论文部分内容阅读
电力系统负荷预测对于掌握负荷发展趋势、主动配电网优化调度、促进可再生能源消纳以及保证电网安全经济可靠运行具有重要意义,其中超短期负荷预测在电力系统预防性控制、紧急状态处理等方面发挥着中重要作用。因此,超短期负荷预测精度和效率的提高一直是国内外学者研究的热点问题。在电力系统超短期负荷预测模型的输出与各输入之间的相关性分析方面,针对传统线性相关系数法,只能反映变量之间存在的线性相关关系,无法表征它们之间存在的非线性相关关系,且使用条件具有一定的局限性,本文提出了采用Copula相关结构对其进行分析描述,其中Copula相关结构的建立主要包括边缘分布函数的建立、Copula函数中未知参数估计以及最优Copula函数的选择。在预测模型和方法方面,本文结合熵权理论和灰色关联度理论,基于日特征气象数据和日星期类型,提出了采用加权灰色关联度法进行相似日的选择。针对已有预测方法中,相关性分析只用作模型输入的选择,并未用在预测模型中,本文基于所提出的Copula相关结构并结合混合罚函数法,提出新的预测方法(Copula预测法),并说明了新方法预测误差产生的原因和适用场景。同时,作为Copula预测法的对比,本文实现了支持向量回归机和灰色模型预测法,其中在SVR参数优化选取方面,本文基于Libsvm工具箱,以最小化K折交叉验证误差为目标,在控制不敏感损失参数ε的基础上,分别采用网格搜索法、遗传算法和自适应权值粒子群算法对支持向量回归机模型参数中的惩罚因子C和核参数g进行优化选取。通过超短期负荷预测算例分析证明,在预测精度方面,本文提出的Copula预测法和基于Libsvm工具箱的改进SVR(APSO-SVR、GA-SVR)法的预测精度明显高于基于Libsvm工具箱的传统SVR(网格搜索法)法以及GM(1,1)模型;在预测效率方面,线上预测速度一致,但是线下训练时间,Copula预测法远小于基于Libsvm工具箱的改进SVR算法(主要是因为优化算法进行选取参数时间较长,运行速度较慢,但若随意设置参数,则会影响预测精度);在预测误差产生原因分析方面,Copula预测法由于模型数理结构更清晰,因而具有更大的优势。