论文部分内容阅读
短期电力负荷预测是国家电网调度部门的重要工作内容,对电网运行的经济性和安全性有着重大的影响。但是,由于电力负荷自身的非线性、随机性和不确定性等因素,导致传统的单一预测方法预测精度较低,不能够客观地反映出负荷的变化规律,因此,组合预测成为了当今电力负荷预测的研究热点之一。
本文阐述了负荷预测的背景、分类、特点、现状和预测评价指标。针对短期负荷的特点,使用小波去噪法对负荷样本数据进行去噪处理,然后对数据进行归一化分析;分析了气象、经济和节假日等因素与负荷之间的关系,并对气象和节假曰因素进行量化处理,得出算法的输入结构。引入了神经网络(BackPropagation,BP)、支持向量机(SupportVectorMachine,SVM)和粒子群优化支持向量机(ParticleSwarmOptimization-SupportVectorMachine,PSO-SVM)等单一算法来对负荷进行预测。同时,为了克服神经网络在预测时出现局部极小点的缺点,提出贝叶斯正则化神经网络的方法,并采用经验公式遍历法来寻找最优隐含层神经元个数;为了克服支持向量机参数优化问题,提出了SVMcgForgress函数法和粒子群优化法来对SVM参数进行寻优。实验表明,PSO-SVM预测效果最好,SVMcgForgress函数优化SVM预测效果比BP预测模型好,且三种模型的预测误差百分比均小于2.5%,其中,PSO-SVM预测误差的百分比在1.5%以内。
在单一预测模型的基础上阐述了组合预测的概念、现状、模型及模型权重的求解方法。引入了三种组合模型:线性组合预测模型(LinearCombinationModel,LC)、加权几何平均组合预测模型(WeightedGeometricMeanCombinationModel,WGMC)和加权调和平均组合预测模型(WeightedHarmonicMeanCombinationModel,WHAC)和四种模型权重求解方法:等权平均法(Equal-Weighted,EW)、均方误差倒数法(MeanSquareErrorCountdown,MSEC)、简单加权平均法(SimpleWeightedAverage,SWA)和熵值法(Entropy,E)。通过三种单一预测模型得到的预测绝对误差和四种组合模型权重求解方法,得到12组组合预测模型,实验表明WHAC-E组合模型的预测效果最好,预测误差的百分比为1.15%,比三种单一预测模型的预测精度有所提高,且达到了短期负荷预测误差在2%以内的目标,为短期电力负荷预测提供了一种有效的方法。