發(fā)布時(shí)間：2018-08-13 13:25

【摘要】：近年來,隨著我國(guó)的電力工業(yè)體制不斷改革,電力市場(chǎng)競(jìng)爭(zhēng)機(jī)制已經(jīng)逐步形成,在電力市場(chǎng)競(jìng)爭(zhēng)機(jī)制下,如何準(zhǔn)確的預(yù)測(cè)短期電力負(fù)荷需求變得越來越重要。負(fù)荷預(yù)測(cè)精度的提高,有利于發(fā)電廠商及時(shí)調(diào)整供電策略,從而使利潤(rùn)最大化；同時(shí)也有利于普通用戶根據(jù)需求來制定購(gòu)電計(jì)劃,使成本最小化。然而,由于受到氣象、經(jīng)濟(jì)、季節(jié)、政策等眾多因素的影響,使得準(zhǔn)確預(yù)測(cè)電力負(fù)荷的工作變的十分困難和復(fù)雜。為此,本文在研究了國(guó)內(nèi)外短期電力負(fù)荷預(yù)測(cè)的現(xiàn)狀以及電力負(fù)荷的影響因素的基礎(chǔ)上,提出了一種基于聚類分析和最小二乘支持向量機(jī)的混合預(yù)測(cè)模型。本文首先對(duì)澳大利亞新南威爾士州和昆士蘭州的電力負(fù)荷特性進(jìn)行了深入地分析,然后利用SOM神經(jīng)網(wǎng)絡(luò)和K-means兩種聚類算法選擇相似日,構(gòu)造相似日的訓(xùn)練集合和測(cè)試集合并利用LSSVM模型進(jìn)行預(yù)測(cè)。針對(duì)LSSVM核函數(shù)參數(shù)與正則化參數(shù)的優(yōu)化問題,本文結(jié)合MATLAB并行工具箱,基于先大后小的原則提出了一種新的并行二次網(wǎng)格優(yōu)化算法,該算法與傳統(tǒng)的網(wǎng)格優(yōu)化算法相比,可以顯著降低尋優(yōu)時(shí)間,同時(shí)預(yù)測(cè)精度損失也不大。最后,通過仿真實(shí)驗(yàn)縱向?qū)Ρ缺砻?本文提出的混合預(yù)測(cè)模型中,SOM-LSSVM的預(yù)測(cè)精度高于K-means-LSSVM和單一的LSSVM模型；橫向?qū)Ρ缺砻?本文混合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果同樣優(yōu)于單一的ARIMA模型.ARIMA-BP模型以及WT-LSSVM模型,說明本文提出的混合模型是一個(gè)比較理想的短期電力負(fù)荷預(yù)測(cè)方法。
[Abstract]:In recent years, with the continuous reform of the electric power industry system in our country, the competitive mechanism of the electricity market has been gradually formed. Under the competition mechanism of the electricity market, how to accurately predict the short-term power load demand becomes more and more important. The improvement of load forecasting accuracy is helpful for power generation manufacturers to adjust their power supply strategy in time to maximize profit, and to make purchase plan according to the demand of ordinary customers, so as to minimize the cost. However, due to the influence of weather, economy, season, policy and so on, it is very difficult and complicated to predict the power load accurately. In this paper, a hybrid forecasting model based on clustering analysis and least squares support vector machine (LS-SVM) is proposed on the basis of studying the current situation of short-term power load forecasting at home and abroad and the influencing factors of power load. In this paper, the power load characteristics of New South Wales and Queensland are analyzed, and then the similar days are selected by using SOM neural network and K-means clustering algorithm. The training set and test set of similar days are constructed and predicted by LSSVM model. Aiming at the optimization of LSSVM kernel function parameters and regularization parameters, this paper proposes a new parallel quadratic mesh optimization algorithm based on the principle of large first and then small, combined with MATLAB parallel toolbox. The algorithm is compared with the traditional mesh optimization algorithm. The optimization time can be significantly reduced, and the loss of prediction accuracy is small. Finally, the longitudinal comparison of simulation experiments shows that the prediction accuracy of SOM-LSSVM is higher than that of K-means-LSSVM and single LSSVM model, and the horizontal comparison shows that the prediction accuracy of the hybrid prediction model is higher than that of the K-means-LSSVM model and the single LSSVM model. The results of the hybrid forecasting model are also superior to those of the single ARIMA model, the ARIMA-BP model and the WT-LSSVM model, which shows that the hybrid model is an ideal short-term power load forecasting method.
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TM715

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張繼春;鈕強(qiáng);徐小荷;;巖體爆破塊度預(yù)測(cè)模型研究綜述[J];爆破;1992年04期

2 李剛,陳國(guó)通,蔡金燕,曹宏炳;電子裝備戰(zhàn)備完好性預(yù)測(cè)模型研究[J];現(xiàn)代電子技術(shù);2002年08期

3 史經(jīng)海;;城市需水預(yù)測(cè)模型研究[J];黑龍江水利科技;2011年03期

4 翟育明;鄒亞平;周俊文;馮旖旎;;自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)的基金走勢(shì)預(yù)測(cè)模型研究[J];武漢理工大學(xué)學(xué)報(bào);2010年01期

5 潘岳;戚云松;李愛武;;對(duì)“隧道圍巖 初支系統(tǒng)灰色突變失穩(wěn)預(yù)測(cè)模型研究”的討論[J];巖石力學(xué)與工程學(xué)報(bào);2009年08期

6 王福海,盧占會(huì),皇甫英;應(yīng)用灰色預(yù)測(cè)模型研究我國(guó)電力發(fā)展策略[J];電力情報(bào);1999年04期

7 董慶金;鐘金寧;;建(構(gòu))筑物變形監(jiān)測(cè)與趨勢(shì)預(yù)測(cè)模型研究[J];現(xiàn)代測(cè)繪;2013年03期

8 涂志祥 ,王明松 ,李岳林 ,羅云飛;工程機(jī)械銷售量的灰色優(yōu)化預(yù)測(cè)模型研究[J];起重運(yùn)輸機(jī)械;2004年04期

9 王嘉;張歡;曾江洪;;高速公路運(yùn)營(yíng)收入支出預(yù)測(cè)模型研究及應(yīng)用[J];山西科技;2006年05期

10 蔣偉進(jìn),孫星明,王潤(rùn)球;混沌序列優(yōu)化預(yù)測(cè)模型研究[J];華北電力大學(xué)學(xué)報(bào);2004年02期

相關(guān)會(huì)議論文 前5條

1 林楠;馬玉俊;韓在柱;宋魯平;Alfonso Caramazza;畢彥超;;基于體素水平腦損傷信息的口語(yǔ)命名能力預(yù)測(cè)模型研究[A];第一屆全國(guó)神經(jīng)動(dòng)力學(xué)學(xué)術(shù)會(huì)議程序手冊(cè) & 論文摘要集[C];2012年

2 吳振玲;宛公展;白玉榮;段麗瑤;劉彬賢;;72小時(shí)氣傳花粉預(yù)測(cè)模型研究[A];中國(guó)顆粒學(xué)會(huì)第六屆學(xué)術(shù)年會(huì)暨海峽兩岸顆粒技術(shù)研討會(huì)論文集（下）[C];2008年

3 李習(xí)平;;基于GM(1,1)理論的中國(guó)居民消費(fèi)價(jià)格指數(shù)預(yù)測(cè)模型研究[A];中國(guó)高等院校市場(chǎng)學(xué)研究會(huì)2009年年會(huì)論文集[C];2009年

4 董志貴;王金武;;基于時(shí)序模型的經(jīng)濟(jì)預(yù)測(cè)模型研究[A];農(nóng)業(yè)系統(tǒng)工程理論與實(shí)踐研究——全國(guó)農(nóng)業(yè)系統(tǒng)工程學(xué)術(shù)研討會(huì)論文集[C];2006年

5 楊興斌;馮輔周;;發(fā)動(dòng)機(jī)油液光譜分析預(yù)測(cè)模型研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前1條

1 常城;國(guó)家級(jí)高新技術(shù)開發(fā)區(qū)經(jīng)濟(jì)發(fā)展灰色預(yù)測(cè)模型研究[D];哈爾濱工程大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 邢昊;邊坡地形的地震動(dòng)放大效應(yīng)預(yù)測(cè)模型研究[D];西南交通大學(xué);2015年

2 袁超;短期電力負(fù)荷混合預(yù)測(cè)模型研究[D];蘭州大學(xué);2015年

3 謝乃明;序列算子與灰色預(yù)測(cè)模型研究[D];南京航空航天大學(xué);2005年

4 王義昌;企業(yè)市場(chǎng)營(yíng)銷預(yù)測(cè)模型研究與分析[D];蘇州大學(xué);2007年

5 呂寧;地方財(cái)政一般預(yù)算收入預(yù)測(cè)模型研究[D];浙江大學(xué);2006年

6 張樨樨;營(yíng)銷人員選拔性測(cè)評(píng)的預(yù)測(cè)模型研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2005年

7 張路;重慶市某區(qū)交通事故流行病學(xué)分析及預(yù)測(cè)模型研究[D];第三軍醫(yī)大學(xué);2010年

8 武曉煒;基于人工神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測(cè)模型研究[D];大連理工大學(xué);2004年

9 張軍;山地復(fù)雜地形的大氣污染預(yù)測(cè)模型研究[D];重慶大學(xué);2005年

10 楊子國(guó);中長(zhǎng)期電力負(fù)荷FRARMA預(yù)測(cè)模型研究[D];大連理工大學(xué);2010年

，

本文編號(hào)：2181129