复杂环境下电力系统短期负荷预测研究

《复杂环境下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、天津大学硕士学位论文复杂环境下电力系统短期负荷预测研究StudyonShort-TermLoadForecastingofPowerSystemunderComplexEnvironment学科专业：电气工程作者姓名：郑锋指导教师：孔祥玉副教授天津大学电气自动化与信息工程学院二零一七年十二月摘要随着储能、电动汽车、可再生能源的大规模并网以及社会对供电服务的需求日趋多样化，负荷影响因素的数量、种类、随机性以及分布特点等日益变得多而复杂，亟需开展适用于复杂环境下的短期负荷预测研究。本文对负荷的构成以及影响因素进行了详细分析，建立了能够有效处理多且复杂的负荷影响因素与负荷之间的复杂非

2、线性关系的短期负荷预测模型。所做的主要工作如下：（1）对电力系统负荷构成、短期负荷影响因素以及负荷预测模型输入变量的选取进行了详细分析，并基于多元线性回归模型对异常数据进行检测与修正，为之后的负荷预测建模奠定了基础。（2）提出了一种基于深度信念网络的短期负荷预测方法。在模型参数预训练过程中，将天气、日期类型以及峰谷分时电价等影响因素作为预测模型的输入，采用高斯-伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第一个模块，从而更有效地处理了对负荷有影响的多类型实值输入数据；并采用了无监督训练和有监督训练相结合的部分有监督训练算法进行预训练，实现了对负荷影响因素与待预

3、测负荷之间的复杂非线性关系的分层表征，更好地逼近了复杂现实情况；利用列文伯格-马夸尔特(LM)优化算法微调预训练阶段得到的网络参数，更快地收敛于最优解，避免了梯度下降法收敛缓慢和容易陷入局部最优的缺点。结果表明，在训练样本较大，且负荷影响因素复杂的情况下，该方法具有更高的预测精度。（3）提出了一种基于EMD-mRMR-PSO-LSSVM的短期负荷预测方法。首先利用经验模态分解（EMD）方法将原始负荷序列分解成若干子序列，再根据最小冗余度最大相关性（mRMR）标准选取了各个负荷序列的最优输入变量集合；然后利用粒子群（PSO）算法优化的最小二乘支持向量机（LSSVM）负荷预测模型对

4、每个负荷序列进行预测，最后将各个负荷序列的预测结果叠加得到负荷预测值。结果表明，相比于其他方法，该方法可以更准确地预测对外部因素敏感的短期负荷。关键词：短期负荷预测，深度信念网络，经验模态分解，最小冗余度最大相关性，最小二乘支持向量机IABSTRACTWiththelarge-scaleintegrationofenergystorage,electricvehicles,renewableenergyandtheincreasingdiversificationofsociety'sdemandforpowersupplyservices,thequantity,variet

5、y,randomnessanddistributioncharacteristicsofloadinfluencingfactorshavebecomeincreasinglycomplexandcomplicated.Researchonshort-termloadforecastingapplicabletothecomplexenvironmentisurgent.Inthispaper,thecompositionandinfluencingfactorsofloadwereanalyzedindetail,andshort-termloadforecastingmod

6、elsthatcaneffectivelydealwiththecomplexandnonlinearrelationshipbetweenloadfactorsandloadfactorswereestablished.Themainworkdoneisasfollows:(1)Thecompositionofpowersystemload,short-termloadinfluencingfactorsandinputvariablesselectionofloadforecastingmodelwereanalyzedindetail,andtheabnormaldata

7、weredetectedandcorrectedbasedonmultiplelinearregressionmodel,whichlaysthefoundationforthesubsequentloadforecastingmodeling.(2)Ashort-termloadforecastingmethodbasedondeepbeliefnetworkwasproposed.Intheprocessofmodelparameterpre-training,theinfluencef