基于灰色理论和神经网络的电力系统短期负荷预测研究及其比较

摘要

随着智能电网的研究和建设的推进，以及阶梯电价即将在全国展开的试点运行，对电力系统的经济调度和安全运行又提出了新的要求，而高精度的负荷预测是准确定制电力系统调度计划的前提。现有的预测方法各有所长，但均无法保证在任何情况下皆能获得满意的结果，如何集合现有技术的优点，提高预测精度是电力系统短期负荷预测的研究的关键。
　　 灰色理论和神经网络在电力系统负荷预测中已有不少成功的应用，本文结合近年来快速发展的智能算法中具有计算速度快、全局优化能力突出等特点的遗传算法和粒子群算法，对预测模型及参数进行优化，以提高预测精度。
　　 本文首先简述了电力系统负荷预测的发展现状，各类预测方法的特点，介绍了电力系统短期负荷预测对于电力系统安全稳定运行的意义，分析了负荷数据的特点，对历史负荷数据中的异常数据进行了辨识和修正，并对气象和节假日数据进行了归一化处理。然后分别采用灰色理论、神经网络组合预测和粒子群优化支持向量机预测三种方法分别进行建模和预测，并对所得预测结果进行对比分析。组合预测中采用径向基函数网络(Radial Basis Function，RBF)、广义回归神经网络(General Regression Neural Network，GRNN)和概率神经网络(Probabilistic Neural Network，PNN)分别进行负荷预测，针对其预测结果，采用遗传算法动态优化组合权值。最后基于MATLAB开发了负荷预测软件，用以实现短期负荷预测，通过实例计算表明预测结果稳定，精度符合要求。

目录

文摘

英文文摘

第一章 绪论

1.1 课题研究的目的和意义

1.2 课题的研究现状

1.2.1 短期负荷预测的主要影响因素

1.2.2 短期负荷预测的研究现状

1.3 本文的主要内容

第二章 历史负荷数据处理

2.1 电力负荷的特性分析

2.2 异常数据的辨识和修正

2.2.1 异常数据的分类

2.2.2 异常数据的处理方法

2.2.3 异常数据的辨识与修正

2.3 气象与节假日数据的处理

2.3.1 气象数据的识别与选择

2.3.2 节假日数据的识别与选择

2.4 本章小结

第三章 基于灰色系统理论的负荷预测

3.1 灰色系统理论概述

3.1.1 灰色系统理论的基本原理

3.1.2 灰色系统理论的构成

3.2 灰色序列生成

3.2.1 累加生成

3.2.2 累减生成

3.2.3 均值生成

3.2.4 级比生成

3.3 灰色系统建模

3.3.1 GM(1，1)模型

3.3.2 GM(1，N)模型

3.3.3 GM模型精度检验

3.3.4 GM模型的优化

3.3.5 负荷预测的评价指标

3.4 仿真算例分析

3.4.1 灰色预测的实现

3.4.2 灰色预测结果分析

3.5 本章小结

第四章 基于神经网络的组合预测

4.1 人工神经网络的基本原理

4.1.1 ANN的基本构成

4.1.2 ANN的代表模型

4.2 RBF神经网络及其算法

4.2.1 RBF神经网络的结构

4.2.2 RBF神经网络的学习算法

4.2.3 GRNN结构

4.2.4 PNN结构

4.3 基于神经网络的组合预测

4.3.1 组合预测的原理

4.3.2 数据的归一化处理

4.3.3 相似目的选择

4.3.4 RBF神经网络的训练

4.3.5 遗传算法简介

4.3.6 基于GA的组合权值选择

4.4 仿真算例分析

4.4.1 RBF神经网络预测的实现

4.4.2 神经网络组合预测

4.4.3 预测结果分析

4.5 本章小结

第五章 基于SVM的负荷预测

5.1 SVM方法的基本原理

5.1.1 统计学习理论

5.1.2 SVM回归分析原理

5.1.3 SVM核函数

5.2 SVM方法的算法

5.2.1 输入样本的选取

5.2.2 SVM数据的归一化

5.2.3 计算参数的选取

5.3 SVM方法的参数优化

5.3.1 粒子群算法简介

5.3.2 基于PSO的最优参数选取

5.4 SVM预测的实际应用

5.4.1 SVM预测的实现

5.4.2 SVM预测结果分析

5.5 本章小结

第六章 负荷预测软件简介

6.1 软件界面简介

6.2 软件功能简介

6.2.1 数据单元

6.2.2 预测单元

6.2.3 预测评价单元

6.2.4 绘图单元

6.3 本章小结

第七章 结论和展望

参考文献

致谢

攻读学位期间发表论文情况

基金项目