电力系统短期负荷智能预测方法的研究

《电力系统短期负荷智能预测方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要电力系统负荷预测是实现电力系统安全、经济运行的基础，尤其是在电力市场条件下，负荷预测不仅对电力系统操作人员、电力市场规划者、供电者有着重要的作用，而且对其他的电力市场参与者也显得很重要。当负荷预测的差额造成大量运行成本和利润的损失时，高精度和快速的负荷预测就成为电力系统可靠运行和电力市场供求平衡的保证，因此对先进的智能预测方法进行研究是很有必要的。本文以咸阳地区购网有功功率的负荷数据为背景，建立了两个预测模型——神经网络负荷预测模型及小波神经网络组合负荷预测模型。利用这两个模型进行短期负荷预测工作，并对

2、其结果进行比较。针对传统的BP算法具有i)JJ练速度慢，易陷入局部最小点的缺点，采用具有较快收敛速度及稳定性的L厂M(Levenberg-Marquardt)优化算法进行预测，使平均相对误差有了很大改善。针对I广M优化算法的BP模型(LIVIBF模型)峰值预测效果较差的情况，采用了MRA(,J,波多分辨率分析)+LMBP组合负荷预测模型进行改进。通过使用多分辨率分析将负荷序列分解成具有不同频率特征的序列，从而更加清楚地表现出负荷序列的周期性和规律性。对分解后的分量根据其特点构造相应的神经网络模型分别进行预测

3、，最后将各分量预测结果迭加，以获得最终预测结果。仿真结果证明组合模型提高了预测精度，尤其是在一定程度上提高了每同峰值负荷的预测精度，具有良好的应用前景。关键词：短期负荷预测人工神经网络小波分析优化算法ABSTRACTAccurateforecastofshort．termelectricalloadisveryimportanttothesecurityofpOwersystemandeconomv．Especiallyunderpowermarketcondition，loadforecastingiSb

4、ecomingevenmoreimportant，nOtonlyforsystemoperators，butalsoformarketoperators，transmissionowners，andanyothormarketparticipants．Thasthehighforecastingaccuracyandspeedarcrequirednotonlyforreliablesystemoperation，butalSOforadequatemarketoperation，asbethunder-f

5、orecastsandover-forecastswouldresultinincreasedoperationalcoStSand10ssofrevenue．Soitisnecessarytoresearchadvancedtheoryofintelligenttechnelogy．BasedOiltheloaddataofmeritoriouspowerofXianyangareapowersystem，thisPaperestablishestwomodels，ANNandwNN，tocarryout

6、loadforecastingwork，andcomparetheresults．SincethetraditionalBPalgorithmhassomeunavoidabledisadvantages，suchasslowtrainingspeedandpossibilityoflocalminimizingtheoptimizedfunction，alloptimizedLMalgorithm，whichcanacceleratethetrainingofneuralnetworkandimprove

7、thestabilityoftheconvergence，shouldbeappliedtoforecastthereductionofthemeanrelativeerror．Meanwhile，becausethebadforecastingoft11eerrorofpeakloadisbasedOnthemodelofLMBR也isthesisintroducesaMRA＆U诬BPmodel．Throu曲applyingthismodel，theloadserialsaredecomposedtodi

8、fierentsub-serials，whichshowthedifferent丘equencycharacteristicsoftheloadandshow-significantregularityandperiodicitythantheoriginalloadserials．Meanwhile．anaftifidalneuralnetworkiSconstructedtOpredicteachsub-se