負(fù)荷預(yù)測(cè)對(duì)電網(wǎng)規(guī)劃和售電市場(chǎng)調(diào)控具有重要意義。由于電力負(fù)荷與天氣、日期、區(qū)域等多個(gè)因素密切相關(guān),存在較強(qiáng)的不確定性和非線(xiàn)性特征,導(dǎo)致傳統(tǒng)方法的負(fù)荷預(yù)測(cè)精度較低。為了提高負(fù)荷預(yù)測(cè)精度,提出基于正交投影徑向基函數(shù)極限學(xué)習(xí)機(jī)(oprbf-elm)的短期電力負(fù)荷預(yù)測(cè)算法。該算法將elm的隱含層節(jié)點(diǎn)替換為徑向基神經(jīng)元,基于訓(xùn)練誤差二范數(shù)最小化準(zhǔn)則,采用正交投影計(jì)算輸出權(quán)值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓(xùn)練集均方根誤差(rmse)最小的預(yù)測(cè)負(fù)荷結(jié)果。算法預(yù)測(cè)過(guò)程中只需要設(shè)置網(wǎng)絡(luò)的徑向基神經(jīng)元(rbf)個(gè)數(shù),不需要調(diào)整輸入權(quán)值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關(guān)性,快速有效得到輸出權(quán)值向量,從而提高負(fù)荷預(yù)測(cè)精度。以我國(guó)某省電動(dòng)汽車(chē)用電領(lǐng)域的負(fù)荷數(shù)據(jù)作為標(biāo)準(zhǔn)樣本進(jìn)行仿真,仿真實(shí)驗(yàn)驗(yàn)證了該算法的可行性和有效性,與支持向量機(jī)(svm)和傳統(tǒng)rbf-elm相比,該算法的預(yù)測(cè)精度高、泛化能力強(qiáng),具有廣泛的實(shí)用性。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

為了提高電力負(fù)荷預(yù)測(cè)精度,應(yīng)對(duì)電力系統(tǒng)智能化所帶來(lái)的數(shù)據(jù)海量化高維化帶來(lái)的單機(jī)計(jì)算資源不足的挑戰(zhàn),提出了一種在線(xiàn)序列優(yōu)化的極限學(xué)習(xí)機(jī)短期電力負(fù)荷預(yù)測(cè)模型。針對(duì)電力負(fù)荷數(shù)據(jù)特性,對(duì)極限學(xué)習(xí)機(jī)預(yù)測(cè)算法進(jìn)行在線(xiàn)序列優(yōu)化;引入分布式和multi-agent思想,提升負(fù)荷預(yù)測(cè)算法預(yù)測(cè)準(zhǔn)確率;采用云計(jì)算的mapreduce編程框架對(duì)提出的算法模型進(jìn)行并行化改進(jìn),提高其處理海量高維數(shù)據(jù)的能力。選用eunite提供的真實(shí)電力負(fù)荷數(shù)據(jù)進(jìn)行算例分析,在32節(jié)點(diǎn)云計(jì)算集群上進(jìn)行實(shí)驗(yàn),結(jié)果表明基于該模型的負(fù)荷預(yù)測(cè)精度均優(yōu)于傳統(tǒng)支持向量回歸預(yù)測(cè)算法和泛化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法,且提出的算法具有優(yōu)異的并行性能。

偏最小二乘(pls)運(yùn)算降低電力負(fù)荷數(shù)據(jù)之間的相關(guān)性,最小二乘支持向量機(jī)(ls-svm)可以獲得模型的全局最優(yōu)預(yù)測(cè)效果,減少預(yù)測(cè)過(guò)程的運(yùn)算量。介紹了pls和ls-svm的基本原理,給出了pls-ls-svm建立短期日電力負(fù)荷預(yù)測(cè)模型的過(guò)程,并用于某地區(qū)2008年的用電日負(fù)荷預(yù)測(cè),預(yù)測(cè)的平均相對(duì)誤差和最大相對(duì)誤差分別為0.685%和8.8599%。與基于ar(1)模型的預(yù)測(cè)結(jié)果相比,pls-ls-svm模型更高的預(yù)測(cè)準(zhǔn)確性可為短期電力負(fù)荷預(yù)測(cè)提供有效依據(jù)。

利用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)建立短期電力負(fù)荷預(yù)測(cè)模型,其算法存在最終解過(guò)于依賴(lài)初值和過(guò)學(xué)習(xí)現(xiàn)象,并且訓(xùn)練過(guò)程中存在局部極小問(wèn)題且預(yù)測(cè)精度低等缺點(diǎn)。為了提高電力負(fù)荷模型的預(yù)測(cè)精度,通過(guò)閱讀相關(guān)文獻(xiàn),構(gòu)建了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型,該模型采用遺傳算法對(duì)權(quán)值和閾值進(jìn)行初始化,以相對(duì)誤差和附加動(dòng)量法相結(jié)合的方式去計(jì)算權(quán)值修正量。比較改進(jìn)后的bp算法和標(biāo)準(zhǔn)bp算法在短期電力負(fù)荷預(yù)測(cè)的效果,從實(shí)驗(yàn)仿真的效果表明改進(jìn)后的模型提高了預(yù)測(cè)精度。

鄭州大學(xué) 碩士學(xué)位論文 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法的研究 姓名：張德玲 申請(qǐng)學(xué)位級(jí)別：碩士 專(zhuān)業(yè)：電力系統(tǒng)及其自動(dòng)化 指導(dǎo)教師：陳根永 20070515 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法的研究 作者：張德玲 學(xué)位授予單位：鄭州大學(xué) 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法研究分析

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的重要依據(jù),目前的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法存在著一些不足。提出了基于人工神經(jīng)網(wǎng)絡(luò)與主分量分析的短期負(fù)荷預(yù)測(cè)方法,在試驗(yàn)中分別采用該方法和單一的人工神經(jīng)網(wǎng)絡(luò)對(duì)遼寧省某電網(wǎng)的短期負(fù)荷進(jìn)行了預(yù)測(cè),試驗(yàn)結(jié)果表明本文提出的方法與單一的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法相比,不但減少了預(yù)測(cè)的時(shí)間,而且避免了過(guò)擬合現(xiàn)象,提高了預(yù)測(cè)精度。

介紹極限學(xué)習(xí)機(jī)（elm）的原理，提出極限學(xué)習(xí)機(jī)模型的城市燃?xì)舛唐谪?fù)荷預(yù)測(cè)方法。以重慶市某區(qū)域燃?xì)馊肇?fù)荷、氣溫、日期類(lèi)型及天氣狀況等數(shù)據(jù)為訓(xùn)練樣本，采用歸一化等預(yù)處理方法處理輸入數(shù)據(jù)，通過(guò)確定最優(yōu)隱含層節(jié)點(diǎn)數(shù)等建立最優(yōu)極限學(xué)習(xí)機(jī)模型。將實(shí)際值和通過(guò)采用極限學(xué)習(xí)機(jī)與支持向量機(jī)（svm）方法得到的燃?xì)馊肇?fù)荷預(yù)測(cè)值進(jìn)行對(duì)比，將采用極限學(xué)習(xí)機(jī)與支持向量機(jī)方法的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間進(jìn)行對(duì)比，極限學(xué)習(xí)機(jī)預(yù)測(cè)方法具有較好的預(yù)測(cè)精度，且訓(xùn)練時(shí)間短。

支持向量機(jī)svm作為機(jī)器學(xué)習(xí)方法之一,有數(shù)據(jù)分類(lèi)以及數(shù)據(jù)回歸兩種用途,支持向量機(jī)的回歸能應(yīng)用于預(yù)測(cè)領(lǐng)域.本文應(yīng)用svm方法來(lái)建立電力負(fù)荷預(yù)測(cè)模型,首先以歷史負(fù)荷、天氣、日期類(lèi)型作輸入數(shù)據(jù),然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理,再利用svm構(gòu)建預(yù)測(cè)模型,svm在負(fù)荷預(yù)測(cè)方面具有較高的可信度與精準(zhǔn)度.

短期電力負(fù)荷預(yù)測(cè)器設(shè)計(jì) thedesignofshorttermpowerload prediction 畢業(yè)設(shè)計(jì)任務(wù)書(shū) 一、設(shè)計(jì)內(nèi)容 結(jié)合人工神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)和學(xué)習(xí)方式，根據(jù)其學(xué)習(xí)方法，編寫(xiě)算法進(jìn)行matlab仿 真，對(duì)仿真預(yù)測(cè)結(jié)果的精度進(jìn)行分析。 二、基本要求 1．選擇適合電力負(fù)荷預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)的模型。 2．利用matlab軟件用于人工神經(jīng)網(wǎng)絡(luò)模型的仿真。 3．得到仿真結(jié)果，對(duì)電力負(fù)荷預(yù)測(cè)結(jié)果的精度進(jìn)行分析。 三、主要技術(shù)指標(biāo) 利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型，編寫(xiě)matlab程序，對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)電 力負(fù)荷預(yù)測(cè)。 四、應(yīng)收集的資料及參考文獻(xiàn) [1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[m].北京:化學(xué)工業(yè)出版社 [2]周開(kāi)利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其matlab仿真程序設(shè)計(jì)[m].北京:清華大學(xué)出版 社 [3]朱大奇.

隨著我國(guó)經(jīng)濟(jì)建設(shè)的不斷發(fā)展，社會(huì)用電量不斷增長(zhǎng)，電廠(chǎng)和電網(wǎng)規(guī)模不斷擴(kuò)大，這就對(duì)電力部門(mén)的安全、經(jīng)濟(jì)運(yùn)行提出了更高要求。負(fù)荷預(yù)測(cè)是電力市場(chǎng)技術(shù)支持系統(tǒng)的一個(gè)重要組成模塊，尤其是短期電力負(fù)荷預(yù)測(cè)方法易受隨機(jī)因素的干擾，針對(duì)短期負(fù)荷預(yù)測(cè)的特點(diǎn)，將數(shù)據(jù)挖掘技術(shù)引入短期負(fù)荷預(yù)測(cè)中，極大地提高了預(yù)測(cè)精度，對(duì)于保障電力運(yùn)行的安全性和經(jīng)濟(jì)性具有重要作用?；跀?shù)據(jù)挖掘技術(shù)的短期電力負(fù)荷預(yù)測(cè)進(jìn)行了探討，希望對(duì)相關(guān)單位有所幫助。

電力系統(tǒng)的管理和調(diào)度對(duì)精確的負(fù)荷預(yù)測(cè)模型有著極高的要求。為全面提高負(fù)荷預(yù)測(cè)模型的性能，提出一種新型的結(jié)合互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解（ceemd）和小波核函數(shù)極限學(xué)習(xí)機(jī)（wkelm）的短期電力負(fù)荷組合預(yù)測(cè)模型。首先通過(guò)ceemd將歷史電力負(fù)荷數(shù)據(jù)自適應(yīng)地分解為一系列相對(duì)平穩(wěn)的子序列，對(duì)各分量建立小波核極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型，預(yù)測(cè)各分量的負(fù)荷值并對(duì)其進(jìn)行求和得到最終預(yù)測(cè)結(jié)果。用四種預(yù)測(cè)模型對(duì)真實(shí)的負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測(cè)，算例表明新模型在預(yù)測(cè)精度和效率上都具有一定優(yōu)勢(shì)，同時(shí)克服了傳統(tǒng)emd中容易出現(xiàn)的模態(tài)混疊問(wèn)題以及elm中存在的過(guò)擬合等缺陷，具有一定的實(shí)際應(yīng)用潛力。

文章分析了影響電力負(fù)荷的因素,對(duì)現(xiàn)存的短期電力負(fù)荷預(yù)測(cè)方法進(jìn)行了研究,采用粒子群算法對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu),建立了基于粒子群優(yōu)化的預(yù)測(cè)模型,并對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)仿真,為精準(zhǔn)且快速地預(yù)測(cè)短期電力負(fù)荷提供了有效的方法。通過(guò)實(shí)例分析驗(yàn)證了該模型在電力負(fù)荷中的預(yù)測(cè)精度,結(jié)果顯示其精度值較高。

針對(duì)短期電力負(fù)荷預(yù)測(cè)易受氣象因素影響的特點(diǎn),提出基于相似日和灰色理論的短期電力負(fù)荷預(yù)測(cè)模型;首先通過(guò)對(duì)日類(lèi)型的判斷得到相同日類(lèi)型的負(fù)荷數(shù)據(jù),然后對(duì)氣象數(shù)據(jù)序列進(jìn)行模糊化聚類(lèi)處理,并結(jié)合預(yù)測(cè)日的氣象數(shù)據(jù),采用灰色關(guān)聯(lián)方法進(jìn)行關(guān)聯(lián)分析,選取與預(yù)測(cè)日關(guān)聯(lián)度高的負(fù)荷數(shù)據(jù)作為相似日負(fù)荷數(shù)據(jù),采用灰色預(yù)測(cè)方法對(duì)相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測(cè);仿真結(jié)果表明,選取了相似日之后的預(yù)測(cè)結(jié)果比未選取相似日的預(yù)測(cè)結(jié)果精度要高.

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中存在局部極小、收斂速度慢等問(wèn)題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行精準(zhǔn)預(yù)測(cè)。根據(jù)輸入輸出參數(shù)個(gè)數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個(gè)體賦給elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而建立基于pso-elman的電力負(fù)荷預(yù)測(cè)模型。采用某鋼廠(chǎng)實(shí)測(cè)電力數(shù)據(jù)對(duì)該方法和模型進(jìn)行驗(yàn)證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測(cè)方法進(jìn)行對(duì)比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時(shí)間的同時(shí)，具備更高的負(fù)荷預(yù)測(cè)精度和穩(wěn)定性。

針對(duì)短期電力負(fù)荷預(yù)測(cè)易受氣象因素影響的特點(diǎn)，提出基于相似日和灰色理論的短期電力負(fù)荷預(yù)測(cè)模型；首先通過(guò)對(duì)日類(lèi)型的判斷得到相同日類(lèi)型的負(fù)荷數(shù)據(jù)，然后對(duì)氣象數(shù)據(jù)序列進(jìn)行模糊化聚類(lèi)處理，并結(jié)合預(yù)測(cè)日的氣象數(shù)據(jù)，采用灰色關(guān)聯(lián)方法進(jìn)行關(guān)聯(lián)分析，選取與預(yù)測(cè)日關(guān)聯(lián)度高的負(fù)荷數(shù)據(jù)作為相似日負(fù)荷數(shù)據(jù)，采用灰色預(yù)測(cè)方法對(duì)相似日負(fù)荷數(shù)據(jù)進(jìn)行短期電力負(fù)荷預(yù)測(cè)；仿真結(jié)果表明，選取了相似日之后的預(yù)測(cè)結(jié)果比未選取相似日的預(yù)測(cè)結(jié)果精度要高。

基于單項(xiàng)預(yù)測(cè)模型進(jìn)行電網(wǎng)負(fù)荷預(yù)測(cè)已不能適應(yīng)當(dāng)前電網(wǎng)管理的要求。組合預(yù)測(cè)模型在很大程度上能夠彌補(bǔ)單一預(yù)測(cè)方法的片面性,但在組合模型中固定負(fù)荷預(yù)測(cè)方法也存在預(yù)測(cè)不準(zhǔn)確、可信度低等一系列問(wèn)題。本文在電力負(fù)荷預(yù)測(cè)系統(tǒng)中引入動(dòng)態(tài)組合的思想,通過(guò)自動(dòng)篩選預(yù)測(cè)方法、動(dòng)態(tài)配置權(quán)重,構(gòu)建最優(yōu)組合預(yù)測(cè)模型。實(shí)踐證明,該組合預(yù)測(cè)方法比單個(gè)預(yù)測(cè)方法具有更高的預(yù)測(cè)準(zhǔn)確性。

為了充分考慮城市發(fā)展變化的多元性與預(yù)測(cè)電力負(fù)荷過(guò)程中的各種影響變量,提高電網(wǎng)規(guī)劃中電力負(fù)荷的預(yù)測(cè)精度,本文提出了基于計(jì)量經(jīng)濟(jì)-灰色理論的多變量電力負(fù)荷預(yù)測(cè)方法.該方法首先通過(guò)電力負(fù)荷與各變量之間的相關(guān)性分析,確定預(yù)測(cè)過(guò)程中與電力負(fù)荷強(qiáng)度相關(guān)的各影響變量.然后利用統(tǒng)計(jì)學(xué)中的計(jì)量經(jīng)濟(jì)理論,找到彼此之間的聯(lián)系,建立電力負(fù)荷與各變量之間的數(shù)學(xué)預(yù)測(cè)模型.最后再利用灰色理論對(duì)目標(biāo)年各變量的值進(jìn)行預(yù)測(cè),以解決數(shù)據(jù)匱乏、波動(dòng)的不確定性所帶來(lái)的難題,并帶入數(shù)學(xué)模型,完成預(yù)測(cè).工程實(shí)例驗(yàn)證了該方法是正確和有效的.

以忻州市1994~2004年用電量數(shù)據(jù)為例介紹了灰色預(yù)測(cè)技術(shù)在電力系統(tǒng)中的應(yīng)用,并與忻州市1994年至2004年工農(nóng)業(yè)生產(chǎn)總值(不變價(jià))和同期用電量數(shù)據(jù)建立的一元線(xiàn)性回歸模型預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比分析,進(jìn)一步說(shuō)明了灰色模型預(yù)測(cè)具有較高的置信度和應(yīng)用價(jià)值。

文章首先對(duì)目前電力系統(tǒng)負(fù)荷預(yù)報(bào)理論和方法進(jìn)行了全面回顧和評(píng)述,重點(diǎn)介紹了混沌理論的發(fā)展及應(yīng)用現(xiàn)狀。結(jié)合混沌時(shí)間序列的分析方法,在對(duì)現(xiàn)在廣泛應(yīng)用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的混沌方法研究的基礎(chǔ)上,提出了將混沌預(yù)測(cè)技術(shù)與小波奇異性檢測(cè)和消噪結(jié)合提高預(yù)測(cè)精度的方法。

針對(duì)電力負(fù)荷短期預(yù)測(cè)問(wèn)題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,分析傳統(tǒng)bp算法的不足,提出一種基于levenbery-marquardt優(yōu)化法的bp模型學(xué)習(xí)算法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來(lái)分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同類(lèi)型的負(fù)荷差異,并對(duì)四川省電力公司某區(qū)一條線(xiàn)路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。