超短期负荷预测及火电厂厂级负荷优化分配的研究

摘要

电力的非存储性，决定了负荷的实时平衡性。所以本文从平衡的角度出发，研究了超短期负荷预测，以及超短期负荷调度的子环节之一：火电厂厂级负荷优化分配。
　　 电力系统负荷预测是实现电力系统安全、经济运行的基础。通过负荷预测，对电力需求预先做出估计和推测，根据这些预测结果，可以针对性的采取技术措施来提高系统运行的经济性和可靠性。对电力系统来说，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。因此负荷预测的关键是提高预测的准确度。
　　 本文开始分析了电力系统负荷的构成和特点，以及负荷预测的分类、特点及其影响因素，为理解负荷预测提供理论基础。目前最常用的超短期负荷方法是神经网络法和线性外推法，神经网络法作为一种人工智能方法有较好的预测精度，线性外推法则因为计算简单、耗时少而得到较广泛的应用。但线性外推法为线性模型，难以反映电力负荷的非线性特性，而神经网络法存在容易陷入局部最优、过拟合、泛化性能力不强等缺点。
　　 支持向量机是近年来才被重视的一种机器学习算法，在多个领域都得到了广泛应用。本文阐述了支持向量机及最小二乘支持向量的理论基础，在模糊加权最小二乘支持向量机的输入向量中引入横向加权，形成双向加权最小二乘支持向量机的超短期负荷预测模型，以体现负荷预测中历史数据对预测值“近大远小”的影响。并且在每次预测前不断更新训练样本对模型进行训练，以体现新样本对预测值的影响。以15分钟为步长，对所提出的预测模型进行了验证，并与神经网络和曲线外推法的预测结果进行了比较。结果表明，改进的方法在预测精度上具有一定的优越性。
　　 在火电厂负荷分配的环节，本文介绍了负荷调度所考虑的经济性模型，以及可能会涉及的环保性、快速性指标，从而研究火电厂负荷实时调度的多目标优化。在多目标优化算法上，介绍了粒子群优化算法及其多目标优化理论，为了增强粒子群多目标优化算法的局部搜索能力，本文将混沌局部搜索法引入带密度距离的粒子群多目标优化算法中，从而形成带混沌搜索粒子群多目标优化算法。用六机组系统验证了改进的算法在处理双目标和三目标优化的可行性。并将改进方法的优化结果与原方法和NSGA-Ⅱ的结果做了比较。从对比来看，改进的粒子群多目标优化算法比原来的带密度距离的多目标粒子群优化算法有更好解空间的搜索性，并且非支配解的分布性也较佳。

目录

文摘

英文文摘

1绪论

2电力负荷预测分析及数据预处理

3 超短期负荷预测最常用的方法

4 基于双向加权最小二乘支持向量机的超短期负荷预测

5 火电厂机组特性分析及厂级负荷分配模型

6 基于改进粒子群算法的火电厂厂级负荷分配的研究

7 结论与展望

致 谢

参考文献

附 录