Resumen

La previsión de carga a corto plazo es una parte importante para apoyar la planificación y operación de la red eléctrica, pero los métodos actuales de previsión de carga tienen el problema de una escasa capacidad adaptativa de los parámetros del modelo, lo que dificulta asegurar la demanda de una previsión eficiente y precisa de la carga de la red eléctrica. Para resolver este problema, se propone un método de previsión de carga a corto plazo para la red inteligente basado en un modelo de red de capas múltiples. Este método utiliza el método de descomposición de modo empírico integrado (IEMD) para realizar los datos de estado de carga de manera ordenada y fiable, y proporciona un soporte de datos de alta calidad para el modelo de red de predicción. Se utiliza el módulo de inicio de red mejorado para ajustar de forma adaptativa los parámetros del modelo de predicción de red neuronal profunda (DNN) para mejorar la capacidad de ajuste y seguimiento de la red de predicción. Al mismo tiempo, la introducción del algoritmo de optimización híbrida de enjambre de partículas mejora aún más la capacidad de optimización dinámica de los parámetros del modelo de aprendizaje profundo por refuerzo y puede lograr la predicción precisa de la carga a corto plazo de la red inteligente. Los resultados de la simulación muestran que el error porcentual absoluto medio y el error cuadrático medio de las métricas de rendimiento del modelo de predicción son del 10.01% y 2.156MW, respectivamente, mostrando una excelente capacidad de ajuste de curvas y de previsión de carga.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Previsión de carga; Red inteligente; Modelo de red multicapa; Red neuronal profunda; Optimización de enjambre de partículas; Predicción a corto plazo
• Keywords:Load forecasting; Smart grid; Multilayer network model; Deep neural network; Particle swarm optimization; Short-term prediction