论文部分内容阅读
伴随着我国发电装机容量的不断提高,电力负荷的变化趋势也日渐复杂,对电力系统规划、运行等带来了极大的挑战。电力负荷预测作为电力系统规划和运行的重要环节,其预测结果对电力系统的实时调度、调度计划优化、安全稳定运行等有重要的参考价值。因此,研究如何提高负荷预测的准确程度,也是电力系统方向的一个重要课题。首先,本文依次搭建反向传播(Back Propagation,BP)神经网络模型、长短期记忆(Long Short Term Memory,LSTM)神经网络模型、支持向量机(Support Vector Machine,SVM)模型,对某地2018年12月1日的每小时最大负荷进行预测,并取得了一定的预测效果。其次,本文提出基于分时段负荷预测数据进行修正的改进方法。由于滚动预测可能使预测误差随时间推移而产生累积,本文通过将目标日时间平均分成6个时段,并对各时段每小时最大负荷的平均值进行预测,将预测值进行处理得到各时段修正值,并对单一模型结果进行修正,仿真显示修正后模型预测结果的平均绝对百分比误差降幅分别达到24.76%、11.30%、9.03%。再次,本文提出搭建综合负荷模型的改进方法。论文将所搭建的三个模型通过变权值的方式进行组合,形成综合负荷模型。利用每个模型对目标日前一周每小时最大负荷进行预测,并将三组预测结果与实际值,输入到SVM模型进行训练,再将三个模型在目标日的预测结果输入到训练好的SVM模型,得到最终结果。仿真显示综合负荷模型预测结果的平均绝对百分比误差为1.14%,模型的预测精度得到明显改善。最后,本文引入卷积神经网络(Convolutional Neural Networks,CNN),提出搭建CNN-LSTM模型的改进方法。将输入信息构造成图像输入序列,输入到模型进行训练,并对目标日每小时最大负荷进行预测。通过仿真分析,模型得到预测结果的平均绝对百分比误差为1.91%,与LSTM神经网络模型预测结果相比降低幅度达20.08%。