基于VMD和改进型极限学习机的短期电力负荷预测

发布时间：2020-08-07 10:44

【摘要】：电力能源作为高效绿色能源在如今社会扮演着举足轻重的角色。电力系统短期负荷预测,对电力部门的合理调度和稳定运行具有重要的参考意义,也是电网优化运行的基础。电力负荷短期预测研究已经持续了很多年,但随着人类社会的迅猛发展,自然气候的变化使得影响电力负荷的因素也越来越多,电力系统负荷在短期内波动变得更加复杂,传统短期预测方法已经不能再满足预测精度的需要,因此,选择合适的预测方法,提升预测精度具有一定的研究意义。本文基于安徽省某一地区的电力负荷,对负荷特性和短期负荷预测模型进行了研究。首先,分析了传统预测模型例如BP神经网络和SVM支持向量机在短期负荷预测上所面临的主要问题,基于此,本文建立了极限学习机电力负荷短期预测模型。但极限学习机中初始输入权值和隐含神经元阈值具有随机性而导致预测性能不稳定甚至预测精度达不到要求,本文在粒子群优化算法的基础上动态调整参数并与遗传优化算法结合后对极限学习机输入权值和隐含神经元阈值进行寻优以改善预测性能。其次,因电力负荷受到人类活动及外界多种因素的影响,导致序列信号中含有大量噪声呈现出随机性和非线性的特点,为了提取负荷序列的局部特征和避免模态混叠,本文采用了变分模态分解技术,将原始电力负荷序列分解成有限带宽的子序列,然后分别计算子序列的样本熵,样本熵反映了序列复杂程度,将样本熵值相近的子序列合并为新序列,再分别与优化后的极限学习机预测模型结合,将各个子序列的预测结果重构,得出最终的预测结果。最后,将某一地区真实电力负荷数据作为样本数据进行了仿真测试,其仿真结果表明,上述两种改进后的模型在不同日类型负荷预测中,预测性能均有明显的提高,在工程实践中可以得到较为满意的结果。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715
【图文】：

长期负荷预测,负荷预测,发电计划,预测未来

环境污染越发严重的大环境下，电能作为不可缺社会扮演着更加举足轻重的角色。尤其在我国国民经济实现各业的顺利运转都离不开“电”。因此对电网在安全性、稳的要求。电能目前尚不能大规模储存，从电能的生产、输送在同一时间完成的，保持发、供、用之间的平衡是保证电能重要基础。鉴于电能的实时性特点，加之电力负荷的变化具统负荷预测的问题逐渐开始被大家所关注，相关的理论和技已经成为电力科学与工程实践领域一项重要的研究内容。荷预测指的是根据电力负荷历史数据和相应时期的经济、气一定精度要求下，估计电力负荷历史数据变化规律对未来某的影响，寻求电力负荷变化与各种因素之间的联系，从而对预测[1]。电力负荷预测形式多种多样，通常按照预测期限将以及长期电力负荷预测[2]，如图 1-1 所示。也有按照预测表测和概率预测。

算法分类,模型,学习机

不同的工程实践需要，在原本基础上慢慢衍生出更多类型的极限学习机。例如，Huang为了在处理复杂分类时网络结构简洁，将核函数引入到极限学习机中提出了 KELM（Kernel ELM）方法，为回归多分类问题提供了新的框架。考虑到单核学习机泛化性能受核函数参数选取的影响，所以 Liu 等人又将多种核函数线性或非线性组合提出了多核集成极限学习机 MK-ELM（Multiple Kernel ELM）。因大多数训练样本的环境随时会变化，为满足实时在线分析的需求，Liang 等人提出了一种在线序列极限学习机算法（OS-ELM,Online-sequential ELM），原理为递推最小二乘法。为了更好地将训练数据时效性得到体现，Zhao 等人提出了含有遗忘机制的在线序列极限学习机 FOS-ELM（OnlineLearning Algorithm with Forgetting Mechanism）相比于 OS-ELM，它侧重删减过时数据，可以设置时间窗口来完成实时数据更新。近几年，因计算机硬件和并行计算的不断更新和发展再一次提升了极限学习机的训练速度，使得在线式大数据分析成为可能[12]。另外，深度学习的兴起对处理高复杂分类问题和多维特征提取具有极大优势，但是网络结构相对复杂，因此也有学者将极限学习机与深度学习结合，取得了一定进展[13-14]。主要极限学习机改进模型和算法如图 1-2 所示。

模糊神经网络,工作原理图

图 1-3 模糊神经网络工作原理图Fig1-3 Working principle diagram of fuzzy neural network小波变换算法化技术是当下一种非常成熟的信号处理技术，无论在时域还是在频域，它能够充分提取信号的局部细节特征，反映出信号的更多信息。尤常有效，常常与神经网络法结合被广泛应用在图像处理、音频识别领域。文献[20]中，作者基于灰色模型和小波变换算法各自的特点，进行电力负荷预测，经过仿真后分析，在临近原始序列的节点上，误

【相似文献】