论文部分内容阅读
电力系统负荷预测是电网能量管理系统的重要内容。通过精确的负荷预测,可以经济合理地安排机组启停,减少旋转备用容量,进而降低发电成本,提高经济效益。因此,寻求有效的负荷预测方法,提高预测结果的准确度具有重要意义。本文首先介绍了电力负荷发展的背景及意义,阐述了国内外在电力负荷预测领域的研究现状,着重介绍了基于神经网络的短期电力负荷预测;然后针对人工神经网络尤其是BP(Back Propagation)神经网络具有过拟合、容易陷入局部极值等缺点,提出了基于小波分解与粒子群算法优化的支持向量机预测模型。该模型以支持向量机为基础,同时采用粒子群算法解决支持向量机的参数选择问题。最后通过小波分解将电力负荷时间序列分解为高频与低频序列,对低频序列采用本模型预测,而高频序列则采用加权平均的方法预测,将高频与低频序列的预测结果重构在一定程度上弱化了电力负荷的随机性。为了进一步提高预测精度,提出了基于模糊聚类选取相似日的短期电力负荷预测模型。为了更准确地描述气象因素对于负荷预测精度的影响,该模型首先将气象因素细分为气温、气压、风速、阴雨等情况,然后和星期类型、日期类型一起构成相似日的影响因素,通过模糊规则建立模糊系数特征映射表,不但实现影响因素的量化,而且便于实时添加新规律。在此基础上,采用模糊聚类方法进行分类,根据聚类水平选取相似日,减少了样本数量,加快了选取速度。该模型充分考虑了气象等因素对电力负荷预测的影响,进一步弱化了负荷的随机性。最后,建立了短期电力负荷预测系统软件。该软件主要具备数据的导入、预测功率、相似日的查找、误差评价和数据的保存等功能。并且可以预测未来24h的电力负荷。有利于电网相关部门及时调整调度计划,提高企业的技术管理水平和经济效益。