分层考虑气象因素的电力系统短期负荷预测

摘要

本文以预测工作的各个环节为线索,对负荷聚类、分层分析气象因素、预测模型的建立等各个方面做了深入研究。用自组织特征映射神经网络对负荷序列进行聚类分析,再通过经验模式分解方法自动地将每个聚类内负荷序列分解为若干个独立的内在模式分量,通过各分量与各气象因素的斯皮尔曼相关分析,深入挖掘各气象因素对各负荷分量的影响情况。根据分层相关性分析的结果,为每层负荷分量构建粒子群优化的支持向量机负荷预测模型,结合气象因素对各层分量进行预测并汇总结果。唐山地区的实例研究表明,该方法具有较高的预测精度和较强的推广能力。

目录

文摘

英文文摘

第一章 绪论

1.1 短期负荷预测的重要意义

1.2 短期负荷预测研究现状

1.2.1 传统负荷预测

1.2.2 现代负荷预测

1.3 目前电力系统短期负荷预测存在的问题

1.4 本文所做工作

第二章 电力系统负荷序列的聚类分析

2.1 自组织特征映射神经网络

2.1.1 自组织特征映射神经网络简介

2.1.2 自组织特征映射神经网络模型学习过程

2.1.3 自组织特征映射神经网络学习具体步骤

2.2 基于自组织特征映射神经网络的负荷序列聚类分析

2.2.1 聚类结果

2.2.2 结果分析

第三章 负荷与气象因素关系的分层分析

3.1 经验模式分解方法

3.1.1 经验模式分解概念

3.1.2 经验模式分解的流程

3.2 Spearman秩相关系数

3.3 负荷分层并与气象因素相关性分析思路

3.4 实例分析

3.4.1 夏季正常工作日

3.4.2 夏季降雨工作日

3.4.3 全部聚类的分层分析

第四章 基于PSO-SVM的电力系统短期负荷预测模型

4.1 支持向量机

4.1.1 支持向量机理论基础

4.1.2 支持向量回归算法

4.1.3 支持向量机核函数及参数分析

4.2 粒子群优化算法

4.2.1 粒子群算法原理

4.2.2 粒子群参数分析

4.2.3 粒子群算法步骤

4.3 粒子群优化的支持向量机短期负荷预测模型

4.3.1 构建PSO-SVM模型

4.3.2 PSO-SVM程序流程图

4.3.3 算例分析

第五章 分层考虑气象因素的PSO-SVM短期负荷预测

5.1 总体思路

5.2 算例分析

5.2.1 普通日负荷预测

5.2.2 降雨日负荷预测

5.3 总体误差分析

第六章 结论与展望

5.1 结论

5.2 展望

参考文献

致谢

攻读硕士学位期间发表的学术论文和参加科研情况