基于智能計(jì)算的變權(quán)重組合優(yōu)化短期負(fù)荷預(yù)測(cè)研究.pdf

1、電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的重要組成部分，關(guān)系到電力系統(tǒng)的調(diào)度運(yùn)行和生產(chǎn)計(jì)劃，其預(yù)測(cè)精度的高低直接影響到電力系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和供電質(zhì)量。隨著電力市場(chǎng)的建立與發(fā)展，負(fù)荷預(yù)測(cè)將發(fā)揮越來(lái)越重要的作用。
　　 目前，負(fù)荷預(yù)測(cè)的模型非常多，單項(xiàng)預(yù)測(cè)模型不能完全反映出電力負(fù)荷的變化規(guī)律和信息，組合預(yù)測(cè)模型成為研究新發(fā)展。常規(guī)的組合預(yù)測(cè)模型的權(quán)系數(shù)是固定的，不能適應(yīng)負(fù)荷的動(dòng)態(tài)變化。變權(quán)重組合預(yù)測(cè)模型根據(jù)單項(xiàng)模型適用特點(diǎn)，在不同時(shí)刻

2、點(diǎn)賦予不同權(quán)重，最大程度利用有用信息，有效提高預(yù)測(cè)準(zhǔn)確性。
　　 本課題詳細(xì)介紹了電力負(fù)荷的概念，電力負(fù)荷預(yù)測(cè)的特點(diǎn)、分類及預(yù)測(cè)基本過(guò)程，具體分析了廣東省河源電網(wǎng)電力負(fù)荷特性，主要包括負(fù)荷的周期性及對(duì)負(fù)荷產(chǎn)生重要影響的因素。根據(jù)河源電網(wǎng)的實(shí)際情況選取了三種單一預(yù)測(cè)模型:時(shí)間序列模型、灰度理論模型和神經(jīng)網(wǎng)絡(luò)模型，分別進(jìn)行96點(diǎn)負(fù)荷預(yù)測(cè)，由于單一模型的片面性，引出變權(quán)重組合預(yù)測(cè)方法，并利用遺傳算法來(lái)優(yōu)化組合權(quán)值，對(duì)三種單項(xiàng)模型不同時(shí)

3、刻取不同權(quán)值進(jìn)行組合預(yù)測(cè)。在MATLAB中進(jìn)行仿真，驗(yàn)證變權(quán)重組合預(yù)測(cè)模型的優(yōu)越性，其預(yù)測(cè)曲線與實(shí)測(cè)數(shù)據(jù)曲線吻合良好。
　　 本課題的技術(shù)亮點(diǎn)有如下幾個(gè)方面:
　　 (1)時(shí)間序列簡(jiǎn)單移動(dòng)平均模型視預(yù)測(cè)序列各點(diǎn)是平等的，對(duì)誤差也無(wú)修正手段，本課題提出了一種誤差反饋加權(quán)時(shí)間序列模型，對(duì)近期數(shù)據(jù)給予較大的權(quán)重，并對(duì)誤差進(jìn)行反饋修正;
　　 (2)采用分布層級(jí)式貝葉斯神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，對(duì)每個(gè)預(yù)測(cè)點(diǎn)分別建立貝葉斯神經(jīng)

4、網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，形成96層并行的網(wǎng)絡(luò)結(jié)構(gòu)，輸入樣本除了負(fù)荷樣本還加入天氣因素和日期類型，對(duì)負(fù)荷影響大的因素給予大一點(diǎn)的權(quán)重。神經(jīng)網(wǎng)絡(luò)模型考慮了天氣因素等影響因素，補(bǔ)充了時(shí)間序列模型和灰色理論模型的缺陷;
　　 (3)在三種單項(xiàng)模型的基礎(chǔ)上，提出了虛擬預(yù)測(cè)的概念，并用遺傳算法優(yōu)化變權(quán)重組合預(yù)測(cè)權(quán)重系數(shù)，建立基于遺傳算法的變權(quán)重組合預(yù)測(cè)模型，根據(jù)遺傳算法對(duì)目標(biāo)函數(shù)要求比較低，能全局搜索最優(yōu)解的特點(diǎn)，動(dòng)態(tài)地確定96點(diǎn)負(fù)荷96個(gè)時(shí)刻點(diǎn)