電力系統(tǒng)短期負(fù)荷預(yù)測模型與優(yōu)選的研究.pdf

1、該文首先對電力系統(tǒng)負(fù)荷的組成、特點(diǎn),以及常用短期負(fù)荷預(yù)測方法的優(yōu)缺點(diǎn)進(jìn)行了探討,繼而針對成都地區(qū)負(fù)荷建立了傳統(tǒng)的累積式自回歸動(dòng)平均(ARIMA)預(yù)測模型和改進(jìn)BP算法的神經(jīng)網(wǎng)絡(luò)(ANN)預(yù)測模型.從預(yù)測結(jié)果看,ANN模型的預(yù)測精度和適應(yīng)性相對ARIMA模型有了一定的提高,但它們對周末的預(yù)測精度均較差.考慮到不同日期類型的負(fù)荷特性是不同的,該文在ANN模型的基礎(chǔ)上提出了第三個(gè)模型,對工作日和公休日的負(fù)荷分別建立ANN的訓(xùn)練集和預(yù)測模型,一

2、定程度上提高了星期一和公休日的預(yù)測精度,但對峰、谷段的預(yù)測效果并沒有明顯改進(jìn).作為電力系統(tǒng)負(fù)荷預(yù)測特別是短期負(fù)荷預(yù)測,除了需要很高的精度外還需要較快的計(jì)算速度和準(zhǔn)確度等.因此,該文采用多目標(biāo)最優(yōu)決策方法對上述四個(gè)預(yù)測模型進(jìn)行優(yōu)選,優(yōu)選結(jié)果是小波-神經(jīng)網(wǎng)絡(luò)方法為最優(yōu)模型.但是不同地區(qū)負(fù)荷呈現(xiàn)出不同的負(fù)荷特性,為進(jìn)一步增強(qiáng)小波-神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)性該文提出了最優(yōu)小波基及分解尺度的多目標(biāo)最優(yōu)決策方法.該方法可針對不同地區(qū)的負(fù)荷,進(jìn)一步在小波