网络结构，在建模和预测时间序列数据方面得到了广泛的应用，包括股票价格预测、天气预报等领域，并取得了显著的成果[2]。

然而，传统的神经网络模型存在训练收敛速度慢、易陷入局部最优解等问题，从而影响其在电力负荷预测中的应用效果。

为了克服这些问题，本文将粒子群优化（particle swarm optimization，PSO）算法引入LSTM神经网络模型（简称“LSTM模型”）中，以提高其预测精度和训练效率。

粒子群算法具有自基于粒子群优化的长短期记忆神经 网络电力负荷预测模型Particle swarm optimization-based long short-term memory neural network for electric load forecasting model王政国1 关杰文1 庄晓宁21.北京派克盛宏电子科技有限公司，北京 1000002.呼和浩特科林热电有限责任公司，内蒙古 呼和浩特 010030摘要：针对电力系统中的电力负荷预测问题，提出了一种基于粒子群优化（particle swarm optimization，PSO）的长短期记忆（long short-term memory，LSTM）神经网络模型，旨在提高电力负荷预测的准确性和稳定性。

改进粒子群算法优化BP神经网络的短时交通流预测一、概述随着城市化进程的加速和交通系统的日益复杂，短时交通流预测已成为智能交通系统（ITS）的关键组成部分。

准确的短时交通流预测能够帮助交通管理部门和道路使用者更好地理解和应对交通拥堵，优化交通流，减少出行时间，提高道路使用效率。

近年来，人工智能技术的发展为短时交通流预测提供了新的解决思路，基于神经网络的预测模型因其强大的非线性映射能力而备受关注。

BP（Back Propagation）神经网络作为最常用的一种神经网络，具有自学习、自组织和适应性强的特点，已被广泛应用于各种预测问题中。

BP神经网络在训练过程中存在易陷入局部最优解、收敛速度慢等问题，这在一定程度上限制了其在短时交通流预测中的性能。

粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化算法，通过模拟鸟群捕食行为中的信息共享机制，实现全局搜索和快速收敛。

PSO算法具有参数少、易于实现、全局搜索能力强等优点，被广泛应用于函数优化、神经网络训练等领域。

传统的PSO算法在解决复杂优化问题时也面临着陷入局部最优、搜索精度不高等问题。

为了克服BP神经网络和PSO算法的不足，提高短时交通流预测的精度和效率，本文提出了一种改进粒子群算法优化BP神经网络的短时交通流预测方法。

该方法首先对PSO算法进行改进，通过引入惯性权重调整策略、速度限制策略和局部搜索策略，提高算法的全局搜索能力和局部搜索精度。

将改进后的PSO算法用于优化BP神经网络的权值和阈值，提高神经网络的训练速度和预测精度。

通过实际交通流数据的实验验证，证明该方法在短时交通流预测中具有良好的性能。

本文的研究不仅有助于提高短时交通流预测的准确性和效率，为智能交通系统的发展提供有力支持，同时也为粒子群算法和神经网络在交通领域的应用提供了新的思路和方法。

1. 交通流预测的重要性和应用场景交通流预测，作为智能交通系统（ITS）的重要组成部分，对于现代城市的发展和管理具有至关重要的意义。