基于混沌时间序列和神经网络的电力短期负荷预测

《基于混沌时间序列和神经网络的电力短期负荷预测》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、维普资讯http://www.cqvip.com第21卷第4期长沙电力学院学报(自然科学版)V01．21No．42006年11月JOURNALOFCHANGSHAUNIVERSITYOFELECTRICPOWER(NATURALSCIENCE)NoY．2OO6基于混沌时间序列和神经网络的电力短期负荷预测李如琦，孙艳，孙志媛(广西大学电气工程学院，广西南宁530004)摘要：提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法，利用混沌理论重构相空间的吸引子，然后用BP神经网络来拟合空间吸引子的演化，同时利用空间欧氏距离来选取神经网络的输人样本，实例预测结果表明所提出方法的有

2、效性和可行性．关键词：混沌时间序列；短期负荷预测；神经网络；欧氏距离；嵌人维数中图分类号：TM715文献标识码：A文章编号：1006—7140(2006)04—0056—04Short-termLoadForecastingBasedonChaoticTimeSeriesandNeuralNetworksLIRu—qi，SUNYah，SUNZhi—yuan(SchoolofElectricalE-sinecring，GnangxiUniversity，Nanning530004，China)Abstract：Amethodofshort—termloadforecastingb

3、asedonchaotictimeseriesandneuralnetworksiSpresentedinthispaper．Firstly，attractorsinphasespacesusingchaotictheoryisreconstructed．Second—ly，theattractor’SevolvementusingBPneuralnetworksismade，andtheneuralnetwork’SinputdataU—singEucliddistanceisselected．Theresultanalysisofthepracticalexamplessh

4、owthattheproposedmet}lodiSefectiveandfeasible．Keywords：chaotictimeseries；short—termloadforecasting；neuralnetwork；Eucliddistance；embed—dingdimension短期负荷预测⋯是调度安排开停机计划的基经济效益．负荷预测精度越高，越有利于提高发电设础，尤其是近年来随着电力市场竞争机制的引备的利用率和经济调度的有效性．目前，常见的短期入，准确的短期负荷预测能给电力系统带来巨大的负荷预测方法有：时间序列分析法，灰色预测法，神收稿日期：2006—09—07

5、作者简介：李如琦(1959一)，女，副教授，硕士生导师，本科，主要从事电力系统规划、电力系统分析与计算研究．维普资讯http://www.cqvip.com第2l卷第4期李如琦，等：基于混沌时间序列和神经网络的电力短期负荷预测57经网络法】，模糊预测法[4]，小波分析法等．由于电率为P(，+)，其中概率P()和P(“)可通过力系统负荷实际上是一个受温度，湿度，风力，阴晴在相应时间序列中出现的频率得到，联合概率天气，降雨量，节假日等多种因素影响而发生演化的P(，+)可通过在平面(，+)上数对应的格子多维非线性混沌系统，在各种因素相互的作用下，负得到，则互信息函数为荷表现出极其复杂

6、而难以精确预测的演化特征，故，(．r)N=∑P(，'~ICk+r)In以上短期负荷预测的方法都有一定的局限性．工=1随着非线性科学的发展，利用历史负荷的时间．r取互信息函数的第1个极小值．序列的混沌特性就能对未来负荷作出满意的预测结取广西电网2005年1月1日0：00至2005年果．本文首先根据混沌理论[5，将电力负荷看作非l1月30日23：00的8016个有功数据，如图1所线性动力系统，对广西电网负荷时间序列进行相空示，采用互信息法计算延迟时间，如图2所示．由图间重构，并应用互信息法和Cao氏方法，选择延可知，第1个极小值为8，故．r=8为所求的延迟时迟时间和嵌入维数，然后用

7、神经网络拟和吸引子的间．非线性演化，同时应用欧式距离对神经网络训练的7O0o6500数据进行筛选，从而对未来的负荷作出预测．实例分6O0o5500析表明，该方法具有较高的预测精度．5ooo皇45001相空间重构4O0o3500300O对于时间序列{五，i=1，2，⋯，n}，凡是序列的长度．根据Takens提出的嵌入定理，重构相空间为：Xi=(i，i+，⋯，i+(一1))，i=1，2，⋯，其中，五为相空间的点；m为嵌入维数；．r为延迟时间；M4．5《4．0为重构相空间中相点的个数；M=n一(m