基于小波变换和智能算法的电力负荷组合预测模型的研究与应用

摘要

电能是一种经济实用且清洁的能源，为科学技术和社会的发展做出了卓越的贡献。自电能问世以来，各种依赖电能的产品也相继出现在人们的生活中，极大地丰富了人们的生活，为人们的生活带来了便利，电能也因此成为人们生活必不可少的一部分。在电能领域的研究中，预测是非常重要的一个组成部分，也是电力部门的重要工作之一，意义重大。准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。电力负荷预测对电力系统安全、经济地运行起着重要的作用。但由于电力能源无法大量储存，若生产的电量过多，电网频率随之升高，负荷会被动的将用电变大，处于一种非健康的运行状态。若发电量不够，则可能会限电，对人们的生活造成不便。因此，对电力负荷预测方法的研究至关重要。 本文提出了一种组合预测模型，该组合模型结合了小波变换（Wavelet Transform，WT）、最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）、极限学习机（Extreme Learning Machine，ELM）、径向基函数神经网络（Radical Basis Function Neural Network ，RBFNN ）和蚁狮优化（Antlion Optimization，ALO）算法。该组合模型首先使用小波变换来对使用的数据进行去噪，剔除数据中的噪声，降低噪声数据对预测结果的影响；其次分别使用LSSVM、ELM和RBFNN分别对去噪后的数据进行预测，得到每种方法的单独预测结果；最后使用ALO为这三种单独方法的预测结果分配合适的权值，使三种单独方法的加权平均值成为最终的预测结果。 本文中使用的数据来自澳大利亚的三个州：新南威尔士州、维多利亚州和昆士兰州。具体地，把4组电力数据和1组电价数据分为3组实验，其中第一组实验包括NSW州和VIC州2011年的电力数据，用来说明组合模型的有效性；第二组实验包括NSW州2013年和QLD州2015年的电力数据，用来说明该组合方法的适用时间范围跨度大；第三组实验使用NSW州的电价数据，把组合方法应用到电价数据上，用来说明组合方法的应用范围之广。通过对实验结果的分析可以证明，本文提出的组合模型预测精度较高，使用范围也较广。

目录

第一个书签之前