[1]柴 赟,刘志仁,曹卫青,等.粒子群优化小波神经网络的功率预测研究[J].南京师大学报(自然科学版),2025,48(03):129-138.[doi:10.3969/j.issn.1001-4616.2025.03.015]
　Chai Yun,Liu Zhiren,Cao Weiqing,et al.Research on Power Prediction Using Particle Swarm Optimized Wavelet Neural Network[J].Journal of Nanjing Normal University(Natural Science Edition),2025,48(03):129-138.[doi:10.3969/j.issn.1001-4616.2025.03.015]
点击复制

粒子群优化小波神经网络的功率预测研究()

《南京师大学报（自然科学版）》[ISSN:1001-4616/CN:32-1239/N]

卷:
48
期数:
2025年03期
页码:
129-138
栏目:
计算机科学与技术
出版日期:
2025-06-20

文章信息/Info

Title:
Research on Power Prediction Using Particle Swarm Optimized Wavelet Neural Network
文章编号:
1001-4616(2025)03-0129-10
作者:
柴 赟1; 刘志仁2; 曹卫青3; 杨勤胜3; 陈公海3
(1.国网江苏省电力有限公司,江苏 南京 210000)
(2.国网江苏省电力有限公司无锡供电分公司,江苏 无锡 214000)
(3.江苏方天电力技术有限公司,江苏 南京 210000)
Author(s):
Chai Yun1; Liu Zhiren2; Cao Weiqing3; Yang Qinsheng3; Chen Gonghai3
(1.State Grid Jiangsu Electric Power Co.,Ltd.,Nanjing 210000,China)
(2.Wuxi Power Supply Branch,State Grid Jiangsu Electric Power Co.,Ltd.,Wuxi 214000,China)
(3.Jiangsu Fangtian Power Technology Co.,Ltd.,Nanjing 210000,China)
关键词:
粒子群优化; 小波神经网络; 功率预测
Keywords:
particle swarm optimization; Wavelet Neural Network; power prediction
分类号:
TM614
DOI:
10.3969/j.issn.1001-4616.2025.03.015
文献标志码:
A
摘要:
电力系统的复杂化及可再生能源的集成增加,对电力系统运行中的功率预测技术提出了更高的要求. 准确的功率预测对于电力系统的稳定运行、优化发电计划以及减少运营成本非常关键. 为应对这一挑战,本文设计了一种将改进后的小波神经网络(WNN)与粒子群优化(PSO)算法相结合的混合模型,有效提升了功率预测的精度与效率. 小波神经网络的优势在于其能够处理非线性和非平稳时间序列数据,而粒子群优化则通过其全局搜索能力优化网络参数,从而避免局部最优问题,加速训练过程,改进的Gaussian小波函数增强了模型的多尺度能力. 实验结果表明,相比于小波神经网络预测模型,改进后的PSO-WNN模型在预测精度和收敛速度方面均有显著的提升.
Abstract:
As the complexity of power systems and the integration of renewable energy sources increase,higher requirements are placed on power prediction techniques in power system operation. Accurate power prediction is critical for stable power system operation,optimization of power generation schedules,and reduction of operating costs. To address this issue,this paper proposes a hybrid model combining improved Wavelet Neural Network(WNN)and Particle Swarm Optimization(PSO)algorithm to improve the accuracy and efficiency of power prediction. The advantage of wavelet neural network is its ability to handle nonlinear and non-stationary time series data,while particle swarm optimization optimizes the network parameters through its global search capability,thus avoiding the local optimum problem and accelerating the training process,and the improved Gaussian wavelet function,which enhances the model's multi-scale capability. The experimental results show that compared with the wavelet neural network prediction model,this improved PSO-WNN model has a significant performance improvement in terms of prediction accuracy and convergence speed.

参考文献/References:

[1]姜建国,杨效岩,毕洪波. 基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测[J]. 太阳能学报,2024,45(7):462-473.
[2]陈国平,董昱,梁志峰. 能源转型中的中国特色新能源高质量发展分析与思考[J]. 中国电机工程学报,2020,40(17):5493-5506.
[3]周文,孟良,杨正富,等. 基于时间序列的大型光伏电站发电短期预测[J]. 电源技术,2021,45(11):1490-1494.
[4]褚景春,郭鹏,解加盈. 自组织核回归风电机组功率曲线建模与应用研究[J]. 太阳能学报,2021,42(7):372-377.
[5]唐冰婕,陈宁,张磊,等. 适用于风-光-火耦合系统运行控制的状态感知及预测技术[J]. 高电压技术,2024,50(4):1596-1607.
[6]黄玲玲,石孝华,符杨,等. 基于DCGCN模型的海上风电场超短期功率预测[J]. 电力系统自动化,2024,48(15):64-72.
[7]张金金,张倩,马愿,等. 模糊聚类-Elman神经网络短期光伏发电预测模型[J]. 电测与仪表,2020,57(12):46-51.
[8]刘媛媛,李峰. 短期光伏功率模糊Elman-DIOC神经网络预测分析[J]. 机械设计与制造,2024,(6):26-29.
[9]胡浔惠,丁伟,曹敬,等. 基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测[J]. 可再生能源,2024,42(7):877-885.
[10]游佳凝,高玲,王庆. 基于GA-BP神经网络的颗粒阻尼器减振特性预测[J]. 福建师范大学学报(自然科学版),2023,39(3):106-115.
[11]张昊立,张菁,倪建辉,等. 引入注意力机制的LSTM-FCN海上风电功率预测[J]. 太阳能学报,2024,45(6):444-450.
[12]白春江,陈翔,何鋆,等. 基于小波神经网络的PIM功率时间序列预测[J]. 空间电子技术,2023,20(6):22-29.
[13]常东峰,南新元. 基于混合麻雀算法改进反向传播神经网络的短期光伏功率预测[J]. 现代电力,2022,39(3):287-298.
[14]杨锡运,王诗晨,张艳峰,等. 基于相似日的Grey-Markov与BP_AdaBoost的短期光伏功率预测[J]. 电源技术,2023,47(6):790-794.
[15]王海燕,刘佳康,邓亚平. 基于预估-校正综合BP神经网络的短期光伏功率预测[J]. 智慧电力,2023,51(3):46-52.
[16]李争,徐若思,曹欣,等. 基于小波变换和IAGA-BP神经网络的光伏功率短期预测方法[J]. 可再生能源,2023,41(7):883-890.
[17]MOSHTAGHPOUR A,BIOUCAS-DIAS J M,JACQUES L. Close encounters of the binary kind:signal reconstruction guarantees for compressive hadamard sampling with haar wavelet basis[J]. IEEE transactions on information theory,2020,66(11):7253-7273.
[18]SALEH S A,RAHMAN M A. Modeling and protection of a three-phase power transformer using wavelet packet transform[J]. IEEE transactions on power delivery,2005,20(2):1273-1282.

相似文献/References:

[1]曹文梁,康岚兰,王 石.动态环境下的自适应反向扩散演化算法[J].南京师大学报(自然科学版),2020,43(04):119.[doi:10.3969/j.issn.1001-4616.2020.04.017]
　Cao Wenliang,Kang Lanlan,Wang Shi.An Adaptively Reversed Diffuse Evolutionary Algorithmin Dynamic Environments[J].Journal of Nanjing Normal University(Natural Science Edition),2020,43(03):119.[doi:10.3969/j.issn.1001-4616.2020.04.017]
[2]李二超,高振磊.改进粒子速度和位置更新公式的粒子群优化算法[J].南京师大学报(自然科学版),2022,45(01):118.[doi:10.3969/j.issn.1001-4616.2022.01.017]
　Li Erchao,Gao Zhenlei.Particle Swarm Optimization Algorithm With Improved Particle Velocity and Position Update Formula[J].Journal of Nanjing Normal University(Natural Science Edition),2022,45(03):118.[doi:10.3969/j.issn.1001-4616.2022.01.017]
[3]倪元相,刘 芳.输出反馈式神经网络的机械臂轨迹跟踪控制[J].南京师大学报(自然科学版),2025,48(03):93.[doi:10.3969/j.issn.1001-4616.2025.03.011]
　Ni Yuanxiang,Liu Fang.Manipulator Motion Trajectory Tracking and Control Scheme var Output Feedback Style Neural Network[J].Journal of Nanjing Normal University(Natural Science Edition),2025,48(03):93.[doi:10.3969/j.issn.1001-4616.2025.03.011]

备注/Memo

备注/Memo:
收稿日期:2024-08-28.
基金项目:国网江苏省电力有限公司科技项目(J2023116).
通讯作者:刘志仁,硕士,正高级工程师,研究方向:电力系统分析及电力二次技术,E-mail:liuzhiren30@qq.com
更新日期/Last Update: 2025-06-20