论文部分内容阅读
电力系统短期负荷预测是电力系统安全与经济运行的重要依据,它对于调度部门的机组最优组合、经济调度、最优潮流等意义重大,更是建设电力市场的基本工作。短期负荷预测的精度越高,越有利于提高发电设备的利用率和经济调度的有效性。 随着电力系统市场化和信息化的不断发展,对短期负荷预测提出了更高的精度和速度要求,这些新要求推动短期负荷预测方法朝着智能化、组合化的方向发展。智能化预测方法能很好地处理短期负荷预测过程中的非线性问题,建立比传统方法更能准确描述负荷成因的模型。组合预测方法能集结多种单一模型的信息,最大程度地利用已知信息,改善预测结果,降低预测风险。本文的研究主要是从这两个方面着手,以智能化方法中的支持向量机为基础建立模型,逐步发现其薄弱环节并加以改进,从而构建出基于粗糙集理论和支持向量机的组合模型。 本文首先研究了支持向量机的基本理论,结构风险最小化原则使得支持向量机方法比传统预测方法具有更好的泛化性能,即可以更加准确地预测未来信息,序列最小最优化算法解决了支持向量机的大规模二次规划求解问题。这些基本理论对支持向量机在短期负荷预测中的应用起着重要的支撑作用。 然后本文依据短期负荷预测的基本过程建立了支持向量机预测模型,全面研究了样本属性的构造、参数的选取和核函数的选择等问题,并对模型参数根据近大远小原则进行改进,从而提高预测精度。 接着本文从考虑更多的影响因素和提高计算速度两个方面深入研究了预测模型,提出了结合粗糙集高效算法的支持向量机预测模型和基于日负荷聚类的并行预测模型,并通过算例来验证这两个模型的准确性。 最后本文进一步研究了发生突变后的负荷预测快速跟踪问题,提出了考虑综合相似度的相似日预测方法。该方法利用综合相似度来选择合适的相似日样本,再进行负荷预测,算例结果显示相似日方法可以较好地解决突变后的负荷预测快速跟踪问题。