基于机器学习的短期电力负荷预测算法研究

发布时间：2020-04-14 11:13

【摘要】：为实现电网运行中的自动发电控制以及经济调度控制,首先应该进行的工作即为电力系统负荷预测,并且精确的短期负荷预测有利于电力系统的稳定性运行,因此,学者们针对短期电力负荷预测投入了大量的研究,旨在寻找合适的方法提高负荷预测精度。但随着智能电网技术的发展,电网监测数据的规模明显增大,使得传统负荷预测模型局限性显著。针对此现状,本文将机器学习的方法应用到短期负荷预测中,并且通过某一地区的负荷及相关数据进行实验仿真,具体研究内容如下:1.对该地区电力负荷的日周期性、负荷与部分气象因素之间的关系以及负荷在不同日期类型下的特点进行了分析,在此基础上利用邻域粗糙集理论对负荷的影响因素进行特征提取,避免冗余变量对负荷预测精度以及训练时间的影响。2.建立了最小二乘支持向量机(LSSVM)模型,针对该模型无法对输入变量进行科学选择的缺点,引入邻域粗糙集特征提取结果。对比常规LSSVM模型与经过邻域粗糙集特征提取的LSSVM模型,证明了选择合适的影响因素能大幅提高预测精度。并且,采用粒子群算法对模型中的核宽度参数以及惩罚参数进行寻优,对比寻优前后的模型,预测结果表明通过参数寻优又能使负荷预测精度进一步提高。3.由于LSSVM模型对大样本数据的训练难以实施,因此建立了 BP神经网络模型。利用一整年的样本数据训练网络,但由于该模型的固有缺点使得最终预测效果欠佳。在此基础上建立了基于深度置信(DBN)网络的负荷预测模型,该模型通过多层的受限波尔兹曼机对输入变量进行特征提取,然后通过顶层BP神经网络单元对负荷进行预测。通过对实例进行仿真,结果表明,相较于常规神经网络模型,该模型能够有效提高负荷预测精度。4.利用上述三种模型对连续一周的负荷进行预测,实验结果表明,LSSVM模型适用于样本数据较少时的情况,而BP神经网络模型与DBN模型适用于对大量样本的训练,其中DBN模型预测精度较高并且泛化性能最好。
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM715;TP181

【参考文献】