基于混沌和小波神经网络的短期电力负荷预测方法研究

短期电力负荷预测是电力部门有效制定电力调配计划、合理安排发电机组的启停和检修以及有效保障电力系统稳定运行的前提和基础,因此进行短期电力负荷研究是具有重要意义的。 本文首先在混沌理论和相空间重构理论的基础上,对实际的电力负荷时间序列进行了相空间重构,通过C-C法计算了相空间重构所需的时间延迟τ和嵌入维数m。在相空间重构的基础上,利用小数据量法计算电力负荷时间序列的李雅普诺夫指数来对其混沌特性进行判别。通过实例仿真,验证了电力负荷时间序列存在混沌特性并分析了电力负荷时间序列的短期可预测性。 然后将电力负荷时间序列相空间重构和小波神经网络(Wavelet Neural Network,WNN)相结合,建立起基于相空间的WNN短期电力负荷预测模型,并对小波神经网络进行了应用设计。为对比分析,本文同时建立了基于相空间的BP神经网络(BPNN)短期电力负荷预测模型。通过实例仿真和对比分析,验证了基于相空间的WNN模型能取得比基于相空间的BPNN模型更优的预测性能。 最后在分析基本粒子群算法(Particle Swarm Optimization, PSO)不足的基础上,将三种对基本粒子群算法的改进策略进行综合,得到综合的粒子群优化算法(Comprehensive Particle Swarm Optimization, CPSO)并通过性能测试函数进行性能测试仿真,验证了将三种改进策略进行综合的有效性。在分析传统小波神经网络基于梯度下降学习算法不足后,将基本粒子群优化算法(PSO)和综合的粒子群优化算法(CPSO)作为基于相空间的WNN的学习算法,从而得到基于相空间的PSO-WNN模型和CPSO-WNN模型并将其应用于短期电力负荷预测中,通过实例仿真和对比分析,基于粒子群优化的小波神经网络模型能获得较高的预测精度。