基于混沌理论的电网售电量预测研究

《基于混沌理论的电网售电量预测研究》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、维普资讯http://www.cqvip.com第34卷第17期继电器Vo1．34No．172006年9月1日RELAYSep．1，200663基于混沌理论的电网售电量预测研究曲正伟，王云静，贾清泉(燕山大学电气工程学院，河北秦皇岛066004)摘要：对具有混沌特性的电网售电量时间序列重构相空间，计算相空间的饱和嵌入维数和最大Lyapunov指数，并利用计算得到的饱和嵌入维数指导建立T—s模糊神经网络预测模型。采用递阶遗传算法对T—s模糊神经网络的结构和权值进行训练，可确定最适合的预测模型结构，提高神经网络的收敛速度

2、，使其具有良好的泛化能力。在此基础上，对秦皇岛电力公司售电量数据进行预测，结果表明，该方法可精确地再现售电量时间序列的混沌动力学行为，在可预报尺度范围内，能对售电量作高精度的预测，且具有很强的适应能力。关键词：混沌；模糊神经网络；相空间；最大Lyapunov指数；售电量；预测中图分类号：TM715文献标识码：A文章编号：1003-4897(2006)17-0063-04{(f，)}，=1，2，⋯，n(1)0引言其中：时间间隔为△f，将式(1)时间序列用Takens电网售电量预测是电力市场中的一项基本工嵌入定理重构成m

3、维相空间作，做好售电量的预测分析工作，为供电企业提供营Y(t，)=((f)，(t+丁)，⋯，(t+(m一1)丁))销决策支持，对于指导发电厂、输配电网的合理运=1，2，⋯，P(2)行，推动电力市场的发展和建设都具有十分重要的这里丁=kAt(=1，2，⋯)为延迟时间，m为相意义。目前提出的很多预测算法，如时间序列法、神空间的饱和嵌入维数，式(2)构成的m维相空间中经网络法、专家系统法等，在收敛性和适用性上均有有P=nlk一(m一1)个相点。可见，在重构相空间不同程度的局限，并且由于影响售电量变化的众多时，只要确定饱和嵌

4、入维数m和延迟时间丁即可。本随机因素很难用数学模型描述，给预测的准确性带文选取最大的m而得到最小的丁，即丁=At，取1。来了很大困难。任取一m构造相空间，对所有的P个相点，若混沌是一种非线性动力学行为，混沌时间序列给定一个任意小的数，计算所有相点之间的欧氏具有内部确定的规律性，其重构出混沌吸引子相空距离，然后比较有多少个点对之间的距离llY(t)一间具有高精度的短期预测性，它为售电量的高精度Y(f，)ll<。把距离小于的点对数占总点对数P预测开辟了崭新的天地。本文利用具有混沌特性的之比记作c()，即电网售电量时间序列

5、重构相空间，计算重构相空间1兰c()=专>0(一llY(t)一Y(f，)l1)的饱和嵌入维数和最大Lyapunov指数。用相空间P1的饱和嵌入维数来指导建立神经网络预测模型，其中：0()为Heaviside函数。同时采用递阶遗传算法对预测模型的结构和权值分在一段区域内，当e充分小时，C()满足如下别进行训练，避免预测模型结构选取的盲目性，具有关系良好的泛化能力，可精确地再现电网售电量系统的lnC(占)=In(C)+D1n(占)混沌非线性行为，在系统的可预报尺度范围内，能对式中：c为常数，D为一种维数：D=lim，通常

6、电网售电量系统作高精度的预测。将该方法用于秦皇岛电力公司的实际数据进行计算，结果表明该方称D为关联维数。在双对数坐标中得到一条法不但精度高而且通用性强。lnC()和In()曲线，曲线的直线段斜率即为D，随着m的增大，D逐渐收敛，D收敛时对应的维数m1基于混沌理论的神经网络预测模型即为饱和嵌入维数。1．1重构相空间1．2最大Lyapunov指数的求取设电力系统售电量混沌时间序列为1)在延拓的m维相空间中取初始相点A(t。)维普资讯http://www.cqvip.com继电器为参考点，根据下式Y(t)只含有一个未知的分

7、量x(t+)，因此存在L=rain[1ly—y，l1](3)一映射，使得求得A(t)的最近邻点B(t)。其中rain为取x(t)=F(())，=1，2，⋯，凡最小函数，L,lbt表示在欧氏意义上的A(t．)与其最近由上可知，混沌时间序列内部存有确定性函数模型，要想进行精确预测，问题的关键在于的求邻点B(t．)的距离即L(t。)。2)设在t=t．+时，A(t。)点演化到A(t)取。对于具有混沌特性的时间序列建立神经网络模型，其输入变量的选取和相空间的饱和嵌入维数m点，同时(t)点演化~ilJB(t)点，其间距A(t)·

8、B(t)=L(t)。如用A表示在此时间内线段的指数有着密切的关系，经验证明，采用等同于相空间饱和嵌入维数的输入变量组合对非线性混沌系统建模，增长率，则有可有效地反映系统的全部动力特性，并且具有良好L(tz(f1)．2=的外推能力，即泛化能力。本文采用T—S模型At=1(单位)(4)的模糊神经网络逼近。在A(t)的若干最近邻点中找出一个满足0角T