论文部分内容阅读
空间负荷预测(spatial load forecasting,SLF)是在待预测范围内对电力负荷时空分布的预测,准确可靠的负荷预测结果能够更好地指导电网建设工作。以往仅对负荷大小的预测,远远达不到目前电网规划的要求,因此SLF越来越受到相关部门的重视。本文首先对SLF中各类数据预处理方法的优缺点进行详细阐述,并对SLF的发展历程和国内外研究成果进行总结,按不同标准对预测方法进行分类,简要分析常见预测方法的原理及其优缺点。其次建立了电力地理信息系统(Geographic Information System,GIS),由此建立Ⅰ类元胞、Ⅱ类元胞等图层。同时对电力负荷从多角度进行划分,确定影响电力负荷变化的主要因素,并分析其在时空领域内的规律性。然后提出一种利用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decompos1.tion,CEEMD)和游程检验技术确定元胞负荷合理最大值的方法,有效解决了实测的元胞负荷数据中存在随机波动现象而使空间负荷预测精度降低的问题。该方法通过互补集合经验模态分解技术将各Ⅰ类元胞负荷序列分别进行分解,每个Ⅰ类元胞得到一组本征模态分量(intrinsic mode function,IMF),采用游程检验技术对每个本征模态分量进行随机性检验,建立识别其中高频分量的判据,剔除刻画元胞负荷随机波动性的高频本征模态分量,对余下表征元胞负荷规律性与趋势性的本征模态分量进行重构得到主体分量,将其中最大值作为Ⅰ类元胞负荷合理最大值,最后利用该合理最大值结合传统负荷预测方法进行基于Ⅰ类元胞和Ⅱ类元胞的空间负荷预测。工程实例表明了该方法是正确有效的。最后提出一种自适应模糊粒子群优化算法(Adaptive Fuzzy Particle Swarm Optimization,AFPSO)结合最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)进行空间负荷预测的方法,有效解决了采用传统负荷预测方法时预测精度不高的问题。该方法采用AFPSO算法来优化LSSVM中参数,较好克服了标准粒子群算法粒子早熟、搜索精度不高的缺点,由此建立预测模型将之应用到SLF中来提高预测精度。工程实例证明了本方法的实用性和精准性。