【出 处】：《 计算机仿真 》 CSCD 2015年第32卷第9期 167-170页,共4页

【作 者】： 王艳杰

【摘 要】 在对电力网络负载预警时，电力负荷参数变化过程存在大变化、非线性的特点，预警过程与时间相关性较大，传统算法进行电力网络负载预警过程中，没有负荷变化的模糊性与时间序列相关性，使得网络学习收敛速度慢，易陷入局部极小值，造成了电力网络负载预警精确度较低的问题。为提高预警精度，提出改进遗传算法的电力网络负载预警方法。将遗传算法与BP神经网络算法相融合，组建电力系统的重构相空间模型，通过计算最大Lyapunov指数来找出负载时间序列，具有混沌特性，利用混沌神经网络对负载时间序列进行短期负荷预测，结合灵敏度分析对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进，有效的建立了电力网络负载预警模型。仿真结果表明，该电力网络负载预警模型精确度高，实用性强。