基于电力负荷时间序列混沌特性的短期负荷预测方法研究

摘要

电力系统短期负荷预测是电力系统调度运营部门一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。电力系统是一个非线性系统，并表现出一定的混沌行为。通过对电力负荷时间序列的混沌分析和对表征混沌特性的最大Lyapunov指数和关联维的计算结果，发现负荷时间序列不是随机序列，而是混沌时间序列，使我们对负荷序列的复杂性有了新的认识，并可应用混沌理论对电力负荷进行短期预测。 以混沌时间序列的相空间重构为基础，提出了基于自适应神经模糊系统的短期负荷预测方法，充分反映了负荷数据本身的变化规律，进而有效地提高负荷预测的精确度。 基于混沌时间序列的局域线性预测模型，提出了多嵌入维的短期负荷预测方法。在混沌时间序列的相空间重构中，嵌入维数和延迟时间的正确选择关系着重构相空间与原动力系统的相似程度和混沌吸引子的大小，进而影响着预测结果的精确度。由于不同方法可能获得的嵌入维数不同，而不同嵌入维数所获得的预测结果不同，为提高负荷预测的有效性和实用性，作者提出将不同嵌入维数下的预测结果进行加权平均并作为最后预测结果。 针对混沌时间序列的最近邻域预测法，提出了改进的最近邻域点优化选择方法和加权一阶局域线性预测法。在混沌局域预测中，最近邻域点的合适选择直接关系着预测结果的好坏，对此，本文将满足欧氏距离的最近邻域点再按邻域点与预测中心的关联度大小来选取，以提高线性预测模型的拟合度；同时，为反映最近邻域点对预测结果的不同影响程度，建立了加权一阶局域线性预测模型，实例分析证明该方法是有效和可行的。 针对短期负荷影响因素多的特点，提出了多变量时间序列的短期负荷预测方法。以单变量时间序列的相空间重构为基础，进行了电力负荷的多变量时间序列相空间重构，建立了多变量负荷序列的全局和局域线性预测模型，该方法计算简单，具有一定的实用性。 提出了一种适用于电力市场的短期负荷预测模型。在电力市场下，随着实时电价的变化和用户用电模式的改变，将在一定程度上造成电力负荷性质的某些变化，从而对现有的短期负荷预测方法提出了挑战。鉴于此，作者分别采用多变量混沌时间序列预测法和智能组合预测法对实时电价下的短期负荷预测进行了探讨，其中后者首先应用RBF神经网络对不考虑电价因素的预测日负荷进行预测，然后根据实时电价变化采用ANFIS系统对RBF预测结果进行了修正，有效地克服了电力市场下人工神经网络预测的不足，客观地反映了电价变化与负荷间的相互关系，提高了负荷预测的精确度。