基于卡尔曼滤波的节假日短期负荷预测.pdf

《基于卡尔曼滤波的节假日短期负荷预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、研究与开发基于卡尔曼滤波的节假日短期负荷预测王科陈丽华(西南交通大学，成都610031)摘要随着电力系统智能化的不断发展，高精度的短期电力负荷预测成为电力系统经济运行研究的重要课题之一。在介绍了卡尔曼滤波原理的基础上，给出了卡尔曼滤波一步递推方程组。结合电力系统负荷情况，建立了卡尔曼滤波短期负荷预测模型，并对其进行预测。通过引入假期因子提出了改进的卡尔曼滤波算法，提高了卡尔曼滤波预测精度，验证了改进算法的正确性和有效性。关键词：短期假期负荷预测；卡尔曼滤波；假期因子Short—termHolidayLoadForecastingBasedonKalmanFilterWangKeChenLih

2、ua(SouthwestJiaotongUniversity,Chengdu61003I)AbstractWiththecontinuousdevelopmentofintelligentpowersystem，high—precisionshort—termloadforecastingbecomesoneoftheimportantissuesontheresearchofpowersystemoperation．BasedontheintroductionoftheprincipleofKalmanfilter，theKalmanfiltersteprecursiveequations

3、aregiven．Combinedpowersystemloadconditions，theKalmanfiltershort—timeforecastingmodelofisestablished，followsitspredictions．Byintroducingtheholidayfactor，theadvancedalgorithmisputforward．ThepredictionaccuracyoftheKalmanfilterisimproved，confirmingthevalidityandeffectivenessoftheadvancedalgorithm．Keywo

4、rds：short—timeholidayloadforecasting；Kalmanfilter；holidayfactor电力系统负荷预测是保障电力系统安全稳定运行的重要环节，对电网调度自动控制及电力生产都有重大意义。随着电力系统智能化的不断推进，高精度的短期电力负荷预测成为电力系统研究的重要课题之一。早期的负荷预测方法主要有最小二乘法和回归分析法等【1]，这些方法技术成熟，算法简单，但是预测精度不高，实时性较差。近年来，随着学科交叉运用的不断发展，将新的其他领域的方法运用到电力系统中不断凸显。小波分析方法【21、模糊神经网络【3]、改进回归法[41、粒子群神经网络口】、遗传算法[6]、

5、集成智能法【71、最优灰色支持向量机模型【8]等方法不断用于电力系统短期负荷预测，这些方法都有较高的预测精度。卡尔曼滤波算法不仅能很好的解决信号中的噪声问题，还具有良好的预测性能。国内外关于卡尔曼滤波运用到负荷预测的研究有很多，但将其运用到短期电力负荷预测的却不多，文献[9]利用卡尔曼滤波理论建立了电力系统短期负荷预测模型，利用历史数据和气象资料等相关数据，进行了短期电力负荷预测并提出了相对的改进算法。文献[10]提出4I电’技肃2014年第1期利用最小二乘法线性拟合建立负荷数据基本模型，并用3次样条插值对卡尔曼滤波器的系统参数进行辨识，运用卡尔曼滤波其对历史数据进行预处理，并对其进行了校验

6、。文献[11]针对小波一卡尔曼滤波算法的不足，提出了改进的小波一卡尔曼滤波负荷预测算法，从而提高了预测精度。上述文献在提高预测精度的过程中，主要有以下3种，对历史数据进行处理，剔除坏数据；综合多种方法预测方法，取长补短，提高预测精度；增加更多的影响因子，主要是气象，从而相应的改进算法提高预测精度。本文主要采用增加影响因子，针对假期前后的负荷变化对预测精度的影响[12-131，通过引入假期因子，从而提高预测精度。引入假期因子前的平均绝对相对误差为12．30％，引入假期因子后的平均绝对相对误差为1．63％，证实了引入假期因子的正确性和有效性。l卡尔曼滤波预测模型114l卡尔曼滤波是Kalman在

7、1960年提出的，根据系统的状态方程和观测方程组成的新型随机系统的中央高校基本科研业务费专项资金(SWJTU2011CX004EM)状态空间模型来描述滤波器，并利用状态方程的递推性，按线性无偏最小均方差估计准则，采用递推算法对滤波器的状态变量作最佳估计。其状态方程和量测方程为s(k)=A(k)S(k-1)+w(k一1)x(k)=c(尼)s(七)+v(k)(1)(2)式中，A(k)为传递矩阵，己知；C(k)为量