基于Copula相關(guān)結(jié)構(gòu)的電力系統(tǒng)負荷預測方法研究.pdf

1、電力系統(tǒng)負荷預測對于掌握負荷發(fā)展趨勢、主動配電網(wǎng)優(yōu)化調(diào)度、促進可再生能源消納以及保證電網(wǎng)安全經(jīng)濟可靠運行具有重要意義，其中超短期負荷預測在電力系統(tǒng)預防性控制、緊急狀態(tài)處理等方面發(fā)揮著中重要作用。因此，超短期負荷預測精度和效率的提高一直是國內(nèi)外學者研究的熱點問題。
　　在電力系統(tǒng)超短期負荷預測模型的輸出與各輸入之間的相關(guān)性分析方面，針對傳統(tǒng)線性相關(guān)系數(shù)法，只能反映變量之間存在的線性相關(guān)關(guān)系，無法表征它們之間存在的非線性相關(guān)關(guān)系，且使

2、用條件具有一定的局限性，本文提出了采用Copula相關(guān)結(jié)構(gòu)對其進行分析描述，其中Copula相關(guān)結(jié)構(gòu)的建立主要包括邊緣分布函數(shù)的建立、Copula函數(shù)中未知參數(shù)估計以及最優(yōu)Copula函數(shù)的選擇。
　　在預測模型和方法方面，本文結(jié)合熵權(quán)理論和灰色關(guān)聯(lián)度理論，基于日特征氣象數(shù)據(jù)和日星期類型，提出了采用加權(quán)灰色關(guān)聯(lián)度法進行相似日的選擇。針對已有預測方法中，相關(guān)性分析只用作模型輸入的選擇，并未用在預測模型中，本文基于所提出的Copula

3、相關(guān)結(jié)構(gòu)并結(jié)合混合罰函數(shù)法，提出新的預測方法(Copula預測法)，并說明了新方法預測誤差產(chǎn)生的原因和適用場景。
　　同時，作為Copula預測法的對比，本文實現(xiàn)了支持向量回歸機和灰色模型預測法，其中在SVR參數(shù)優(yōu)化選取方面，本文基于Libsvm工具箱，以最小化K折交叉驗證誤差為目標，在控制不敏感損失參數(shù)ε的基礎上，分別采用網(wǎng)格搜索法、遺傳算法和自適應權(quán)值粒子群算法對支持向量回歸機模型參數(shù)中的懲罰因子C和核參數(shù)g進行優(yōu)化選取。

4、r>　　通過超短期負荷預測算例分析證明，在預測精度方面，本文提出的Copula預測法和基于Libsvm工具箱的改進SVR(APSO-SVR、GA-SVR)法的預測精度明顯高于基于Libsvm工具箱的傳統(tǒng)SVR(網(wǎng)格搜索法)法以及GM(1，1)模型;在預測效率方面，線上預測速度一致，但是線下訓練時間，Copula預測法遠小于基于Libsvm工具箱的改進SVR算法（主要是因為優(yōu)化算法進行選取參數(shù)時間較長，運行速度較慢，但若隨意設置參數(shù)，則會