论文部分内容阅读
负荷预测是配电网规划的重要组成部分,也是配电网规划的前提和基础,其准确性直接关系到规划方案的优劣。负荷预测包含负荷总量预测和空间负荷预测,它们对合理地进行配电网规划具有重要的指导意义。本文对目前国内外重点研究的两种配电网空间负荷预测方法(用地仿真法和负荷密度指标法)的特点和应用场合等进行比较,在详细分析了空间负荷预测的相关因素的基础上,阐述了负荷密度指标法在我国的适用性和实用性,并总结了其在工程实践中的关键和难点。针对传统方法在求取负荷密度指标时通常采用经验法或简单类比法、难以满足精度要求等不足,本文提出了基于最小二乘支持向量机(LS-SVM)的配电网空间负荷预测方法。在求取负荷密度指标过程中,先引入FCM算法把各类用地性质负荷聚类为几个等级,建立比较精细的负荷密度指标体系;然后在体系中选出与预测样本特征更为相似的样本进行训练,提高LS-SVM模型的泛化能力和预测精度;最后采用遗传算法(GA)对LS-SVM预测模型的参数进行自动优化,进一步提高了预测模型的适应性和预测精度。在计算规划区总量负荷过程中,为了避免求取同时率的麻烦,提出了采用智能预测方法对规划区的总量负荷进行预测,增强了空间负荷预测的合理性和科学性。鉴于传统的负荷密度指标求取方法没有侧重去寻求负荷密度与其各影响因素之间的内在复杂的非线性函数关系,也没有考虑各影响因素在预测中的权重和影响程度,本文进一步提出了一种基于自适应神经模糊系统(ANFIS)的负荷密度指标求取新方法。该方法首先用熵权法对影响因素的输入值进行加权处理,然后运用Fletcher-Reeves共轭梯度法改进ANFIS默认的混合学习算法,建立改进型ANFIS预测模型来求取负荷密度,克服了传统方法输出结果不可量化和精度不高等缺点。最后通过一个实例验证了该方法的实用性和有效性。