电力负荷长期预测的自适应反向传播算法( An adaptive backpropagation algorithm for long-term electricity load forecasting )

Mohammed, Nooriya A. Al-Bazi, Ammar

人工神经网络（ANN）已被广泛用于确定未来短期、中期和长期的电力需求。然而，研究已经发现，当用于长期预测时，ANN可能会导致不准确的负荷预测。这种不准确性归因于训练数据不足和累积误差增加，特别是在长期估计中。本研究提出一种改进的人工神经网络模型，并结合自适应反向传播算法(ABPA)来预测电力长期负荷需求。ABPA包括提出调整/调整预测值的新预测公式，因此它考虑到训练数据集和未来输入数据集不同行为之间的偏差。多层感知器(MLP)模型的体系结构及其传统的反向传播算法(BPA)被用作所提出的开发的基线。通过引入调整因子来消除训练数据集和新的/未来数据集之间的行为差异，进一步改进了预测公式。以伊拉克电力部提供的2011-2020年实际月用电量为基础，进行了计算研究，验证了所提出的自适应算法的性能。不同类型的能源消耗和停电期（未满足需求）因素也是影响电力供应的重要因素。然后，将所开发的神经网络模型（包括所提出的ABPA）与传统的和流行的预测技术（如回归和其他先进的机器学习方法（包括递归神经网络））进行比较，以证明其优越性。结果表明，ABPA的最小均方误差(MSE)和平均绝对百分比误差(MAPE)分别为(1.195.650)和（0.045）。结果表明，所提出的ABPA算法，包括调整因子，使传统的人工神经网络技术能够有效地用于电力负荷需求的长期预测。

SciDown文献求助系统（解决99%问题） Public Download Springer