电力系统短期负荷预报的小波_神经网络_parima方法

《电力系统短期负荷预报的小波_神经网络_parima方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第23卷第3期中国电机工程学报Vol.23No.3Mar.20032003年3月ProceedingsoftheCSEE©2003Chin.Soc.forElec.Eng.文章编号：0258-8013(2003)03-0038-05中图分类号：TM715文献标识码：A学科分类号：470×4051电力系统短期负荷预报的小波-神经网络-PARIMA方法冉启文,单永正，王骐,王建赜(哈尔滨工业大学，黑龙江哈尔滨150001)WAVELET-NEURALNETWORKS-PARIMAMETHODFORPOWERSYSTEMSHORTTERMLOADFORECASTING

2、RANQi-wen,SHANYong-zheng,WANGQi，WANGJian-ze(HarbinInstituteofTechnology,Harbin150001，China)ABSTRACT:Awavelet-neuralnetworks-PARIMA该方法能够揭示负荷的拟周期性、非平稳性、非线性，在电(Periodi-calAuto-RegressiveIntegralMovingAverage)力系统短期负荷预报中的应用是成功的和有效的。methodisproposedbasedonthequasi-periodicity,关键词：神经网络；负荷预报

3、；小波；PARIMA模型nonstationarity,nonlinearityoftheloadofpowersystemsand1引言soonandappliedtotheforecastofthepowersystemshorttermload.Everykindofhiddenperiodicityandnonlinearityofthe电力系统负荷预报，特别是短期负荷预报，对loadcanbeextractedandseparatedbyusingthewavelet电力系统可靠、安全、经济地运行具有重要的作用。transform.Thereisaru

4、lethatdecompositiondatadecrease已有的负荷预报方法可以分为经典方法和智能技doublywhilescalesincreasedoubly.Accordingtothisruleand术两大类。经典方法主要是基于各种统计理论的时thecharacteristicsofwaveletdecompositionscanbebuildMLP间序列分析模型，而智能技术包括人工神经网络和neuralnetworkmodel.Eachscalewavelettransformis[1~9]专家系统方法。由于电力系统负荷具有拟周期modeledan

5、dforecastedbyusingthePARIMAandaMLP.Thescaletransformofthemostscaleoftheoriginalsignalis性、非平稳性和非线性，所以，这些方法在实际应modeledandforecastedbyusingthePARIMAmodel.Finally,用中都遇到了一些困难：经典方法的理论简单便于[5~7]theseforecastsinscaledomainsissynthesizedtothesystem使用，但预报精度低；智能方法的知识库表述loadforecastsbyusingaRBFne

6、uralnetwork.Theresultsofa和建立相当困难和复杂，参数调整不灵活，限制了practicalexampleshowsthattheproposedmethodisableto它的实际应用[7]；神经网络技术是描述非线性关系revealthequasi-periodicity,nonstationarityandnonlinearityof的优秀工具，但学习速度极慢，往往会陷于局部极thepowersystemload.[2,6]小。最近，具有时-频局部化能力的小波被用于KEYWORDS：Neuralnetwork；Loadforecastin

7、g；电力系统研究[3]，本文尝试在负荷预报中使用小波Wavelet；PARIMAmodel方法。摘要：针对电力系统负荷具有拟周期性、非平稳性、非线本文首先在负荷序列的各个变换域中分别使[4,6]性等特点，提出一种小波-神经网络-PARIMA模型并研究它用周期求和自回归移动平均模型(PARIMA)和前在电力系统短期负荷预报中的应用：利用小波变换提取和分向多层感知机模型(MLP)进行建模和预报，再利用离负荷的各种隐周期和非线性，把小波分解的特性和分解数径向基函数网络(RBF)将各变换域的预报结果进行据随尺度倍增而倍减的规律用于感知机神经网络(MLP)和组合，得到负荷

8、最终预报。并以实例详细说