智能优化算法在电力负荷组合预测中的应用

摘要

负荷预测往往会在不同程度下受到许多不确定因素的影响,每个预测模型都有自己所适应的范围,很难应用于所有的情况。然而随着电力负荷规律越来越复杂,传统的单模型预测方法因为模型自身的自适应能力较差,很难满足复杂的电力市场发展需求,从而更加突出了预测模型的局限性与负荷预测的复杂性之间的矛盾,预测结果通常不能达到满意的效果。所以,在近几年的电力负荷预测研究中组合预测已经逐渐成为研究的重点内容。
　　本文主要引入智能优化算法以及变权组合预测模型,结合电力负荷自身特点,重点研究电力负荷预测的理论与方法,并且取得了一定具有理论意义和实用价值的结果,主要的研究内容分以下几部分:
　　(1)缓冲算子理论研究。缓冲算子理论是灰色系统理论的主要特色之一,同时也是近年来灰色理论研究的热点之一。本文在缓冲算予公理体系下,应用若干强化缓冲算子,对所获得的原始数据序列进行缓冲处理,弱化随机性,显示规律性,成功排除外界的冲击干扰,得到能够反映系统变化规律的数据序列,从而提高灰色模型的预测精度。
　　(2)单模型的建立与分析。根据陕西省电力负荷的数据特点,建立了五种符合历史数据要求的单模型,分析了各单模型的优点、适用范围以及建模的原理与具俸步骤,并将五种单模型的预测结果作比较,分析各单模型在负荷预测中的优点与不足。
　　(3)智能优化算法的组合预测模型。由于电力系统的不确定因素,利用传统的单模型很难满足实际的精度要求,因此,本文在五种单模型的基础上,用遗传算法、量子遗传算法、最小二乘支持向量机分别优化变权组合预测权重系数,建立了基于遗传算法、量子遗传算法、最小二乘支持向量机的三种变权重组合预测模型,并用实例分析验证了基于智能优化算法的组合预测模型在中长期电力负荷预测中的优越性。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景及意义

1.2电力负荷预测简述

1.3 电力负荷预测方法研究现状

1.4 组合预测的理论及分类

1.5 组合预测模型

1.6 本文的主要研究内容及结构安排

2 智能优化算法

2.1 遗传算法

2.2 量子遗传算法

2.3支持向量机模型

2.4 本章小结

3 基于强化缓冲算子的灰色预测模型

3.1灰色系统理论原理

3.2 传统灰色GM(1,1)预测模型

3.3 序列算子与灰色序列生成

3.4 强化缓冲算子

3.5 算例分析

3.6 本章小结

4 单模型的预测与分析

4.1 单项预测模型

4.1.2 实验数据

4.2 离散灰色DGM(1,1)模型

4.3电力弹性系数法

4.4 投影寻踪模型的建立

4.5 指数平滑法

4.6 单模型预测结果比较

4.7 本章小结

5 基于智能优化算法的组合预测模型

5.1基于遗传算法与量子遗传算法的组合预测模型

5.2 基于最小二乘支持向量机的组合预测模型

5.3 三种组合模型预测结果比较

5.4 本章小结

6 结论与展望

致谢

参考文献