基于高斯核密度估计的电力系统短期负荷区间预测

发布时间：2020-04-11 11:59

【摘要】：电力负荷的预测根据负载以往和目前的值及相干影响因子想见将来值。把人功智能方式运用到负载推测中,能获得比较好的确定性预测效果。但由于迅速成长的智能电网,在历史负荷和气象信息对负荷预测的准确性有影响外,还有许多自然环境中的各种可变性对其影响。而负荷的确定性预测方式获得的效果不能很好体现需求的可变性,区间预测的效果可体现出这类可变性。电力体系中的决议职员可以凭借区间预测的效果,在实施生产策略、体系安全剖析等事情时,更好地意识到将来负荷大概存在的可变性因子,从而做出更为公道的决议计划。本文经由对负荷特征分析过程,辨别负荷本身转变和相干因子的影响规律。应用最小二乘支撑向量机(Least Squares Support Vector Machines,LSSVM)模型实行预测。但是预测过程中参数的抉择对预测效果有重大影响,本文利用粒子群寻优化算法(Panicle Swarm Optimization,PSO)对其中参数选优选取。确立了鉴于PSO的LSSVM模型,实行了参数的优化选取,同时对将来短时间负荷进行确定性预测,并经由计算平均相对误差作为评价尺度,证明了该算法推测精度有了提升。针对电力负荷变化的可变性,该文在负载短期确定性推测的基础上,提出了基于最优窗宽高斯核密度估计的负荷短期的间距预测方法。该方式首先经由对历史负荷相对误差实施统计剖析,然后应用非参数核估计方法,选择高斯核函数和最优窗宽相连系,经由每负荷区域内的相对偏差确立密度概率函数,然后连系确定性效果预测转化成将来负荷值的几率密度函数,终究实现不一样置信度下的负荷的间距预测。本文用间距覆盖比和间距均匀宽窄做为输出区域的指价评标。经由案例说明所主张的短时间负荷区域预测方式拥有比可行性,提升了区间预测的准确性。
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM715

【相似文献】