基于混沌时间序列和神经网络的电力短期负荷预测

短期负荷预测对电力系统的经济、稳定以及安全运行有着极为重要的作用，是调度运营和负荷管理的一项重要的日常工作。已经证明短期负荷是一个受温度、湿度、风力、阴晴天气、降雨量、节假日等多种因素影响而发生演化的多维非线性动力系统，电力负荷时间序列是一类混沌时间序列。在各种因素相互的作用下，负荷表现出极其复杂而难以精确预测的演化特征。随着非线性理论的发展，特别是混沌理论的发展，毋须专门分别考虑各种影响因素就能对短期负荷做出满意的预测成为可能。 混沌时间序列是一门新兴的学科，对其进行预测是一项热门的研究课题；神经网络是一种智能化的技术，具有很强的处理非线性问题的能力，将二者结合必然会产生新的问题。本课题针对电力短期负荷预测将二者结合，研究了基于混沌时间序列和神经网络的电力短期负荷预测。 首先，本文研究了混沌时间序列及其相空间重构技术，并以实际电网为例计算了最佳延迟时间和最佳嵌入维数，并重构了相空间。建立了基于混沌时间序列和BP神经网络的预测模型，实例分析了其可行性。 其次，针对广泛应用的用空间欧氏距离来衡量相似性的不足，本文在总结归纳前人研究的基础上提出了用更为广泛意义的“空间最相似相点”来衡量。并给出了联合空间欧氏距离和关联度来衡量“空间最相似相点”的一个方法，在神经网络训练样本的选择时采用了该方法，建立了混合混沌关联度的神经网络预报模型，并实例计算表明其能有效提高预测的精度。 最后，考虑到常用的混沌时序预测模型都是一种单步外推预测，存在计算复杂和耗时的缺点，对此，提出了一种将分时段相空间重构理论和广义回归神经网络相结合的短期负荷预测新方法，实例证明了其有良好的预测效果。