论文部分内容阅读
电力负荷预测是指根据历史数据来探究电力负荷系统的发展变化规律对未来负荷值的影响,负荷预测影响着电网的规划、调度以及安全运行。准确的电力负荷预测是保证电力供需平衡的基础,为整个电力系统的规划和电力公司的经营决策提供了依据。短期负荷预测是电力负荷预测的一种,由于短期负荷受到气候变化、节假日等因素的影响,使得收集得到的负荷数据呈现出复杂的非线性特征,增加了预测的难度。
本文首先分析了负荷时间序列的混沌特征。利用关联积分(C-C)方法计算出电力负荷时间序列的延迟时间和嵌入维数,将一维负荷时间序列映射到高维的相空间中,恢复出负荷时间序列的混沌吸引子。再通过小数据量法计算出混沌吸引子的最大Lyapunov指数,从而判断出负荷时间序列的混沌性,理论上证明了本文使用的负荷时间序列具有短期可预测性。
其次,根据负荷时间序列具有混沌性和非线性的特征,对负荷时间序列进行相空间重构(PSR)后,利用门控循环单元(GRU)神经网络对函数的逼近能力去拟合轨迹中相点的映射函数,从而实现负荷值的预测。实验结果表明,单变量PSR-GRU预测模型是有效可行的。在单变量PSR-GRU预测模型的基础上,考虑负荷系统外部因素的影响,提出了多变量序列的短期负荷预测模型。仿真实验表明,多变量PSR-GRU模型的预测精度相比于单变量PSR-GRU模型有一定的提高。
最后,同时考虑到负荷时间序列的非平稳性、非线性以及混沌性的特点,根据分解-预测-组合的思想,提出了EMD-PSR-GRU模型。采用经验模态分解(EMD)算法将负荷时间序列分解为多个规律性显著的分量,对各个分量分别采用单变量PSR-GRU模型进行预测,将各个分量的预测结果进行叠加即可得到总的负荷预测值。采用集合经验模态分解(EEMD)算法,通过对原始负荷时间序列叠加均匀分布的高斯白噪声并进行多次EMD分解来解决分解过程中产生的模态混叠问题。实验证明,相比于EMD-PSR-GRU,使用EEMD-PSR-GRU预测模型能够明显提高预测精度。在此基础上提出了EEMD-SE-PSR-GRU模型,对经过EEMD分解得到的负荷分量计算其样本熵(SE),将样本熵相近的分量进行合并建模以达到简化建模过程的目的。
本文首先分析了负荷时间序列的混沌特征。利用关联积分(C-C)方法计算出电力负荷时间序列的延迟时间和嵌入维数,将一维负荷时间序列映射到高维的相空间中,恢复出负荷时间序列的混沌吸引子。再通过小数据量法计算出混沌吸引子的最大Lyapunov指数,从而判断出负荷时间序列的混沌性,理论上证明了本文使用的负荷时间序列具有短期可预测性。
其次,根据负荷时间序列具有混沌性和非线性的特征,对负荷时间序列进行相空间重构(PSR)后,利用门控循环单元(GRU)神经网络对函数的逼近能力去拟合轨迹中相点的映射函数,从而实现负荷值的预测。实验结果表明,单变量PSR-GRU预测模型是有效可行的。在单变量PSR-GRU预测模型的基础上,考虑负荷系统外部因素的影响,提出了多变量序列的短期负荷预测模型。仿真实验表明,多变量PSR-GRU模型的预测精度相比于单变量PSR-GRU模型有一定的提高。
最后,同时考虑到负荷时间序列的非平稳性、非线性以及混沌性的特点,根据分解-预测-组合的思想,提出了EMD-PSR-GRU模型。采用经验模态分解(EMD)算法将负荷时间序列分解为多个规律性显著的分量,对各个分量分别采用单变量PSR-GRU模型进行预测,将各个分量的预测结果进行叠加即可得到总的负荷预测值。采用集合经验模态分解(EEMD)算法,通过对原始负荷时间序列叠加均匀分布的高斯白噪声并进行多次EMD分解来解决分解过程中产生的模态混叠问题。实验证明,相比于EMD-PSR-GRU,使用EEMD-PSR-GRU预测模型能够明显提高预测精度。在此基础上提出了EEMD-SE-PSR-GRU模型,对经过EEMD分解得到的负荷分量计算其样本熵(SE),将样本熵相近的分量进行合并建模以达到简化建模过程的目的。