基于智能方法的电力体系负荷预估模式及其应用探微

《基于智能方法的电力体系负荷预估模式及其应用探微》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于智能方法的电力体系负荷预估模式及其应用探微第一章绪论1.1研究背景及意义随着科学技术和社会经济的不断发展，我国的电力工业系统也相应有了巨大的发展。我国电力系统的不断发展和电网管理的日趋现代化、复杂化，使得电力系统负荷预测问题的研宄越来越弓I起人们的注意，并己成为现代电力系统科学中一个重要的研宄领域。由于电力能源的生产、输送、分配和供应消费几乎是同时完成的，因此作为一种特殊的能源，电能难以大量it存，这就使得电力系统发电出力应随时与系统.负荷的变化保持一致，以期达到动态一致，满足供需平衡。否则轻则影响供用

2、电的质量，造成不必要的能源浪费；重则危及整个电力系统的安全与稳定。因此为保证电力系统的安全稳定、经济的运行，必须要掌握各种负荷的变化规律以及未来的变化发展趋势，这就使得电力系统负荷预测成为电力系统中的一项重要研究课题[1，2]。预测是决策和控制的前提和基础。电力系统负荷预测结果的准确与否，对我国电力系统运行的安全性、稳定性、经济性都有非常重要的影响。准确的电力负荷预测可以合理地安排电网内部发电机组的运行，保持电网运行的安全稳定性；可以合理的安排机组检修计划，保证社会的正常生产和人民的正常生活；可以决定新装机

3、容量的大小与电网的调度控制，有效的降低发电成本，提高经济效益和社会效益。电力系统负荷预测是能量管理系统和配电管理系统的重要部分，是实现自动发电控制和经济调度控制的前提，是电力系统规划和调度的依据。它涉及电力系统规划与设计，电力系统运行的经济性、安全性、可靠性和稳定性，是现代电力系统运行和管理中的一个重要研究领域。1.2国内外预测模型与算法研究现状电力负荷的预测通常受许多因素的影响，不仅受模型自身的限制而且还受外部环境条件（如：天气、气候，特殊事件）等不确定因素的影响。经过近几十年的发展，已经有许多不同的模型

4、和方法被应用到电力负荷预测中。总的来说，可以分为两大类方法[5-7]:第一类是传统或经典的方法，其中包括回归分析方法，时间序列方法、灰色理论方法等[8-30];另一类是人工智能和计算智能方法,这其中主要包括人工神经网络理论、模糊逻辑方法、支持向量机、小波分析预测法、专家系统方法、混纯预测方法、进化算法等优化算法方法以及混杂智能算法等等[31-47]。经典或传统的预测方法主要包括回归分析预测方法、时间序列预测方法和灰色模型预测方法等。回归分析法是基于数学统计的分析方法，时间序列法的本质也是回归法，都是将预测目

5、标作为因变量（为一随机变量），但回归分析法的自变量是用各影响因素作为可控变量，而时间序列法的自变量是历史负荷。灰色模型预测方法是在灰色系统理论框架下，以小样本、信息不确定性的时间序列为研宄对象，通过建立灰色模型，对部分己知信息的生成、提取有价值的信息，以实现对系统序列的预测与控制等。第二章电力负荷预测的模糊时间序列方法2.1引言经典的时间序列是利用历史观测数据来预测未来变化趋势的一种基于数学统计理论的预测方法。它通常假定时间序列是平稳的，换句话说时间序列围绕一时变的均值上下有规律的波动；否则可能导致序列的不

6、确定性，预测误差很大。如果时间序列是基于模糊集的语言表述，那么这个问题可以得到圆满的解决。SongandChissom[53]于1993年第一次提出了模糊时间序列的概念和模型，来克服经典时间序列所面临的缺陷。自从SongandChissom基于模糊集理论提出了模糊时间序列的概念以来，大量的研究学者开始了模糊时间序列预测的研究，提出了很多模糊时间序列预测模型。这些预测模型被广泛应用于各个领域，如：入学率、温度、股票指数、农作物产量、用电量、汇率等等。SongandChissom[54，55]首先提出时变-模糊

7、时间序列预测模型和时不变-模糊时间序列预测模型，利用这两个模型来预测Alabama大学新生的入学率，取得了不错的效果。这两个预测模型的框架主要包括四部分：定义和分割变量区间；定义模糊集和模糊时间序列；证明模糊关系；预测和去模糊化。由于上述这两个预测模型在证明模糊关系时用了最大最小算子，因此在进行预测时需要耗费大量的计算时间，于是Chen[56]借助于简化的数学算子，提出了一阶模糊关系规则，大大节省了计算时间；在此基础上，Chen[57]又提出了高阶时变模糊时间序列预测模型，进一步[59]结合遗传算法改进了高

8、阶模糊时间序列预测算法，提高了预测的精度。此后，许多研究学者基于Songetal的研究框架和Chen的预测模型，作了大量的改进工作，提出了许多改进的模糊时间序列预测模型。2.2模糊时间序列基本概念模糊时间序列预测基本算法主要包括确定区间长度的分割算法，模糊化的基本规则与算法，训练、预测阶段的窗口选择算法及预测算法等等。不同的学者从不同的角度，改进和优化完善了预测算法。主要分为三类：区间长度的选择；髙阶模糊关系的证