基于小波和神經(jīng)網(wǎng)絡(luò)算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究.pdf

1、隨著電力事業(yè)的發(fā)展及電網(wǎng)管理日趨現(xiàn)代化，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)問(wèn)題的研究也越來(lái)越引起人們的關(guān)注，成為現(xiàn)代電力系統(tǒng)運(yùn)行研究中的重要課題，也是研究電力系統(tǒng)規(guī)劃問(wèn)題、電力系統(tǒng)經(jīng)濟(jì)運(yùn)行及其調(diào)度自動(dòng)化的重要依據(jù)。 電力負(fù)荷預(yù)測(cè)具有需要預(yù)測(cè)的數(shù)據(jù)個(gè)數(shù)多、影響預(yù)測(cè)的物理因素復(fù)雜且預(yù)測(cè)精度要求高等特點(diǎn)?？紤]到電力負(fù)荷的特點(diǎn)提出了將小波變換和傅立葉基神經(jīng)網(wǎng)絡(luò)相結(jié)合的綜合算法，對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)進(jìn)行了系統(tǒng)而深入的研究。 通過(guò)小波多分辨率分

2、析和小波包變換分別對(duì)歷史負(fù)荷序列進(jìn)行分解的結(jié)果，小波變換可以將負(fù)荷序列分解到不同的頻段上，負(fù)荷序列是以周為大周期變化，以日為小周期變化，“大周期”中嵌套“小周期”規(guī)律變化，同時(shí)也得出小波包可以對(duì)信號(hào)的低頻部分再做更進(jìn)一步的分解，使低頻部分的周期性體現(xiàn)的更明顯。 分析了傅立葉基神經(jīng)網(wǎng)絡(luò)算法中學(xué)習(xí)率的選取和神經(jīng)網(wǎng)絡(luò)算法的收斂性的問(wèn)題，為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的大小選擇提供了理論依據(jù)。由于學(xué)習(xí)率的大小對(duì)神經(jīng)網(wǎng)絡(luò)收斂性有重要影響，太小會(huì)使神經(jīng)網(wǎng)

3、絡(luò)收斂很慢，增加了計(jì)算量；太大又會(huì)使神經(jīng)網(wǎng)絡(luò)出現(xiàn)震蕩現(xiàn)象而無(wú)法收斂，對(duì)負(fù)荷預(yù)測(cè)的結(jié)果有較大的影響。 仿真研究結(jié)果表明，與小波多分辨率相比，小波包變換更能有效分析負(fù)荷序列。在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法中，本文使用了傳統(tǒng)的BP人工神經(jīng)網(wǎng)絡(luò)算法(BP-ANN)和小波包變換與傅立葉基BP神經(jīng)網(wǎng)絡(luò)綜合算法(FT-ANN+BP-ANN)，并取得了一系列研究結(jié)果。本文的主要思想是傅里葉基神經(jīng)網(wǎng)絡(luò)對(duì)小波包分解的序列結(jié)果進(jìn)行訓(xùn)練以獲得電力系統(tǒng)短期負(fù)