电力系统短期负荷预测模型与优选的研究

《电力系统短期负荷预测模型与优选的研究》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、Y651776电力系统短期负荷预测模型与优选的研究电力系统及其自动化专业研究生稔军华指导教师刘天琪教授电力系统短期负荷预测是电力系统一项非常重要的工作，是电网规划决策的基础，是电力市场化的前提，对电力部门提高经济效益有着重要的意义。随着电力企业逐步走向市场，短期负荷预测将逐步赋予更高的要求。本文首先对电力系统负荷的组成、特点，以及常用短期负荷预测方法的优缺点进行了探讨，继而针对成都地区负荷建立了传统的累积式自回归动平均(ARIMA)预测模型和改进BP算法的神经网络(ANN)预测模型。从预测结果看，ANN模型的预测精度和适应性相对ARIMA模型有了一定的提高，但它们对周末的

2、预测精度均较差。考虑到不同日期类型的负荷特性是不同的，本文在ANN模型的基础上提出了第三个模型，对工作日和公休日的负荷分别建立ANN的训练集和预测模型，一定程度上提高了星期一和公休日的预测精度，但对峰、谷段的预测效果并没有明显改进。通过分析，我们发现负荷序列可以看作是一系列具有不同频率特征分量的叠加，因此将小波分析方法引入负荷预测，提出了小波一神经网络方法。选择合适的小波基和分解尺度，将负荷序列分解成具有不同频率特征的序列，对分解后的分量根据其特点构造相应的神经网络模型进行预测，最后将各分量预测结果叠加以获得最终预测值。结果表明该模型具有较高的精度及稳定性，并且显著地提高

3、了曰峰、谷负荷的预测精度。作为电力系统负荷预测特别是短期负荷预测，除了需要很高的精度外还需要较快豹计算速度和准确度等。因此，本文采用多目标最优决策方法对上述四个预测模型进行优选，优选结果是小波一神经网络方法为最优模型。但是不同地区负荷呈现出不同的负荷特性，为进一步增强小波一神经网络模型的自适应性本文提出了最优小波基及分解尺度的多目标最优决策方法。该方法可针对不同地区的负荷，进一步在小波一神经网络模型中自适应地选出适合该地区负荷特性的最优小波基和分解尺度。本文还将上述各种方法应用于不同地区的负荷预测，进行比较，可以看出小波一神经网络模型在负荷预测中具有很强的适应性和巨大的应

4、用潜力，同其它方法相比具有显著的优势。同时，由于不同地区不同时段负荷特点不同，本文提出了对模型进行优选的思路，从而可以根据电力系统的实际应用情况，自动选择出恰当的特合要求的预测模型，即对模型的选择具有自适应性。关键词：短期负荷预测；累积式自回归动平均；人工神经网络；小波分析多目标决策RESEARCHONPOWERSYSTEMSHORT_TERMLOADFORECASTrNGMODELANDOPTIMUMSELSCTIoNElectricalPowerSystemanditsAutomationGraduate：XnJunhuaAdvisor：LiuTianqiPowers

5、ystemshort—termloadforecasting(STLF)isallimportanttaskofpowerutilities，afoundationofpowersystemprogramminganddecision，andapreconditionofelectricitymarket．Itisalsoimportantforpowerdepartmenttoimproveeconomicbenefit．Withthedevelopmentofelectricitymarket，themethodofshort—termloadforecastingi

6、sbecomingmoreandmoreimportant．Atfirst，thispaperdiscussestheconstituentsandcharacteristicsoftheelectricload，analyzesandcomparesthemeritsandshortcomingsofsomeforecastingmethods．ThenaimingattheloadofChengduregion，ARIMA(Auto—RegressiveIntegratedMoving—Average)modelandANN(ArtificialNeuralNetwo

7、rk)ofanimprovedBPalgorithmmodelarepresented．Accordingtotheforecastresults，theprecisionandadaptabilityofANNisimprovedtoAR／MA．Buttheweekendpredictionloadprecisionisalsopoor．IndifferentdatetypetheloadcharacteristicsaredifferentBased013．thesecondmodel，thispaperproposest