基于小波及人工神经网络的短期负荷预测研究

《基于小波及人工神经网络的短期负荷预测研究》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、摘要基于小波及人工神经网络的短期负荷预测研究负荷预测的准确程度对于电力系统安全经济运行具有十分重要的作用。本文针对电力系统短期负荷预测提出神经网络与小波混合模型，考虑到每日峰荷对系统调度管理的重要影响，引入每日峰荷相对误差作为评价负荷预测效果的重要标准。考虑到天气因素及日类型，引入人体舒适度指数这一气象新概念和日类型来反映其对负荷的影响。人体舒适度指数的引入，通过一个指数综合反映天气因素，可以大大简化神经网络的输入元及中间层结构，减少了计算量。通过对历史负荷的分析可知，负荷序列具有特定的周期性，可以看作是具有不同频率的负荷序列分量的迭加。其中每个分量都对应着一定范围的频率，有些具

2、有很强随机变化性。小波分解则十分适用于时频暂态分析。在本文中，通过使用MallatandDaubechies算法，负荷序列将被分解为一组子序列，每个子序列分别反映出原负荷的不同的频率特性。通过选择合适的小波基函数以及分解级数，子序列显示出比原负荷更强的规律性，有的序列会以特定的周期进行变化，而有的序列则会显现出极强的随机性。因此应针对不同序列的特点对每个序列分别建立模型进行预测。本文中，对负荷中具有较强周期变化规律的分量，根据其特点构造神经网络模型对其进行预测。而考虑到随机变化分量在负荷中所占比例较小，对这些只使用线性加权法对其进行预测。为增加神经网络的收敛速度及稳定性，在神经网

3、络训练过程中采用了L-M算法。为了获得较小的网络规模，取得较快的训练速度及较高的预测精度，在本文中对各序列分别采用一组神经网络，每个时间点分别建立一个网络进行预测。最后通过迭加各分量预测结果得到最终预测结果。实例计算数据表明采用本文所提出的混合模型不但可以减少负荷预测的平均误差，而且对每目峰值负荷预测精度也有较为显著的改善。关键词：人体舒适度指数{人工神经网络；小波分析；短期负荷预测AbstractShort-TermLoadForecastingBasedonf蚀velettransformandNeuralNetworksAccurateforecastofshort-ter

4、mdectricalloadisveryimportanttothepowersystem’ssecurityandeconomy．Anewmodelisproposedwhichbasedonbodycomfortindexandcombiningthewavelettransformandneuralnetworksforloadforecastinginthisthesis．Consideringtheimportanceofthepeakloadtothedispatchingandmanagementofthesystem，the6Trotofpeakloadiscon

5、sideredinthisthesisasc血eriat0evaluatetheprecisionoftheforecastingmode．Byanalyzingtheelectricloadwefiudthattheloadcuiveshowscertalnperiodicities．Thereforethe10adserialscanbeconsideredasa1inearcombinationofsub．serialscharacterizedbvdi位rentfrequencies．Everysub—serialcorrespondstoarangeoffrequenc

6、iesandsomeofthemhavetransientfcaturesinnature．Considering血eeriectofweatherandholidaysweusebodycornfortindexreflectweatherconditionandusedaytypereflectholidays．whichreducestheworkforANNandsimplifiesitsstructure．Thewavelettrailsformisespeciallysuitablefortransientanalysisbecauseofitstime．freque

7、ncycharacteristicswithautomaticallyadjustedwindowlengths．Intheproposedmodel，theloadserialsarefirstdecomposedtodifferentsub-serialsbyusingtheMallatandDaubechies’pyramidalalgorithmwhichisafastalgorithmforthediscretewavelettransform．Eachsub-seri