基于组合预测模型的超短期大波动负荷预测

摘要

为了使大波动地区的超短期负荷预测精度得到改善和有利于大波动地区96点日调度计划的制定，本文以某地区的负荷情况为例，将大波动地区负荷分为正常负荷，冲击性负荷和小水电发电负荷。大波动负荷是指对于系统负荷而言，突然间变化很大的负荷。本文中的大波动地区是指小水电负荷和冲击负荷等难预测的负荷占总负荷的三分之一以上的地区。本文中的超短期大波动负荷预测指以1小时或者15分钟为单位对该地区的小水电负荷和冲击性负荷进行预测。
　　 首先，找出影响小水电负荷和冲击负荷相关的若干因素。针对小水电群的出力预测，水电站所处流域的温度，风力，上游降雨量和排水量是主要影响因素。因为有的地区冲击负荷的产生来源于钢厂用电，所以炼钢“节奏”以及钢厂机组的启停状况成为影响冲击负荷的主要影响因素。并需要对历史时刻对应的状态向量进行筛选，本文提出了两种数据筛选法--改进熵值法和加权形系数法。
　　 现有的小水电负荷预测使用最多的多元线性回归模型，冲击负荷使用最多的是ARIMA模型，本文将线性神经网络模型和改进马尔科夫模型应用到小水电负荷和冲击负荷的预测中去，并从理论和实际上证明了两种模型的可行性。本文选取加权形状系数法对历史时刻对应的状态向量进行筛选，再对各主要影响因素的历史数据进行小波去噪，并通过线性相关实验选用线性神经网络对历史时刻对于的状态向量和负荷数据进行训练和预测。然后，运用加权形状系数法对历史数据进行筛选，然后选用马尔科夫链预测模型分别对其作出预测。
　　 最后，本文用基于熵值法的组合预测模型将线性神经网络预测结果和改进马尔科夫链预测结果相结合，其预测结果较线性组合预测模型和非线性组合预测模型更为准确，本文从模型使用范围的角度分析了原因。