电力负荷短期预测的分析与研究

发布时间：2020-10-29 10:05

　　 电力负荷短期预测是电力系统调度、系统状态监测方面重要的研究课题。快速准确的负荷预测对于保证电力系统的安全性、可靠性、经济性具有非常重要的意义。支持向量回归是一种数据预测的常用方法,但是在参数选择上存在一些问题亟待解决。论文通过分析影响电力负荷的因素,建立了电力负荷序列的预处理模型,发展了基于布谷鸟搜索算法的参数优化的支持向量回归预测模型,实现了陕西汉中市电力负荷的短期预测。论文首先针对电力负荷序列存在的随机噪声干扰,建立了基于VMD分解的噪声抑制模型;其次,从临近点和相似日两个方向综合考虑,基于AR回归模型实现了缺失数据的修补;采用t检验准则,将异常数据当作粗大误差,实现了异常数据的检测和修正。仿真和实验结果验证了预处理模型的有效性。.通过考虑气温、湿度、天气因素、季节因素、节假日、临近点负荷以及相似日负荷等因素,建立了SVR短期负荷预测模型。实验结果表明惩罚因子及径向基核参数互相关联,对预测性能有较大影响,且不同的数据最优核参数有较大差异。针对传统布谷鸟搜索算法对初始值敏感的缺点,结合双线性搜索算法建立了改进的布谷鸟搜索算法,实现了支持向量回归的参数优化。多个季节、不同日期类型的电力负荷预测的实验表明,改进的SVR与预测模型不仅提高了算法的收敛速度,且可提升预测模型的准确性。论文的研究结果对于提高电力负荷短期预测的准确性、可靠性具有一定的科学意义和实用价值。
【学位单位】：西安理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18;TM715
【部分图文】：

迭代子优化序列中的增广拉格朗日法的鞍点。基于 ADMM 算法可得到子优化问题的解，并直接在频域进行优化，即可得到变分模式分解的完整算法，如图 3-1 所示。

分类问题往往是非线性的，因而无法用简单的一条直线进行分行升维，则线性不可分问题可以进行非线性分类。支持向量机，即通过选择合适的核函数，将低维空间不可分问题以超平面程如图 4-1 所示。

Fig.5-1 Pseudo code flow of CS algorithm 参数优化方法与其它群智能化算法一样，CS 算法对初始值较为敏感，这就子不稳定。结合 SVM 中核参数惩罚因子的特点，本文建立一
【相似文献】

相关期刊论文 前10条

1 李琛;郭文利;吴进;金晨曦;;北京市夏季日最大电力负荷与气象因子的关系[J];气象与环境学报;2018年03期

2 周克男;刘进波;;基于主成分分析的BP神经网络预测电力负荷[J];数学学习与研究;2016年23期

3 傅新姝;谈建国;;基于滤波技术的上海日最大电力负荷气象预报模型[J];气象科技;2015年06期

4 叶殿秀;张培群;赵珊珊;夏鑫;柯宗建;王有民;刘秋锋;;北京夏季日最大电力负荷预报模型建立方法探讨[J];气候与环境研究;2013年06期

5 黄元生;黎特;皮薇;;非平均权重条件下电力负荷组合预测模型研究[J];山东电力高等专科学校学报;2013年03期

6 卢华刚;;电力负荷控制技术及其在需求侧管理中的应用[J];机电信息;2011年18期

7 罗森波;纪忠萍;马煜华;骆晓明;曾沁;林少冰;;2002～2004年广东电力负荷的变化特征及预测[J];热带气象学报;2007年02期

8 郑瑞晨,张合明;南阳电力负荷无线双向管理系统数据库设计[J];水电能源科学;2000年02期

9 罗慧莉;高速船直流电力负荷的简化计算[J];船舶;1998年02期

10 张小平,王伟;短期电力负荷预报的自适应模糊神经网络方法[J];电力系统自动化;1998年01期

相关博士学位论文 前8条

1 李眉眉;电力负荷混沌特性分析及其预测研究[D];四川大学;2004年

2 冯丽;数据挖掘和人工智能理论在短期电力负荷预测中的应用研究[D];浙江大学;2005年

3 黎鹏;非侵入式电力负荷分解与监测[D];天津大学;2009年

4 王桓;电力时间序列的混沌识别与短期预测[D];湖南大学;2009年

5 方仍存;电力系统负荷区间预测[D];华中科技大学;2008年

6 张红斌;电力系统负荷模型结构与参数辨识的研究[D];华北电力大学（北京）;2003年

7 陆宁;基于群集智能与算法融合的电力负荷组合预测[D];华中科技大学;2010年

8 叶世杰;基于多指标模型的电力负荷预测研究[D];重庆大学;2010年

相关硕士学位论文 前10条

1 陈璞迪;基于深度神经网络的电力负荷分析方法的研究与实现[D];北京邮电大学;2019年

2 张一举;电力负荷短期预测的分析与研究[D];西安理工大学;2019年

3 魏来;基于统计综合法的电力负荷建模方法研究[D];郑州大学;2019年

4 曾攀;基于大数据和日日拓扑网络的短期电力负荷预测方法[D];湖南大学;2016年

5 詹传骅;基于气象因子和集成学习的长沙市短期电力预测研究[D];湖南大学;2016年

6 刘红;电力负荷季节特性分析及需求响应动态电价策略研究[D];华北电力大学(北京);2018年

7 陈静;某县域电力负荷特性分析与预测研究[D];吉林大学;2018年

8 王琳;基于差分进化优化权值的电力负荷组合预测方法研究[D];天津大学;2018年

9 刘卫涛;使用功率信号特征的电力负荷分解方法的研究[D];天津大学;2018年

10 李明星;基于概率分析和改进极限学习机的电力负荷短期预测[D];燕山大学;2018年

本文编号：2860752