论文部分内容阅读
短期负荷预测是电力系统负荷预测的重要组成部分,是电力系统调度和计划部门安排购电计划和制定运行方式的基础,对电力系统的可靠和经济运行意义重大。随着电力市场的发展,精度高、速度快的预测理论和方法越来越受到重视。本文围绕这一课题进行了研究和探讨。论文首先综述了短期负荷预测的意义、特点、影响因素及其主要研究方法的优缺点,明确了本论文的主要研究内容和研究方向。在第二章中,介绍了神经网络的基本原理,指出了神经网络在应用中存在的问题。论述了免疫算法的机理和研究现状,给出了免疫算法的一般步骤。本论文取得的主要成果如下:1.提出了一种免疫聚类径向基函数神经网络(ICRBFNN)模型来预测电力系统短期负荷。在ICRBFNN的设计中,根据共生进化和免疫规划原理,提出了共生进化免疫规划聚类算法,可以自动确定RBF网络隐层中心的数量和位置,并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明,与传统的径向基函数神经网络预测方法相比,ICRBFNN方法具有更高的预测精度。2.提出了一种协同进化免疫网络模型来预测电力系统短期负荷。在神经网络的设计中,根据协同进化和免疫算法原理,提出了协同进化免疫算法,对神经网络的结构和参数同时进行学习,形成了一种新型的神经网络学习算法。对斯洛伐克东部电力公司进行的电力系统短期负荷预测表明,与传统的径向基函数神经网络预测方法相比,协同进化免疫网络方法具有更高的预测精度。3.在对支持向量机(SVM)方法进行分析的基础上,提出了一种免疫支持向量机(IWSVM)方法来预测电力系统短期负荷,其中利用免疫规划算法优化支持向量机方法的参数。免疫规划算法利用浓度和个体多样性保持机制进行免疫调节,有效地克服了未成熟收敛现象,提高了群体的多样性。电力系统短期负荷预测的实际算例表明,与支持向量机方法相比,所提免疫支持向量机方法具有更高的预测精度。4.针对城市电力系统年用电量增长的特点,将灰色神经网络模型GNNM(1,1)引入城市年用电量预测。GNNM(1,1)模型是把灰色方法与神经网络有机结合起来,对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络,来映射GM(1,1)模型的灰色微分方程的解。GNNM(1,1)模型采用BP学习算法,网络经训练收敛后就可进行城市年用电量预测。算例计算表明,与灰色预测方法相比,GNNM(1,1)模型具有更强的适应性和更高的预测精度,适用于城市年用电量预测。论文最后对上述研究成果进行了总结,指出了短期负荷预测中还有待进一步研究的问题。