论文部分内容阅读
短期电力负荷预测是电力系统运行和规划的基础,准确的负荷预测可以保证电力系统安全稳定运行,降低发电成本,提高经济效益。随着电力行业的发展、分布式能源的增多,短期负荷预测工作显得愈发重要。考虑到电力负荷数据的非线性、异方差、非平稳等特点,短期负荷预测难度也显著增加,因此,具有强大非线性学习能力的机器学习算法可以为本研究提供良好的技术手段。在众多的机器学习算法中,人工神经网络具备自学习能力和泛化能力等优点,已被广泛应用在短期电力负荷预测中,并取得了较为理想的效果。在负荷预测研究中,BP神经网络方法又是目前比较成熟的负荷预测方法,因此本文主要采用BP神经网络方法对短期负荷进行预测研究。电力负荷数据一般具有一定的周期性如周周期性、月周期性和年周期性,同时电力负荷也会受到多方面外界因素如温度、天气、节假日以及用户行为等的影响,而表现出一定的随机性。这样的随机性导致的不确定性显著增加了短期负荷预测的难度。因此,本文充分考虑负荷的自身变化规律以及外界因素的影响,从预测的准确性和可靠性两个方面出发,分别建立负荷的点预测模型和区间预测模型,并对建立的点预测模型进行优化,有效提高负荷预测的精度。本文主要以电力负荷的点预测和区间预测为研究课题,结合真实数据对短期负荷预测问题进行相关方面的研究。主要研究内容包括:(1)综合考虑温度、天气和日期类型等外界影响因素,建立了两种不同结构的BP神经网络负荷点预测模型:多输入多输出模型和多输入单输出模型。(2)针对BP神经网络收敛速度慢且易陷入局部极小值等问题,本文提出了利用小波变换(WT)和改进粒子群(IPSO)算法两种方法分别对上述两种模型进行优化,建立了WT-BP神经网络点预测模型和IPSO-BP神经网络点预测模型。实例仿真表明,所提出的两种优化预测模型能够提高负荷点预测的精度。(3)针对负荷预测中的不确定性问题,本文通过简化区间满意度指标(PISI),利用提出的IPSO算法对最优的比例系数进行搜索,结合比例系数法(SM)和BP神经网络,建立了IPSO-SM-BP短期负荷区间预测模型。实例分析表明,所建立的模型可以达到较好的区间预测效果。