大波动电网负荷短期预测的仿真研究

《大波动电网负荷短期预测的仿真研究》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、第29卷第8期计算机仿真2012年8月文章编号：1006—9348(2012)08-0287—04大波动电网负荷短期预测的仿真研究殷家敏’，欧勇1，何茜2(1．长寿供电局调度控制中心，重庆401220；2．重庆大学电气工程学院．重庆400044)擒要：研究大波动电网负荷短期预测问题。由于电网负荷存在频率振荡和电压摆动，不能保障安全供电，应提前预测。针对传统数据预处理方面的缺陷，导致所需数据量大，预测精确度低。为解决上述同题，提出的数据挖掘融合改进马尔科夫链预测模型。首先对冲击负荷和小水电负荷的特性进行分析，运用改进形状系数对历史

2、数据向量进行筛选，找出共线性的指标向量，并用矩阵实验室仿真计算出预测结果。应用实例证明，采用数据挖掘融合改进马尔科夫链的负荷模型预测更加准确地预测出冲击负荷与小水电发电负荷，为大波动负荷的预测提供了设计依据。关键词：改进马尔科夫链模型；改进形状系数；冲击负荷；仿真中图分类号：哪43文献标识码：BSimulationofShortForecasting．forHuctuantLoadofPowerGridYINJia—ruin91，OUYon91，HEQian2(1．SchedulingControlCenterofChangSh

3、ouPowerSupplyBureau，Chongqing401220，China；2．CofiegeofElectricalEngineering，ChongqingUniversity，Chongqing400044，China)ABSTRACT：Theprobelmofshonforecastingforthefluctuantloadofpower面dw越studied．Becausethetradition-alalgorithmhasthefaultsindatapreprocessing．alargenumbero

4、fdataareneededandtheresultisimprecise．Inor-dertosolvethisproblem，thedataminingandimproved—markermodelwereputforward．First，characteristicsoftheimpactloadandtheout—putofsmallhydro—powerplantswereanalyzed．Then，vectorswhichcomprisedhistor-icalindexdataweroscreenedbycompa

5、ringtheimprovedshapecoefficients，andthelinearindexwasacquired．Fi-nally，theresultWasobtainedbyusingtheMATLAB．Exampleshowsthattheimpactloadandtheout—putofsmallhydro—powerplantsatepredictedaccuratelybyusingdataminingandImproved—Markovmodel，SOastopro—videthedesignbasisfo

6、rthefluctuateload．KEYWORDS：Improved—Markovmodel；Improvedshapecoefficients；Impactload；simulation1引言由于大波动性负荷的无规律性，负荷短期预测中最困难就是对波动性负荷的预测，国内外尚未有一个有效的短期负荷预测法来解决这一问题。大波动负荷是指相对于系统负荷而言，突然间变化很大的负荷。当负荷变化幅度相对于系统容量较大时，便有可能引起系统频率的连续振荡以及电压摆动，对电力系统影响很大。因此，对大波动负荷的事先有效估计，是对电力系统进行合理经济

7、调度、降低生产成本、防止电网大面积停电或者电网崩溃的有力保障。例如，针对重庆市长寿区，引起负荷波动和影响负荷预测精度的原因为：收稿日期：2011—08—30修回日期；2011一10一IO炼钢、轧钢、电铁牵引负荷等冲击负荷(重钢和永航等大型炼钢企业处于该地区)；许多大型企业拥有自备电厂；径流式小水电群丰富。对小水电负荷的短期预测法通常运用的是多元线性回归模【IJ，文献[2]对冲击负荷的预测运用的是基于修正的时间序列模型。但文献[1][2]均未给出用以预测此类波动大的负荷的样本选取方法。因为历史数据的筛选是选用模型准确地对大波动负荷

8、进行预测的保障，是一项必不可少的环节，故本文提出了一种针对冲击负荷的新的样本选取方法——改进形系数法，全面地考虑了相似时刻的各种影响因素，能准确地对历史数据进行筛选。将该方法与改进马尔科夫链预测模型结合使用，其优点是需要历史数据量较少，准确，可信度高，有更小的预