短期负荷预测建模的理论及应用

《短期负荷预测建模的理论及应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、短期负荷预测建模的理论及应用主要内容短期负荷预测(STLF)简介多变量线性回归(Multiplelinearregression)一般指数平滑(GeneralExponentialSmoothing)随机时间序列(Stochastictimeseries)RMLPNN模型（RecursiveMultiLayerPerceptronNeuralNetworks）混沌时序模型（ChaoticTimeSeriesTheory）总结与展望I.短期负荷预测简介1.1意义电力系统负荷预测是实现电力系统安全、经济运行的基础，对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预

2、测。因此，负荷预测的关键是提高准确度。此外，从发展来看，负荷预测也是我国全面实现电力市场的必备条件，具有重要的理论意义和实用价值。I.短期负荷预测简介1.2短期负荷预测的分类方法一：根据负荷预测的时间超短期负荷预测：onehour短期负荷预测：onehourtooneweek方法二：根据数据采集间隔24点预测（onehour）48点预测（30min）96点预测（15min）I.短期负荷预测简介1.3短期负荷预测的方法多变量线性回归预测法(Multiplelinearregression)一般指数平滑预测法（GeneralExponentialSmoothing）随机时间序列预测法(Stocha

3、stictimeseries)人工神经网络预测法(ANN)基于混沌理论的预测法(Chaotic)卡尔曼滤波预测法(StatespaceandKalmanfilter)灰色预测法(Grey)模糊推理预测法(Fuzzy)小波分析预测法(Wavelet)组合预测法2.多变量线性回归(Multiplelinearregression)负荷模型是：其中：y(t)：t时刻的负荷值a0：常数x1(t),x2(t),x3(t),……xn(t):解释变量(湿度、温度、风速、经济发展速度、装机容量等）r(t):t时刻的残差变量ai：回归参数说明：1若观测值组数和待估值个数相等，则r(t)＝02此模型只适合离线（o

4、ff－line）预测，但考虑了气象变化3.一般指数平滑(GeneralExponentialSmoothing)负荷模型是：Y(t):t时刻的负荷值β(t):t时刻的系数向量f(t):t时刻的拟合函数R(t):t时刻的噪声最小成本函数是：其中：预测值是：参数更新公式是：此模型适合离线和在线预测，但没有考虑气象因素4.随机时间序列预测法(Stochastictimeseries)AR(p)模型是：MA(q)模型是：ARMA(p,q)模型是：ARMA的扩展模型还有ARIMA模型，ARFIMA模型等4.随机时间序列预测法(Stochastictimeseries)具体方法步骤是：(1)若ACF{1≤

5、s≤m}在某运算步骤后即在零的上下作微小波动，则可判定｛yt｝遵从MA（q）模型，并可大致确定相应的阶数q。(2)因AR（p）模型的PACF{s≥1}是不截尾的，当s≥q时，服从渐近正态分布，N(0，1/N)，故可以进行与MA(q)模型类似的截尾性检验。因此PACF决定于AR(p)模型。(3)对于一般的混合模型ARMA(p,q),无论是ACF还是PACF都不能单独确定ARMA模型的p,q值，这是时间序列建模的难点所在。通常由低阶到高阶逐一拟合模型,并经有关统计量的检验选优。5.RMLPNN模型（RecursiveMultiLayerPerceptronNeuralNetworks）递归MLP结

6、构图5.RMLPNN模型（RecursiveMultiLayerPerceptronNeuralNetworks）其输出误差可由公式定义：实际输出值:输出误差值:期望输出值:连接权值:的调整公式是：：是学习率是权重派生出来的输出向量5.RMLPNN模型（RecursiveMultiLayerPerceptronNeuralNetworks）对于隐含层，权重的数量变化可以由公式1，2给出，权重的更新由公式3给出公式1公式2公式35.RMLPNN模型（RecursiveMultiLayerPerceptronNeuralNetworks）RMLPNN模型的运行过程和实证分析选取保定地区2001年日

7、负荷的历史数据，首先对历史数据进行模糊聚类分析，结果发现，这些数据可以分为18个大类；利用RMLPNN模型，对网络进行学习和训练。具体的应用步骤如下：(1)模型的结构的确定和权值的随机选取。由于权值的随机性，避免了BP网络会出现收敛到局部极小值的不足。(2)将公式计算的每个类的距离的最小值所代表的数据输入到网络。根据模糊聚类分析的结果，将一年360天的数据分为18个大类，故网络的输入值是：(3)取