基于相似日选取的小波极限学习机短期负荷预测模型研究

摘要

电力系统短期负荷预测是电网实现经济调度的一项重要工作，是电力系统规划的重要组成部分，也是电力系统可靠、经济运行的前提和基础。通过精确的短期负荷预测，能够科学地制定发电计划，合理地安排机组开停，提高电力系统的经济效益。因此研究负荷预测方法，提高负荷预测精度具有重要意义。本文主要针对负荷特性分析以及负荷预测算法展开了研究。
　　本文首先介绍了电力负荷的特点，深入地分析了负荷的自身特性以及气温、降雨、时间等因素对于短期负荷变化的影响。为了优化短期负荷预测的数据样本，本文研究了基于模糊聚类的相似日选取方法，该方法将影响负荷变化的气象状况、星期类型、日期类型等因素作为相似日的选择依据，通过模糊规则对上述选择依据进行量化并建立模糊相似矩阵，再利用相似系数法计算历史日与预测日的相似程度，根据相似度的大小选出相似日。基于模糊聚类的相似日选取模型充分考虑了气象等因素对电力负荷的影响，体现了相似日选取中“周期性”和“近大远小”的原则，能够合理有效地选出相似日。
　　然后，在合理选出相似日的基础上，研究了相似日和BP神经网络相结合的预测模型。该模型按照相似度大小选出若干相似日作为BP神经网络的训练样本，利用BP神经网络的非线性映射和自学习自适应能力避免了相似日修正法的主观性。根据江苏省某市的电网实测数据进行仿真分析，对比了相似日BP网络模型与单一BP网络模型的预测结果。仿真结果表明，相似日的选取能够有效提高BP神经网络的预测精度。
　　最后，针对BP神经网络收敛速度慢、容易陷入局部极小值等缺点，提出了基于相似日选取的小波变换与极限学习机(Wavelet transform-Extreme Learning Machine，W-ELM)相结合的负荷预测模型。该模型通过小波变换将相似日的负荷序列分解为低频基础负荷部分和高频随机负荷部分，低频基础部分采用极限学习机预测，高频随机部分采用加权平均方法预测，重构得出最终预测结果。小波分解将原始序列的高频随机分量分离出来，弱化了负荷的随机性，起到了一定的滤波作用。利用电网实测数据进行仿真研究，对比BP神经网络、极限学习机和小波-极限学习机的预测结果。结果表明，本文提出的相似日选取的小波-极限学习机模型具有更高的预测精度和更短的预测时间。

目录

封面

声明

摘要

英文摘要

1 绪论

1．1 电力负荷预测概述

1．1．1 电力负荷预测的研究背景及意义

1．1．2 电力负荷预测的分类

1．2 短期负荷预测的国内外研究现状

1．2．1 经典预测方法

1．2．2 智能预测方法

1．2．3 短期负荷预测的发展趋势

1．3 本文的研究内容及章节安排

2 短期负荷特性分析及数据预处理

2．1 负荷特性分析

2．1．1 日负荷特性

2．1．2 周负荷特性

2．2 电力负荷的影响因素

2．2．1 气象因素对负荷的影响

2．2．2 其他因素对负荷的影响

2．3 数据预处理

2．3．1 异常数据的成因

2．3．2 异常数据的辨识处理

2．4 本章小结

3 负荷预测相似日的选择

3．1 相似日法

3．2 模糊聚类选取相似日

3．2．1 模糊聚类分析概述

3．2．2 模糊相似矩阵

3．2．3 短期负荷的影响因素及其量化

3．2．4 模糊聚类选取相似日流程

3．3 算例分析

3．4 本章小结

4 基于相似日BP神经网络的电力负荷预测

4．1 神经网络构成

4．1．1 人工神经元

4．1．2 神经元的激活函数

4．2 神经网络的结构

4．2．1 反馈神经网络

4．2．2 前馈神经网络

4．3 BP神经网络

4．3．1 BP神经网络结构

4．3．2 BP神经网络的学习算法

4．3．3 隐层节点数的选取

4．4 基于BP网络的短期负荷预测

4．4．1 BP模型与相似日BP模型

4．4．2 结果分析

4．5 本章小结

5 基于相似日W-ELM的短期负荷预测

5．1 极限学习机

5．1．1 极限学习机概述

5．1．2 极限学习机原理

5．1．3 极限学习机的学习过程

5．2 小波交换理论

5．2．1 小波函数

5．2．2 连续小波变换

5．2．3 离散小波变换

5．2．4 多分辨率分析和Mallat算法

5．3 基于相似日W-ELM的负荷预测模型

5．3．1 极限学习机隐含层节点数的选取

5．3．2 相似日W-ELM预测结果

5．3．3 预测模型对比

5．4 本章小结

6 结论与展望

致谢

参考文献