基于LS-SVM的电力系统短期负荷预测研究

《基于LS-SVM的电力系统短期负荷预测研究》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、硕士论文基于LS．SVM的电力系统短期负荷预测研究摘要随着我国电力事业的发展，电网的管理日趋现代化，电力系统负荷预测问题的研究也引起了人们越来越多的注意。如何更好地进行负荷预测，己经成为现代电力系统研究中的重要课题之一。本文主要针对电力系统短期负荷预测进行了研究。本文首先从分析电力系统负荷数据的特性着手，其内在规律主要表现在周期性与连续性上，这一特性给数据的预处理以及输入样本的选取等方面提供了有利依据，其外在特性主要体现在温度、降雨量、日类型以及分时电价等因素对负荷的影响，并着重分析了温度因素的影响，建立无温度影响的预测模型和

2、有温度影响的预测模型，通过仿真实验表明了后者的预测精度更高。本文在选取参数时，引入了免疫克隆选择算法，通过与一般的人工免疫算法的比较，在相同进化代数的条件下该算法寻得的参数更优。由于小波变换能提取数据变化的细节部分，根据这一特性，将滤波后的数据通过小波分解得到一系列的予序列，并分别对子序列建立LS．SVM预测模型，然后将各个预测结果重构得到最终的预测结果。与基于LS．SVM的预测模型相比，该模型的预测效果更好。实例结果表明了算法的有效性。通过与小波神经网络对比，揭示了该模型的优越性。关键词：短期负荷预测，免疫克隆选择算法，人工

3、免疫算法，小波变换，LS．SVM硕士论文AbstractWiththedevelopmentofournationalindustry,themanagementofpowersystemismoreandmoremodernized．Moreattentionwaspaidtothestudyonelectricsystemloadforecastingthanever．Theinvestigationonhowtomakeloadforecastingbetterhasbecomeanimportantissueforst

4、udyingmodempowersystem．Theshort-termloadforecasting(STLF)ofpowersystemisstudiedinthisthesis．Inthisthesis，thedata’Scharacteristicsofpowersystemforloadforecastingareanalyzed．Theperiodicityandcontinuityshowtheinternalcharacteristics，whichprovideafavorablecriterionforda

5、tapre—processingandselectingtheinputsamples．Theexternalcharacteristicsmainlyreflectonthecharacteristicsoftemperature，rainfall，thetypeofday,aswellastimepriceimpactingontheload．Thenwefocusonailanalysisoftheeffectoftemperature，andestablishtheforecastingmodelofnon-tempe

6、ratureimpactandtheforecastingmodeloftemperatureimpact．Thesimulationsweregiventoshowthattheforecastedresultsofthetemperature—impactedmodelaremoreaccurate．Theimmunecloneselectionalgorithm(ICSA)isusedtoselectparameters．Comparedwiththegeneralartificialimmunealgorithm(AI

7、A)，ICSAissuperiorinselectionoftheparametersunderthesameconditionofevolutionalgebra．DuetothatthedetailsofthedatapartCanbeextractedbywavelettransformation,thefiltereddataisdecomposedintoaseriesofsub-sequencesbywavelet，andthesub—sequencesareestablishedtoLS-SVMforecasti

8、ngmodels，respectively．Thentheforecastedresultsofallmodelsarereconstructedtobethefinalpredictivevalues．Theeffectivenessofthealgorithmisillu