基于综合自适应滤波器的在线短期负荷预测.pdf

《基于综合自适应滤波器的在线短期负荷预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第39卷第l0期电力系统保护与控制、，01．39No．1O2011年5月l6日PowerSystemProtectionandControlMay16，2011基于综合自适应滤波器的在线短期负荷预测蒋强，肖建，王万岗17何都益，蒋伟。(1．西南交通大学电气学院，四川成都610031；2．乐山师范学院物电学院，四J1I乐山614000；3．四川电力试验研究院，四川成都610072)摘要：准确地实现小时负荷预测是实施优化控制和动态安全分析的前提。采用嵌入维最小二乘支持向量机(ELS-SVM)的方法进行建模和预测，对影响负荷的因素进行模糊化处

2、理。采用了粒子群(PSO)优化算法解决ELS-SVM学习过程中多参数难以调整的问题。提出分段小批量学习和更新的在线学习方法，既降低了运算量又能有效地避免积累误差，从而提高预测精度。实验结果表明，该方法有效地将预测精度从2．1％提高到了1．29％。关键词：智能电网；负荷预测；ELS-SVM；PS0；自适应滤波器ShorttermloadonlineforecastingbasedonintegrationadaptivefilterJIANGQiang’，XIAOJian，WANGWan-gang，HEDu—yi2,JIANGWei(1．

3、SchoolofElectricalEngineering，SouthwestJiaotongUniversity,Chengdu61003l，China；2．SchoolofPhysicsandElectricEngineering，LeshanNormalUniversity,Leshan614000，China；3．SichuanElectricPowerTest&ResearchInstitute，Chengdu610072，China)Abstract：Hoursloadpredictionisthefundamentofdo

4、ingananalysisofoptimizationcontrolanddynamicsecurity．Inthispaper,weUSeembeddingdimensionleastsquaresupportvectormachines(ELS-SVM)tomakemodelandforecast．Fuzzyprocessingofthefactorsthataffectshortterl'nloadisconducted．AndpresentPS0optimizationalgorithmisadoptedtoSOlvethepr

5、oblemthattheparametersaredifficulttoadjustintheELS-SVMlearning．Anapproachofsegmentsmallquantitylearningandupdatingisproposedtorealizeonlineforecastingwhichnotonlyreducesthecomputingamount，butalsoavoidstheerrorofaccumulation，thusimprovestheforecastingprecision．Thecasestud

6、yshowsthatthepredictionaccuracyiSimprovedfrom2．1％t01．29％．ThisworkiSsupportedbyNationalNaturalScienceFoundationofChina(No．60674057)．Keywords：smartgrid；loadforecast；ELS．SVM：PSO；adaptivefilter中图分类号：TM714；TP181文献标识码：A文章编号：1674-3415(2011)10—0097-070引言的电力负荷预测效果很难保证，同时无法考虑气象电力系

7、统负荷短期预测，主要是针对月周日时负等因素的影响。智能方法能较好地解决电力负荷预测的非确定性，非线性性的特点。随着研究的深入，荷进行预测。它是制定运行方式和调度策略，发电机基于统计学习理论的预测方法具有更好的预测效组检修计划和确定系统网上最优容量的依据。直接关果。文献[1】运用SVM进行了短期电力负荷预测，系到电力系统的运行效率和经济效益。由于其具有很这种方法是不等式约束，推广运算量大。LS．sVM强的非线性特点，多种影响因素难以确定影响权重等将不等式约束改为等式约束，降低了运算量，但同导致预测困难。时丧失了解的稀疏性。文献f2】将LS

8、．SVM与序列最目前电力负荷短期预测方法主要有线性回归、小优化算法相结合，采用剪枝算法进行稀疏化处理，灰色理论、时序分析法等传统方法和现代的智能方进一步降低运算量。支持向量机应用时其预测效果法如神经网络、模