论文部分内容阅读
电力系统短期负荷预测是电网安全、经济运行的重要依据之一，正确而精准的电力系统短期负荷预测有助于提高电网运行的安全性、经济性和改善电能质量。因此，寻求最合适的电力短期负荷预测的预测方法，从而对提高短期负荷预测的预测精度是具有十分重要的应用价值。本文基于电力系统短期负荷预测的背景、意义以及国内外发展现状的研究，分析了电力系统负荷的特点、规律以及与各种影响因素之间的非线性关系，给出了对历史负荷数据中异常数据的辨识与处理方法，对历史负荷数据和与短期负荷预测有关的影响因素进行归一化处理。根据最小二乘支持向量机(LSSVM)具有能够较好地解决小样本、非线性、高维数以及局部极小值等实际问题的优势。首先基于支持向量机(SVM)的研究，通过利用训练误差的平方代替松弛变量，将不等式约束改进为等式约束，从而提出最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型，这样就避免了求解一个二次规划问题，提高预测模型训练的速度。由于LSSVM短期负荷预测模型的参数选择对预测结果精度有着至关重要的影响，本文提出利用粒子群算法(PSO)对LSSVM中的参数进行优化选择，得到基于PSO-LSSVM的短期负荷预测模型，以求进一步提高预测精度。但在粒子群优化算法进行寻优过程中，容易陷入局部最小值，出现早熟收敛的情况，针对这一问题，提出对标准粒子群优化算法进行改进，避免其在优化过程中出现上述问题。建立基于改进粒子群优化算法的最小二乘支持向量机(IPSO-LSSVM)短期负荷预测模型。并通过平均相对误差和均方差根来作为评价标准，验证该算法的准确性。最后，本文通过对2010年广东某地区的历史负荷数据进行分析研究，分别对基于LSSVM、PSO-LSSVM、IPSO-LSSVM的三种短期负预测模型进行预测仿真。最终结果对比表明：IPSO-LSSVM短期负荷预测模型具有收敛性好、有较高的预测精度和较快的训练速度，验证利用改进的PSO算法进行参数优化有助于提高短期负荷预测的预测精度，由此可以说明对LSSVM短期负荷预测模型的参数优化具有很高的研究价值和社会意义。