论文部分内容阅读
电力系统短期负荷预测是电力系统调度运行部门一项重要的日常工作,预测的准确程度对于电力系统安全、经济、稳定运行及供电质量具有十分重要的作用。影响电力负荷的因素很多,这些因素对负荷的影响具有非线性、复杂性、滞后性等特点。本文主要通过研究电力负荷的内在规律性来建立具有更高精度和计算速度的短期负荷预测模型。提高预测精度需要准确把握负荷变化规律和外界因素影响,但目前的分析方法多存在依赖主观经验,且对因素影响分析不深入的问题。为此,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)与人工神经网络(Artificial Neural Network,ANN)的短期负荷预测方法。利用EMD方法,自动地将目标负荷序列分解为若干个独立的固有模态分量(Intrinsic Mode Function,IMF),对各个分量分别进行分析,可准确把握负荷变化特性和环境因素影响。在对各分量特性及影响因素进行分析的基础上,采用相匹配的BP(back propagation)神经网络分别建模预测,再将各分量的预测结果通过自适应线性神经网络组合得出最终的预测值。所提出的方法中EMD分解能自适应的分解负荷,分解后的分量能够突出原始负荷的局部特征和变化规律;而BP神经网络有较强的适应能力和学习能力,对于处理非线性问题具有优势。仿真实验表明,此方法与单一的BP神经网络预测法相比,具有较高的精度和较强的推广能力。为了进一步简化计算量,提高计算速度,可在牺牲一定预测精度的基础上,将分解出的固有模态分量重构为高频、周期、低频和趋势4个分量,对各分量特性进行分别进行分析,归纳出各分量的变化规律及外界因素的影响情况,进而采用4个不同的BP神经网络分别建模预测。最后将4个分量预测结果的叠加和作为最终的预测值。通过对某电网进行24点负荷预测表明此模型可有效地提高负荷预测精度。