基于灰色理论和神经网络电力系统短期负荷预测的研究及其比较

《基于灰色理论和神经网络电力系统短期负荷预测的研究及其比较》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、基于灰色理论和神经网络的电力系统短期负荷预测研究及其比较摘要随着智能电网的研究和建设的推进，以及阶梯电价即将在全国展开的试点运行，对电力系统的经济调度和安全运行又提出了新的要求，而高精度的负荷预测是准确定制电力系统调度计划的前提。现有的预测方法各有所长，但均无法保证在任何情况下皆能获得满意的结果，如何集合现有技术的优点，提高预测精度是电力系统短期负荷预测的研究的关键。灰色理论和神经网络在电力系统负荷预测中已有不少成功的应用，本文结合近年来快速发展的智能算法中具有计算速度快、全局优化能力突出等特点的遗传算法和粒子群算法，对预测模型及参数进行优化，

2、以提高预测精度。本文首先简述了电力系统负荷预测的发展现状，各类预测方法的特点，介绍了电力系统短期负荷预测对于电力系统安全稳定运行的意义，分析了负荷数据的特点，对历史负荷数据中的异常数据进行了辨识和修正，并对气象和节假日数据进行了归一化处理。然后分别采用灰色理论、神经网络组合预测和粒子群优化支持向量机预测三种方法分别进行建模和预测，并对所得预测结果进行对比分析。组合预测中采用径向基函数网络(RadialBasisFunction，RBF)、广义回归神经网络(GeneralRegressionNeuralNetwork，GRNN)和概率神经网络(P

3、robabilisticNeuralNetwork，PNN)分别进行负荷预测，针对其预测结果，采用遗传算法动态优化组合权值。最后基于MATLAB开发了负荷预测软件，用以实现短期负荷预测，通过实例计算表明预测结果稳定，精度符合要求。关键词：短期负荷预测灰色理论人工神经网络遗传算法支持向量机粒子群算法RESEARCHANDCoMPARISoNoFSHoRrr_TERMLoADFoRECASTINGoFPOWERSYSTEMBASEDoNGREYTHEoRYANDNEURALNETWORKABSTRACTWiththesmartgridrcs；ear

4、chandpromotionoftheconstruction，aswellasthepriceladderisabouttocommenceinthenationalpilot，economicdispatchandsafeoperationoftheproposednewrequirementsrunonthepowersystem，whiletheprecisionofloadforecastingisaccuratecustompowersystemsthepremiseofthescheduling．Existingpredictio

5、nmethodshavetheirownstrengths，butnonecanguaranteethattheresultsbeservedinanycase．Thekeyofshort—termloadforecastingofpowersystemiscollectionoftheadvantagesofexistingtechnologytoimprovethepredictionaccuracy．Therearemanysuccessfulapplicationsinloadforecastingofpowersystembasedo

6、ngreytheoryandneuralnetwork．Inordertoimprovetheaccuracy,combiningwithintelligentalgorithmdevelopedrapidlyinrecentyears，suchasgeneticalgorithmandparticleswarmoptimization，whichhasthecharacteristicsoffastcalculationandhighlightglobaloptimizationability,tooptimizetheforecasting

7、modelandparametersinthispaper．Firstly,outlinesthedevelopmentstatusofthepowersystemloadforecasting，summarizethecharacteristicsofthevariousforecastingmethodsandthepowersystemshorttermloadforecastingforpowersystemsecurityandIIIstabilityofthesignificance．Analysisofthecharacteris

8、ticsoftheloaddata，thenidentificateandcorrectofabnormaldatainthehistoricallo