短期负荷预测中气象因素的Fisher信息建模方法研究

摘要

在短期负荷预测中，气象因素的正确处理与否直接影响着预测的精度；本文在能提供大量实时负荷数据和气象数据的智能电网环境下，在分析了电力系统负荷的周期性规律及其与实时气象因素和日特征气象因素关系的基础上，提出了短期负荷预测中气象因素的Fisher信息建模方法，并结合具体实例进行了数值实验验证。 挖掘合适的气象因素处理方法以进一步提高预测精度一直以来是短期负荷预测中的重点和难点。Fisher 信息理论为我们解决此类问题提供了一种新途径，该方法用于解决大数据环境下短期负荷预测中实时气象因素的建模问题。针对一个或多个气象变量，本文首先解决了一维或多维Fisher信息的计算问题，据此给出了基于Fisher信息的气象因素建模方法及预测新模型。 近年来，人工智能模型在短期负荷预测中的应用愈加普及，支持向量机( SVM)因其具有更好的泛化性能和较高的预测精度而在短期负荷预测中得到了最广泛的应用。本文结合基于气象因素负荷预测的特点，以支持向量机( SVM)训练误差的平方代替松弛变量，引入了最小二乘支持向量机(LSSVM)，解决了SVM的非线性与局部极小值等不足。接着用LSSVM对采用Fisher信息的气象因素建模方法搭建的新模型进行验证。为了验证气象因素的Fisher信息建模方法在短期负荷预测中的普遍适用性，再用BP神经网络(BPNN)对新模型进行验证。实际测试结果表明：无论是最小二乘支持向量机还是BP神经网络，采用基于Fisher信息的气象因素建模方法建立的预测模型均可以获得更加精确的预测结果，解决了长期以来短期负荷预测中对气象因素处理的主观随意性，使得对该问题的处理得到了统一。

目录

第一个书签之前