论文部分内容阅读
水资源的综合利用和开发与电力负荷预测有着密切的关系，负荷预测的数据作为水资源开发、优化配置、水库调度的重要依据。电力负荷预测对电力系统的安全经济运行也起着十分重要的作用。实践中取得的负荷时间序列包含了诸多影响因素，使得电力负荷表现出复杂性、不确定性、非线性的特点。混沌看作是确定性的非线性系统出现的具有内在随机性的解。混沌时间序列中蕴涵有丰富的动力学信息，研究如何提取这些信息并应用到实际中，是非常有意义的一项工作。本文基于混沌理论，对电力系统负荷演变的混沌变化规律进行分析，在此基础上，研究负荷相空间的非线性预测方案，研究取得了如下具有价值的成果。 从重构相空间理论出发，探讨了相空间参数对重构空间质量的影响，以及确定相空间嵌入维数和延迟时间各种不同的方法。本文对时间序列混沌特性的识别方法，及混沌相空间预测模型进行了详细讨论，为电力系统负荷的混沌分析奠定了基础。 对不同时间尺度的电力负荷：小时负荷、日负荷、月负荷时间序列进行混沌性识别。充分提取电力负荷时间序列蕴涵的混沌特征量：饱和关联维数、Lyapunov指数、Kolmogorov熵，从定量的角度分析电力负荷时间序列的混沌特性。同时，对电力负荷相空间的奇怪吸引子的分形维数也进行了探讨，给出了相空间图。这些研究为进一步电力负荷的混沌相空间预测工作提供保障。 利用电力负荷相轨道的特点，研究混沌相空间的相似点模型、线性回归模型及Lyapunov指数模型对电力负荷的短期预测。实例中分析了相空间嵌入维数和预见期的不同对预测效果的影响。研究表明，几种相空间预测模型对电力负荷短期预测是有效的。 将混沌分析方法成功用于电力负荷多时间尺度的分析中。通过计算长时间尺度的年负荷分解到短时间尺度的月负荷的分解系数，寻找出其混沌变化的特性。在发现分解系数具有混沌性质的基础上，用相空间混沌预测方法进行预测，从而进行降尺度计算分析。 本文将人工神经网络和卡尔曼滤波技术引入到混沌相空间中，提出了基于混沌分析的BP神经网络模型以及混沌相空间的卡尔曼滤波模型。文中详细描述了建模的原理、预测的过程，最后将两个祸合模型用于电力日负荷时间序列的短期预测中，实例应用表明祸合模型的预报精度较高，预报效果是令人满意的。 综上，本文所开展的工作主要在电力负荷的混沌特性分析及其相空间的非线性预测方面，在混沌方法与其他新技术的结合方面做出了探索性研究。该项研究不仅为负荷预测提供了可行的实用方法，而且为负荷预测的进一步研究提供新思路，同时也为其他水文变量的研究工作提供参考方案。关键词:水资源优化利用电力负荷预测混沌理论相空间重构降尺度人工神经网络卡尔曼滤波