关键词：短期电力负荷预测 大数据变量选择及降维 最小绝对值收缩及变量选择 弹性网 花授粉算法优化bp神经网络 

摘要：电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。

仪器仪表学报杂志要求:

{1}注释：将注释按正文中出现的先后顺序排列编号，用数字加圆圈标注，并集中排列在正文后。

{2}来稿以未在国内外正式发表为限。

{3}正文的层次标题应简短明了，以15字为限，不用标点符号，其层次的划分及编号一律使用阿拉伯数字分级编号法。

{4}“题目”应明晰（必要时可加副标题），并附有200字左右以内的“摘要”和3-5个“关键词”。

{5}稿件研究内容如获得课题或基金资助，请注明其名称及项目号。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社