论文部分内容阅读
电力负荷是一个国家经济发展的命脉,精准的电力负荷预测是电网部门进行电力调度、制定电力发展计划的基础。比如,2020年,中国在抗击新型冠状病毒的过程中,全国各地尤其是湖北省需要确保有序的电力供应,保障各医院设备的正常运行和居民生活用电的正常供应,为了确保万无一失,在这种情况下,可以通过借助电力负荷预测来帮助电力部门科学有效的制定应急预案和保障措施。同时,近年来,电力负荷预测也是各位专家学者研究的重点,本文主要通过组合改进学习算法来提高电力负荷预测精度。灰色模型(GM)可以通过累加计算来修正数据,适合处理随机的、样本数据少且特征显著的系统,但是该模型对电力负荷数据缺乏一定的学习能力,信息处理能力较弱,需要进一步改进;最小二乘支持向量机(LSSVM)模型能够有效的处理以往存在的小样本、局部最小点、非线性等问题。本文提出一种基于GM-LSSVM模型的电力负荷组合预测方法。首先,采用残差修正和背景值修正的方法对灰色模型进行改进,再利用改进的GM模型得到残差序列,最后通过LSSVM模型进行预测得到结果。核主成成分分析算法(KPCA)可以处理非线性数据,针对该算法采用单一核函数不能同时兼顾学习能力和泛化能力的问题,本文提出了将多项式核函数和高斯径向基核函数混合的核函数,即混合核核主成成分分析算法(MKPCA);RBFNN神经网络在泛化能力、聚类分析能力、信息处理能力、多维非线性映射能力、全局最优逼近能力等方面都具有优良的性能。本文在这两种模型的基础上进行研究,提出了基于MKPCA-RBFNN的组合预测模型。首先,利用MKPCA算法对电力负荷相关数据进行特征提取和降维处理,然后再将提取的几种主成分作为RBFNN神经网络的输入,最后得到电力负荷预测结果。针对电力负荷数据非线性、不确定性和复杂性的特点,结合GM-LSSVM模型、MKPCA算法、RNFNN神经网络三种模型的优势,本文提出了一种基于GM-LSSVM-MKPCA-RBFNN的组合预测模型。首先,利用GM-LSSVM模型预测出样本校正序列;然后,应用MKPCA算法对校正序列、日最高温度、日最低温度、星期类型等负荷影响因子进行降维处理;最后,再将处理后累计贡献率占比九十以上的几种主成分作为输入层神经元输入RBFNN神经网络进行训练,最终得到电力负荷预测结果。通过MATLAB仿真进行实验,与其它两种组合预测模型进行对比,结果表明,本文提出的电力负荷组合预测方法能够有效地提高电力负荷预测精度,可以合理的对实际电网数据进行分析预测。