论文部分内容阅读
短期负荷预测是电力系统运行中一项重要的基本工作,是制定发电计划的依据。电力市场形势下,短期负荷预测对于电网的经济运行有着重要意义。
人工神经网络已经被应用到短期电力负荷预测中来,较之传统的预测方法预测精度有了一定的提高。但是,神经网络还存在着一些问题,如网络模型的结构设定需要经过大量的实验摸索和一定的先验知识。由于神经网络集成弥补了人工神经网络的上述缺点,因此本文采用神经网络集成方法来建立日负荷预测模型,进行日负荷预测。
神经网络集成自提出以来,无论是应用上还是理论上都有了很大的发展,涌现了如Boost,Bagging,CVC,EVOL,CELS等集成方法。本文在日负荷预测模型中采用了前三种集成方法。
由于日负荷具有自身的规律性,同类型日负荷曲线又非常接近,同时日负荷又受到季节、天气、节日等因素的影响,故本文在考虑了上述影响因素的基础上建立了两种日负荷预测类型。在第一类预测模型中,分别采用了3和8个个体网络进行集成,实验结果表明,无论3网络集成还是8网络集成,预测精度较之传统人工神经网络方法都有了明显的提高,且8网络集成比3网络集成时预测效果更好。第二类预测模型考虑了第一类模型中负荷和温度输入变量的差异及其对预测效果的影响,将第一类预测模型中的温度输入变量独立出来,由此得到了改进的日负荷预测模型:日负荷归一化曲线预测子模型和日最高最低负荷预测子模型。实验数据表明,采用同样子网数目进行集成时,第二类预测模型能够取得比第一类预测模型更好的预测效果,并在提高预测精度的同时减少了模型训练所需的时间。