基于经验模式分解和神经网络的短期电力负荷预测方法研究

摘要

电力系统短期负荷预测是电力系统调度运行部门一项重要的日常工作，预测的准确程度对于电力系统安全、经济、稳定运行及供电质量具有十分重要的作用。影响电力负荷的因素很多，这些因素对负荷的影响具有非线性、复杂性、滞后性等特点。本文主要通过研究电力负荷的内在规律性来建立具有更高精度和计算速度的短期负荷预测模型。
　　 提高预测精度需要准确把握负荷变化规律和外界因素影响，但目前的分析方法多存在依赖主观经验，且对因素影响分析不深入的问题。为此，提出一种基于经验模式分解(Empirical Mode Decomposition，EMD)与人工神经网络(ArtificialNeural Network，ANN)的短期负荷预测方法。
　　 利用EMD方法，自动地将目标负荷序列分解为若干个独立的固有模态分量(Intrinsic Mode Function，IMF)，对各个分量分别进行分析，可准确把握负荷变化特性和环境因素影响。在对各分量特性及影响因素进行分析的基础上，采用相匹配的BP(back propagation)神经网络分别建模预测，再将各分量的预测结果通过自适应线性神经网络组合得出最终的预测值。所提出的方法中EMD分解能自适应的分解负荷，分解后的分量能够突出原始负荷的局部特征和变化规律；而BP神经网络有较强的适应能力和学习能力，对于处理非线性问题具有优势。仿真实验表明，此方法与单一的BP神经网络预测法相比，具有较高的精度和较强的推广能力。
　　 为了进一步简化计算量，提高计算速度，可在牺牲一定预测精度的基础上，将分解出的固有模态分量重构为高频、周期、低频和趋势4个分量，对各分量特性进行分别进行分析，归纳出各分量的变化规律及外界因素的影响情况，进而采用4个不同的BP神经网络分别建模预测。最后将4个分量预测结果的叠加和作为最终的预测值。通过对某电网进行24点负荷预测表明此模型可有效地提高负荷预测精度。

目录

文摘

英文文摘

声明

1绪论

1.1电力系统短期负荷预测的目的和意义

1.2电力系统负荷预测研究的历史和现状

1.2.1电力系统负荷预测分类

1.2.2电力系统负荷预测的特点

1.2.3国内外负荷预测的研究现状

1.3主要研究内容

2经验模式分解理论

2.1引言

2.2小波分析理论

2.2.1小波分析基本理论

2.2.2多分辨分析的概念

2.2.3小波分析用于负荷预测的思想及不足之处

2.3经验模式分解理论

2.3.1经验模式分解(EMD)的由来

2.3.2 EMD方法的基本概念

2.3.3经验模式分解的原理和特点

2.3.4经验模式分解用于负荷预测的基本思想

2.4本章小结

3基于经验模式分解和神经网络的短期电力负荷预测

3.1引言

3.2电力系统短期负荷特性分析

3.2.1短期电力负荷的变化特点

3.2.2影响短期电力负荷的主要因素

3.2.3负荷预测误差分析指标

3.3神经网络简介

3.3.1 BP神经网络

3.3.2自适应线性神经网络

3.4基于EMD和神经网络的预测模型

3.4.1基于EMD-BP-ALNN预测模型的建立

3.4.2基于EMD-BP-ALNN预测模型的仿真实验

3.5本章小结

4基于EMD-ANN的短期负荷预测的模型简化

4.1引言

4.2简化EMD-BP预测模型的建立

4.3简化EMD-BP预测模型的仿真预测

4.4本章小结

5总结与展望

5.1总结

5.2有待解决的问题

致 谢

参考文献

附 录：作者在攻读学位期间发表的论文目录