混沌理论与神经网络在电力系统短期负荷预测中的应用

随着电力市场的快速发展,电力系统负荷预测越来越受到电力相关部门的重视。准确及时的电力负荷预测,可以经济合理地安排电网内部发电机组的启停,保持电网运行的安全稳定性,减少不必要的旋转储备容量,合理安排机组检修计划,保证社会的正常生产和生活,有效地降低发电成本,提高经济效益和社会效益。 本论文具体包括以下几个方面的内容: 第一章从电力系统实际情况出发,总结了电力系统负荷的特点、电力系统负荷预测的特点和电力系统负荷预测的类型。接着第二章讨论了经典的和现代的电力负荷预测的主要方法,并研究分析了这些方法存在的优点和不足,部分方法被应用于电力负荷预测实例。 第三章提出了一种改进的混沌理论预测方法。混沌理论预测方法是电力系统负荷预测应用得最广泛的方法之一。用它进行电力负荷预测有如下几步:首先对电力负荷历史数据进行相空间重构,然后采用线性方法逼近混沌系统函数,最后用最小二乘法估计目标函数参数。因为与基向量相似程度不同的向量对目标函数的影响不同,所以要根据与基向量的相似程度对目标函数加权。当前人们普遍采用关联度来衡量相空间向量相似性。为了降低计算时间和计算复杂度,本文提出了用向量1-范数来衡量相空间向量相似性的办法,并将该方法用于电力系统日负荷预测。根据预测结果显示,该方法在保持预测精度的情况下,减少了计算量,缩短了计算时间。 第四章将RBF-AR神经网络预测方法应用于电力负荷预测。它是一种用RBF神经网络来逼近AR函数系数的非线性预测方法。本文采用SNPOM方法来辨识与优化参数。该方法将参数分为非线性参数和线性参数,用类似于LMM方法来优化中心,用LSM方法优化线性权重,并在搜索过程中分解参数空间结构,效果相当于压缩了参数空间。这种算法使收敛性得到了极大的提高并得到了更高的精度。本文将RBF-AR模型被应用于电力系统负荷预测,并将得到的RBF-AR模型预测结果与前面方法的预测结果作了比较。第五章将两种方法进行最优组合,优化了预测结果,并对多种预测方法的结果进行比较。