基于相似日选取的小波极限学习机短期负荷预测模型研究

发布时间：2017-09-18 04:15

  本文关键词：基于相似日选取的小波极限学习机短期负荷预测模型研究

  更多相关文章： 短期负荷预测 相似日 小波变换 极限学习机

【摘要】：电力系统短期负荷预测是电网实现经济调度的一项重要工作,是电力系统规划的重要组成部分,也是电力系统可靠、经济运行的前提和基础。通过精确的短期负荷预测,能够科学地制定发电计划,合理地安排机组开停,提高电力系统的经济效益。因此研究负荷预测方法,提高负荷预测精度具有重要意义。本文主要针对负荷特性分析以及负荷预测算法展开了研究。本文首先介绍了电力负荷的特点,深入地分析了负荷的自身特性以及气温、降雨、时间等因素对于短期负荷变化的影响。为了优化短期负荷预测的数据样本,本文研究了基于模糊聚类的相似日选取方法,该方法将影响负荷变化的气象状况、星期类型、日期类型等因素作为相似日的选择依据,通过模糊规则对上述选择依据进行量化并建立模糊相似矩阵,再利用相似系数法计算历史日与预测日的相似程度,根据相似度的大小选出相似日。基于模糊聚类的相似日选取模型充分考虑了气象等因素对电力负荷的影响,体现了相似日选取中“周期性”和“近大远小”的原则,能够合理有效地选出相似日。然后,在合理选出相似日的基础上,研究了相似日和BP神经网络相结合的预测模型。该模型按照相似度大小选出若干相似日作为BP神经网络的训练样本,利用BP神经网络的非线性映射和自学习自适应能力避免了相似日修正法的主观性。根据江苏省某市的电网实测数据进行仿真分析,对比了相似日BP网络模型与单一BP网络模型的预测结果。仿真结果表明,相似日的选取能够有效提高BP神经网络的预测精度。最后,针对BP神经网络收敛速度慢、容易陷入局部极小值等缺点,提出了基于相似日选取的小波变换与极限学习机(Wavelet transform-Extreme Learning Machine, W-ELM)相结合的负荷预测模型。该模型通过小波变换将相似日的负荷序列分解为低频基础负荷部分和高频随机负荷部分,低频基础部分采用极限学习机预测,高频随机部分采用加权平均方法预测,重构得出最终预测结果。小波分解将原始序列的高频随机分量分离出来,弱化了负荷的随机性,起到了一定的滤波作用。利用电网实测数据进行仿真研究,对比BP神经网络、极限学习机和小波-极限学习机的预测结果。结果表明,本文提出的相似日选取的小波-极限学习机模型具有更高的预测精度和更短的预测时间。
【关键词】：短期负荷预测 相似日 小波变换 极限学习机
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM715
【目录】：

• 摘要5-6
• Abstract6-11
• 1 绪论11-18
• 1.1 电力负荷预测概述11-12
• 1.1.1 电力负荷预测的研究背景及意义11
• 1.1.2 电力负荷预测的分类11-12
• 1.2 短期负荷预测的国内外研究现状12-15
• 1.2.1 经典预测方法12-13
• 1.2.2 智能预测方法13-15
• 1.2.3 短期负荷预测的发展趋势15
• 1.3 本文的研究内容及章节安排15-18
• 2 短期负荷特性分析及数据预处理18-26
• 2.1 负荷特性分析18-20
• 2.1.1 日负荷特性18-19
• 2.1.2 周负荷特性19-20
• 2.2 电力负荷的影响因素20-23
• 2.2.1 气象因素对负荷的影响20-22
• 2.2.1.1 温度对负荷的影响20-22
• 2.2.1.2 降雨对负荷的影响22
• 2.2.2 其他因素对负荷的影响22-23
• 2.3 数据预处理23-25
• 2.3.1 异常数据的成因23
• 2.3.2 异常数据的辨识处理23-25
• 2.4 本章小结25-26
• 3 负荷预测相似日的选择26-35
• 3.1 相似日法26-27
• 3.2 模糊聚类选取相似日27-32
• 3.2.1 模糊聚类分析概述27
• 3.2.2 模糊相似矩阵27-30
• 3.2.3 短期负荷的影响因素及其量化30-32
• 3.2.3.1 星期类型的量化30-31
• 3.2.3.2 天气类型的量化31
• 3.2.3.3 气温的量化31-32
• 3.2.3.4 日期差距的量化32
• 3.2.4 模糊聚类选取相似日流程32
• 3.3 算例分析32-34
• 3.4 本章小结34-35
• 4 基于相似日BP神经网络的电力负荷预测35-47
• 4.1 神经网络构成35-38
• 4.1.1 人工神经元35-36
• 4.1.2 神经元的激活函数36-38
• 4.2 神经网络的结构38-40
• 4.2.1 反馈神经网络39
• 4.2.2 前馈神经网络39-40
• 4.3 BP神经网络40-44
• 4.3.1 BP神经网络结构40
• 4.3.2 BP神经网络的学习算法40-43
• 4.3.2.1 梯度下降法41
• 4.3.2.2 权值阈值调整原理41-43
• 4.3.2.3 BP网络学习步骤43
• 4.3.3 隐层节点数的选取43-44
• 4.4 基于BP网络的短期负荷预测44-46
• 4.4.1 BP模型与相似日BP模型44
• 4.4.2 结果分析44-46
• 4.5 本章小结46-47
• 5 基于相似日W-ELM的短期负荷预测47-65
• 5.1 极限学习机47-50
• 5.1.1 极限学习机概述47
• 5.1.2 极限学习机原理47-50
• 5.1.3 极限学习机的学习过程50
• 5.2 小波变换理论50-56
• 5.2.1 小波函数51-52
• 5.2.2 连续小波变换52-53
• 5.2.3 离散小波变换53
• 5.2.4 多分辨率分析和Mallat算法53-56
• 5.3 基于相似日W-ELM的负荷预测模型56-64
• 5.3.1 极限学习机隐含层节点数的选取57
• 5.3.2 相似日W-ELM预测结果57-58
• 5.3.3 预测模型对比58-64
• 5.3.3.1 ELM与相似ELM对比58-60
• 5.3.3.2 相似ELM与相似BP算法对比60-62
• 5.3.3.3 相似日W-ELM与其他算法比较62-64
• 5.4 本章小结64-65
• 6 结论与展望65-67
• 6.1 结论65
• 6.2 展望65-67
• 致谢67-68
• 参考文献68-72

【参考文献】

中国期刊全文数据库 前9条

1 李伟;董伟栋;袁亚南;;基于组合函数和遗传算法最优化离散灰色模型的电力负荷预测[J];电力自动化设备;2012年04期

2 杨正瓴;田勇;张广涛;林孔元;;相似日短期负荷预测的非线性理论基础与改进[J];电网技术;2006年06期

3 张平;潘学萍;薛文超;;基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测[J];电力自动化设备;2012年11期

4 廖旎焕;胡智宏;马莹莹;卢王允;;电力系统短期负荷预测方法综述[J];电力系统保护与控制;2011年01期

5 黎祚;周步祥;林楠;;基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测[J];电力系统保护与控制;2012年03期

6 叶宗斌;周步祥;林楠;黎祚;程寅;;基于等维新息指数平滑法模型的中长期负荷预测[J];电力系统保护与控制;2012年18期

7 邰能灵,侯志俭,李涛,蒋传文,宋炯;基于小波分析的电力系统短期负荷预测方法[J];中国电机工程学报;2003年01期

8 邰能灵,侯志俭;小波模糊神经网络在电力系统短期负荷预测中的应用[J];中国电机工程学报;2004年01期

9 雷绍兰;孙才新;周nv;张晓星;;电力短期负荷的多变量时间序列线性回归预测方法研究[J];中国电机工程学报;2006年02期

，

本文编号：873326