本文關(guān)鍵詞：電力系統(tǒng)短期負荷預測研究

  更多相關(guān)文章： 短期負荷預測 相似日 離散Frechet距離 EEMD SVM LS-SVM

【摘要】：短期負荷預測是能量管理系統(tǒng)(EMS)的組成部分,也是電力系統(tǒng)運行調(diào)度中的重要內(nèi)容,對電力系統(tǒng)的運行、控制和計劃都有著非常重要的意義,其預測精度的高低直接影響到電力系統(tǒng)的安全性和經(jīng)濟性。 本文對電力系統(tǒng)短期負荷預測的背景和研究現(xiàn)狀進行了綜述,對現(xiàn)有的傳統(tǒng)方法和智能方法做了簡單分析,介紹了短期負荷預測的基本原則、要求和預測效果的評價方法,重點對短期負荷的內(nèi)在規(guī)律和外在特性進行了深入分析,根據(jù)短期負荷的特性提出了三種有效的預測方法。 首先,根據(jù)短期負荷的外在特性,提出了基于日特征量相似日的PSO-SVM短期負荷預測方法,該方法引入了人體舒適度指數(shù),綜合考慮天氣因素對短期負荷的耦合影響,并與其余主導因素構(gòu)成日特征量,采用求取相似度的方法選取相似日,并建立PSO-SVM預測模型,該方法解決了SVM預測模型的知識冗余問題,減少了訓練樣本,經(jīng)過仿真驗證,最終的預測結(jié)果要優(yōu)于負荷預測競賽優(yōu)勝者的預測結(jié)果。 其次,根據(jù)短期負荷的內(nèi)在規(guī)律,提出了基于離散Frechet距離和LS-SVM的短期負荷預測方法,該方法依據(jù)負荷曲線特點通過離散Frechet距離判別曲線相似性的方法選取相似時段,并利用相似時段的歷史負荷數(shù)據(jù)建立具有更好泛化性的LS-SVM預測模型。經(jīng)過仿真驗證,該方法與標準LS-SVM的預測結(jié)果相比,提高了預測精度。 最后,針對基于離散Frechet距離和LS-SVM的短期負荷預測方法中存在從總負荷數(shù)據(jù)表層入手建模預測,無法關(guān)注組成負荷各成分特性的問題,提出了基于EEMD相似日分解的LS-SVM短期負荷預測方法,將離散Frechet距離選取出的相似時段進行EEMD分解,得到代表負荷各個部分的IMF分量,根據(jù)各IMF分量的特點,建立擁有不同核函數(shù)的LS-SVM預測模型分別對各分量進行預測,最后將各分量預測結(jié)果相加得到最終結(jié)果。經(jīng)仿真驗證,EEMD分解得到的IMF分量能夠較好地體現(xiàn)出負荷各成分的特性,最終結(jié)果的預測精度相比基于離散Frechet距離和LS-SVM的短期負荷預測方法的預測精度得到提高。
【關(guān)鍵詞】：短期負荷預測 相似日 離散Frechet距離 EEMD SVM LS-SVM
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TM715
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-21
• 1.1 課題的研究背景和意義11-13
• 1.1.1 電力系統(tǒng)負荷預測的意義11
• 1.1.2 電力系統(tǒng)負荷預測的分類11-13
• 1.2 短期負荷預測的國內(nèi)外研究現(xiàn)狀13-18
• 1.2.1 常用的短期負荷預測方法14-17
• 1.2.2 短期負荷預測方法的研究動向17-18
• 1.3 本文的主要工作和內(nèi)容安排18-21
• 第二章 短期負荷預測的概述與分析21-33
• 2.1 短期負荷預測的概述21-23
• 2.1.1 短期負荷預測的基本原則和要求21-22
• 2.1.2 短期負荷預測的步驟22
• 2.1.3 短期負荷預測結(jié)果的分析和評價22-23
• 2.2 短期負荷預測的特性分析23-29
• 2.2.1 短期負荷預測的內(nèi)在規(guī)律23-26
• 2.2.2 短期負荷預測的外部影響因素26-29
• 2.3 短期負荷數(shù)據(jù)的預處理29-31
• 2.3.1 負荷數(shù)據(jù)預處理的重要性29
• 2.3.2 負荷數(shù)據(jù)的預處理方法29-31
• 2.4 本章小結(jié)31-33
• 第三章 基于日特征量相似日的PSO-SVM短期負荷預測方法33-47
• 3.1 引言33
• 3.2 日特征量的建立33-38
• 3.2.1 人體舒適度指數(shù)33-34
• 3.2.2 主要影響因素的選取34-35
• 3.2.3 主要因素的量化35-38
• 3.3 相似日的選取38-39
• 3.4 粒子群優(yōu)化的支持向量機的預測模型39-44
• 3.4.1 粒子群優(yōu)化算法39-40
• 3.4.2 支持向量機(SVM)理論40-43
• 3.4.3 預測模型的建立43-44
• 3.5 仿真驗證44-46
• 3.6 本章小結(jié)46-47
• 第四章 基于離散Frechet距離和LS-SVM的短期負荷預測方法47-57
• 4.1 引言47
• 4.2 短期負荷曲線的特點分析47-48
• 4.3 基于離散Frechet距離的曲線相似性判定48-52
• 4.3.1 曲線間的連續(xù)Frechet距離和離散Frechet距離48-50
• 4.3.2 Frechet距離與離散Frechet距離的比較50-51
• 4.3.3 離散Frechet距離判別負荷曲線相似性51-52
• 4.4 最小二乘支持向量機(LS-SVM)的預測模型52-54
• 4.4.1 LS-SVM的基本原理52-53
• 4.4.2 預測模型的建立53-54
• 4.5 仿真驗證54-56
• 4.6 本章小結(jié)56-57
• 第五章 基于EEMD相似日分解的LS-SVM短期負荷預測方法57-67
• 5.1 引言57
• 5.2 經(jīng)驗模態(tài)分解(EMD)原理57-59
• 5.3 基于噪聲輔助分析的經(jīng)驗模態(tài)分解(EEMD)59-62
• 5.3.1 EMD在白噪聲信號下的特性59-60
• 5.3.2 EEMD的原理60-62
• 5.4 預測模型的建立62-63
• 5.5 仿真驗證63-65
• 5.6 本章小結(jié)65-67
• 第六章 總結(jié)與展望67-69
• 6.1 總結(jié)67-68
• 6.2 展望68-69
• 致謝69-71
• 參考文獻71-75
• 附錄A 攻讀碩士期間發(fā)表的論文75
• 附錄B 攻讀碩士期間獲得的軟件著作權(quán)75

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳亞紅,穆鋼,段方麗;短期電力負荷預報中幾種異常數(shù)據(jù)的處理[J];東北電力學院學報;2002年02期

2 鞠平,姜巍,趙夏陽,王俊鍇,張世學,劉琰;96點短期負荷預測方法及其應用[J];電力系統(tǒng)自動化;2001年22期

3 金海峰,熊信艮,吳耀武;基于相似性原理的短期負荷預測方法[J];電力系統(tǒng)自動化;2001年23期

4 黎燦兵;李曉輝;趙瑞;李金龍;劉曉光;;電力短期負荷預測相似日選取算法[J];電力系統(tǒng)自動化;2008年09期

5 李野;康重慶;陳新宇;;綜合預測模型及其單一預測方法的聯(lián)合參數(shù)自適應優(yōu)化[J];電力系統(tǒng)自動化;2010年22期

6 秦海超;王瑋;周暉;王林;;人體舒適度指數(shù)在短期電力負荷預測中的應用[J];電力系統(tǒng)及其自動化學報;2006年02期

7 趙儆,康重慶,葛睿,沈瑜,夏清;電力市場中多日負荷曲線的預測[J];電力自動化設(shè)備;2002年09期

8 潘峰,程浩忠,楊鏡非,張澄,潘震東;基于支持向量機的電力系統(tǒng)短期負荷預測[J];電網(wǎng)技術(shù);2004年21期

9 金義雄;段建民;徐進;衛(wèi)功存;蒯圣宇;李宏仲;王承民;;考慮氣象因素的相似聚類短期負荷組合預測方法[J];電網(wǎng)技術(shù);2007年19期

10 張思遠;何光宇;梅生偉;王偉;張王俊;;基于相似時間序列檢索的超短期負荷預測[J];電網(wǎng)技術(shù);2008年12期

，

本文編號：1014606