论文部分内容阅读
短期负荷预测是电力系统调度中一项必不可小的工作。短期负荷预测在机组配额、功率调度和负荷管理中具有重要作用。准确的负荷预测可以用低的电力系统运行费用来制定合适的调度计划,反之不准确的负荷预测将会提高电力公司的运行费用。尤其是在市场的环境下,准确就意味着效益。由于电力系统内负荷的复杂性,各种传统的负荷预测技术越来越难满足电力部门对预测精度等方面的要求,实际工作也要求较高精度的负荷预测方法。
本文采用统计学习理论支持向量机方法进行短期负荷预测,并且结合确定性退火聚类和小波分析研究了电力系统短期负荷预测。主要创新点如下:
1.研究了负荷预测的数据预处理方法,它是负荷预测过程的首要环节。采用小波软阀值去噪方法,对负荷序列进行降噪处理。
2.在讨论支持向量机基本理论的基础上,提出了确定性退火聚类和多支持向量机相结合的建模方法。
(1)研究了SVM回归建模过程中各参数的选择,用仿真试验研究了不同参数对SVM回归精度的影响,并同神经网络建模方法进行了比较,显示了支持向量机的优越性。
(2)利用确定性退火聚类具有全局最优分类的能力,对负荷数据根据特征变量进行分类,然后利用分类后的样本分别建立支持向量机预测模型。
3.利用小波理论的多分辨分析特性,较好地分离了负荷序列的趋势项、周期项、随机项,并对不同尺度成分利用支持向量机进行建模预测,最后再重构得到负荷序列的预测值。通过仿真试验验证了小波支持向量机方法的有效性。