基于模糊小波网络的电力系统短期负荷预测模型研究

《基于模糊小波网络的电力系统短期负荷预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华中科技大学硕士学位论文摘要电力系统短期负荷预测是指以周、天、小时为单位的负荷预测，通常预测未来～天24小时的负荷，它是制定发电计划和输电方案的主要依据，对合理安排机组启停、确定燃料供应计划、进行能量交易等具有重要意义，其预测精度的高低直接影I蜘到r乜力系统运行的安全性、经济性。随着电力系统市场化的不断深入，短划负荷预测在电力系统中显得更加重要。本文首先概述了电力系统短期负荷预测的原理、研究现状及发展趋势，对电力系统短期负荷预测的各种传统及现代方法进行了综述，并着重分析了各种方法的特点及适用范围。在对人工神经网络、模糊集理论和小波分析理论进行重点研究的基础上，针对电力系统短

2、期负荷预测的特点，本文提出了基于小波网络和模糊神经网络的模糊小波网络负荷预测模型。该模型综合了小波变换趣好的时频局域化性质、模糊推理和神经网络的学习能力，大大提高了网络的泛化能力。根据本文提出的负荷预测模型，编制了相应的软件，对两个不同规模的实际电力系统进行了负荷预测。结果表明浚模型应用于电力系统短期负荷预测是可行而实用的，与人工神经网络预测模型相比，具有更快的收敛速度，更高的预测精度，能更好地预测波动较大的电网负荷。本文最后分析了电力系统短期负荷预测研究中存在的问题，并对进一步研究作了展望。关键词：负荷预测小波分析理论人工神经网络模糊集理论模糊小波网络华中科技大学硕士学位

3、论文====================；=≈======≈：=：AbstractTheshort-termloadforecastingofelectricpowersystemistopredictelectricloadforaperiodofhours，days，orweeks，andespeciallytwenty-fourhours，whichistheprimarygistformakingtheplanofpowergenorationandtheschemeofpowertransmission．Itisimportantforeconomicarra

4、ngementofgener乱ingcapacity,schedulingoffuelpurchasesandplanningforenergytransaction．Itsprecisionwillgreatlyinfluencetheeconomyandsecureoperationofpowersystem．Furthermore，withtheestablishmentofpowermarket，loadforecastingwillplayamoreimportantroleinthefuture．Theprinciple，currentstatusanddeve

5、lopmentoftheelectricpowersystemshort．termloadforecastingaregeneralizedinthisthesis．Varietiesoftraditionalandmodernpredictiontechniquesforloadforecastingaresummarized，andthedifferencesandfeaturesofthesemethodsarealsoemphasized．Basedontheresearchofartificialneuralnetwork(ANN)．fuzzysettheory,

6、andwaveletanalysistheory,Owningtothetraitsofelectricpowersystemshort·termloadforecasting，afuzzywaveletnetwork(FWN)medelinloadforecastingisproposed，whichcombinesthetime—frequencylocalizationabilityofwavelet，fuzzyinferringandtheeducationcharacterofANNtogether,andimprovesthegeneralizationcapa

7、bility．Thecorrespondingprogramofthisloadforecastingmodelisdevelopedandappliedtotwokindsofpracticalpowersystems．Theresultsshowitiscredibleandpracticableinloadforecasting．Comparedwiththeforecastingresultofartificialneuralnetworkmodel，thismodeIcangetafasterconver