电力系统负荷预测是国家电网公司各级电力调度部门日常工作的基本内容,它已经成为评价电力系统现代化运行管理的重要指标,特别是准确的短期负荷预测更具有指导意义。在电网日趋完善的情形下,传统的预测办法已经很难提高预测精度。本文对电力负荷的预测做了简要的概述,介绍了负荷预测的特点和分类等内容,流程化地论述了预测的步骤以及误差评价指标,并对广义回归神经网络(GRNN)做了叙述。主要做了如下的内容和工作:(1)以白银市地区为例,重点分析了该地区短期负荷的特点。期间通过收集并整理该地区的负荷数据和气象信息等内容,研究了负荷的变化规律并讨论了负荷与其影响因素之间的联系。由于负荷数据和影响因素涵盖的内容较多,因此考虑采用相关性分析方法将影响因素进行简化,提取与负荷相关的信息,去除不相关的因素,从而为预测模型的建立减少了工作量。(2)根据负荷特征及其相关影响因素的确定,建立了神经网络的预测模型。为此,本文选用误差反向传播神经网络(BPNN)和GRNN进行预测。与BPNN相比,GRNN的函数逼近能力很强,需要调整的因子较少,其训练只依靠输入的样本,并且能够防止人为对结果的不利影响等特点。经过对某三日整点时刻的预测得出,GRNN的预测误差不仅比现有预测系统的要小,而且要比BPNN的预测更加精准。(3)群体智能优化算法是近些年来新兴的一类优化方法。本文介绍了果蝇优化算法(FOA)的原理和步骤,选取10个测试函数来研究各个参数对算法的影响,并且得出了一般意义的结论。虽然FOA的性能比较优异,但是它容易陷进局部最优,而且稳定性不高。因此本文从FOA的其中一个参数——搜寻距离l入手,提出了两种改进方法,第一种是将l逐渐减小,第二种是让l先增大后减小。通过测试函数对其进行仿真验证得出,第二种改进方法不仅收敛精度要比原始算法好一些,而且在算法稳定性方面要优于原始算法。(4)对GRNN的优化训练实际上就是优化其平滑因数σ。本文使用粒子群优化算法(PSO)、FOA和IFOA(改进FOA,即提出的第二种改进方法)分别优化GRNN的σ并预测某3日整点时刻的负荷。通过验证得出,使用PSO或者FOA来优化的GRNN,其预测误差会进一步缩小,而将FOA进行改进来优化GRNN是所使用的方法中误差最小的一个。