欢迎来到天天文库
浏览记录
ID:36727920
大小:1.90 MB
页数:73页
时间:2019-05-14
《基于ARMA与ANN的组合式电力系统短期负荷预测研究》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、摘要短期电力负荷预测是能量管理系统0jMS)的一个重要模块。短期负荷预测提前一天至一周预测系统负荷值,不但对确定日运行方式有重要的作用,而且也是确定机组组合方案、地区间功率输送方案和负荷调度方案所不可缺少的。短期负荷预测的特点可以归纳为:影响负荷变化的因素繁多且复杂,负荷的变化具有随机性,同时负荷预测具有随时问推移的周期性变化等复杂的非线性特点,因此难以用以前的单一固定式预测模型同时描述这两类复杂的,不同的变化特性。时间序列法可以很好的描述负荷模式的随机行为,神经网络建模则具有能够描述过程高度非线性的特点。针对负荷变化的特点,本文提出了
2、采用时间序列法和神经网络法相结合的ARMA与ANN组合式电力系统短期负荷预测方法。建立了基于预测结果的组合预测模型,分别采用了等权平均法、方差一协方差法和回归法对预测结果进行加权组合;提出了将负荷分量分解为两部分,分别对其进行预测的另外一种组合预测模型一基于模型的组合预测模型。组合模型吸取了两类模型的优势,所建立的负荷模型更进一步反映负荷的真实特性,因而能够提高负荷预报的精度。本文还分析了负荷特性,将负荷分为工作日和休息日负荷,分类建立了相应的负荷预测模型。为了对比组合预测模型的实际应用效果,本文还给出了算例,与其它单一预测模型进行了比
3、较,其结果表明:组合预测模型合理可行,提高了负荷预报的精度。本文在神经网络的输入变量的选择方法上,提出了采用自相关系数用于输入变量的选择的原则,在很大程度上避免了神经网络输入交量选择的盲目性。关键词:短期负荷预测,组合预测模型,时间序列,神经网络,ARMA模型,B.P算法AbstractShort—termloadforecasting(sIia。)isallessentialcomponentofanyEnergyManagementSystemOzMS).Forecastsofsystemloadsforonedayuptoonew
4、eekaheadaleessentialinoperationandcontrolofthepowersystem,fordailyscheduling,coordinatinggenerationandareainterchangetomeetloaddemand.ThefundamentalcharacteristicsofSTLFaresummarizedas:Therelationshipbetweenloadsandtheirfactomthataffectloadforecastingiscomplexandnonlinea
5、r.Loadschangesarestochasticandnonlinear.Traditionalsingleloadforecastingmethodcannotdescribethetwokindsofcharacteristicsatthesametime.Time。seriesmetllodforS哪dealswithstochasticcharacteristicswellandtheArtificialNeuralNetwork(ANN)approachesdescribethenonlinearchangesofele
6、ctricloadsverywell.AccordingtothecharacteristicsofSTLF,thispaperpresentsanewapproachforSTLFcalledcombinedmethodforSTLFusingARMAandANNwhichcombinestime.seriesmethodwithANN.Acombinedloadforecastingmodelbasedonforecastingresultsisestablished.Anothercombmedloadforecastingmod
7、elbasedonforecastingmodelisalsopresented,whichdecomposesloadelementintotwoparts(fundamentalpartmodeledbyANNandstochasticpartmodeledbyARMA).Thispaperalsoanalysescharacteristicsofelectricloaddata,loadsforworkingdaysandnonworkingdaysaretreatedseparately.Inordertocomparingth
8、eperformanceofcombmedloadforecastingmodelwithothersinglemodel,testCasesaregiven.Resultsindicate:combIne
此文档下载收益归作者所有