论文部分内容阅读
电力负荷预测对国家能源调配和国民经济发展有着不可替代的作用。电力系统部门可以根据预测结果对电网的输配电做出合理安排,进而对市政生活用电、工业生产用电等做出合理规划和资源配置,使得社会生产高效进行。论文在分析电力负荷分类和基本特性基础上,提出基于多源数据分层关联分析及优化神经网络的电力负荷预测。首先,针对电力负荷多源数据的噪声、冗余缺失以及负荷的特例类型,提出基于最短分叉树(Shortest Forking Tree,SFT)和混合指标局部异常因子(Mixed Index Local Abnormal Factor,MDILAF)的异常值检测方法,通过与LOF、LDOF、LOCI、COF、LMDOF和RDOS六种异常值检测算法的对比实验,验证了SFT可以替代传统K邻域信息方法并且有效的消除了K值敏感性,证明了MDILAF识别异常值性能优于其他算法。其次,为了降低原始负荷数据的复杂度和准确分析多源影响因素与电力负荷的关联度,构建了一种结合双树复小波(Dual-Tree Complex Wavelet Transform,DTCWT)与灰色关联分析(Grey Relational Analysis,GRA)的多源数据分层关联分析方法(Multi-source data hierarchical correlation analysis method,MSDHCA)。其中DTCWT具有平移不变性、抑制频率混叠、近似解析等优良特性,可以将原始电力负荷序列进行变换得到属于不同层数的子序列,降低原始数据的复杂度和不稳定性,同时克服模态混叠;考虑到气象因素对短期电力负荷预测的影响,采用GRA对气象影响因素与负荷子序列进行关联分析、数据简约降维处理,提取气象主要特征作为气象影响因子。最后,针对BP神经网络容易陷入局部最小值的问题,采用一种基于甲虫算法的群自适应算法(Group Adaptive Beetle Antennae Search,GABAS)优化神经网络参数并结合前两种方法构建预测模型,针对扬中数据建立预测模型进行实验,结果表明本文所提方法能够有效提升预测精度。