資源描述：
《短期電力負(fù)荷組合預(yù)測分析方法研究.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、短期電力負(fù)荷組合預(yù)測分析方法研究許元斌,等短期電力負(fù)荷組合預(yù)測分析方法研究許元斌,黃文思,羅義旺,李金湖,劉燕秋,陳坤(國網(wǎng)信通億力科技有限責(zé)任公司智能電網(wǎng)大數(shù)據(jù)實(shí)驗(yàn)室福建福州,350003)摘要:電力負(fù)荷預(yù)測是電網(wǎng)公司的一項(xiàng)重要工作,現(xiàn)實(shí)中許多因素均能引起負(fù)荷變化,故電力負(fù)荷具有周期變化以及隨機(jī)變化的特征。任何一種單一預(yù)測法均不能較為全面的預(yù)測電力系統(tǒng)負(fù)荷變化,針對這個(gè)問題,本文引入競爭理論,將BP神經(jīng)網(wǎng)絡(luò)(BPNN)與自回歸滑動(dòng)平均模型(ARMA)相結(jié)合,構(gòu)建成組合式預(yù)測法(ARMA-BPNN),其綜合利用了兩者的優(yōu)點(diǎn),可以預(yù)測周期性和非線性電力負(fù)荷變化。該預(yù)測方
2、法的BPNN預(yù)測電力負(fù)荷的非線性規(guī)律,ARMA預(yù)測周期性規(guī)律,最后將兩者預(yù)測結(jié)果疊加,得出最終的負(fù)荷變化規(guī)律。仿真表明,ARMA-BPNN兼具兩者優(yōu)點(diǎn),起到了優(yōu)勢互補(bǔ)的作用,提高了電力負(fù)荷預(yù)測的精準(zhǔn)度。關(guān)鍵詞:電力負(fù)荷預(yù)測;ARMA;BPNN;周期性預(yù)測;非線性預(yù)測中圖分類號:TN73文獻(xiàn)標(biāo)識碼:ADOI編碼:10.14016/j.cnki.1001-9227.2017.03.032Abstract:Powersystemloadforecastingisanworkofelectricpowerproductiondivision.Thepowerloadvaria
3、tionisimpactedbymanycomplications,suchasrandomandperiodic.Thetraditionalsingleforecastingmethodscannotforecastthepowerloadcomprehensively.Basedonthetheoryofcompetition,acombinationofpowerloadforecasting(BPNNARMA)ispresented,whichisbasedonBPNN.ARMA-BPNNfirstforecastthepowerloaddatabyARMA
4、model,gettheperiodicchangeregularityofpowerloadchanges,thenusesBPNNtopowerloadnonlinearvariationprediction,thecycleofpredictionresultsandnonlinearpre-dictionresultsareadded,getthefinalpowerloadforecastresults.SimulationresultsshowthattheARMA-BPNNusingtheadvantagesofthetwoalgorithms,toac
5、hievethecomplementaryrole,todescribetheloadvariation,andamelioratetheaccuracyofpowerloadforecasting.Keywords:loadforecasting;ARMA;BPNN;periodicprediction;nonlinearprediction變化。本文引入競爭理論,將傳統(tǒng)預(yù)測方法和智能預(yù)測法0引言相結(jié)合,提出一種組合式預(yù)測法。傳統(tǒng)預(yù)測方法采用我國經(jīng)濟(jì)正處于快速發(fā)展時(shí)期,對電能需求較大,用ARMA,其具有預(yù)測周期性負(fù)荷變化能力強(qiáng)的特點(diǎn);智能電量每年都在提高。為了保障電
6、力安全穩(wěn)定可靠經(jīng)濟(jì)運(yùn)預(yù)測方法采用BPNN,其具有較強(qiáng)的預(yù)測隨機(jī)性負(fù)荷變化行,滿足社會日益增長的用電需求,負(fù)荷準(zhǔn)確預(yù)測在電力能力,將兩者結(jié)合構(gòu)成組合式預(yù)測方法ARMA-BPNN,可生產(chǎn)過程中具有重要意義。也正是因?yàn)檫@個(gè)因素,負(fù)荷預(yù)以較好的預(yù)測負(fù)荷變化中的周期性變化和隨機(jī)性變化,實(shí)測成為研究機(jī)構(gòu)關(guān)注的研究領(lǐng)域?，F(xiàn)較為全面準(zhǔn)確的預(yù)測。ARMA-BPNN中的BPNN算法負(fù)荷預(yù)測目前是研究的熱點(diǎn)領(lǐng)域,提出了多種預(yù)測方預(yù)測電力負(fù)荷的非線性規(guī)律,ARMA預(yù)測周期性規(guī)律,最法,取得了一定的成效,目前的預(yù)測方法可以分為兩類:人后將兩者預(yù)測結(jié)果疊加,得出最終的負(fù)荷變化規(guī)律。仿真[1]工智
7、能方法和傳統(tǒng)預(yù)測法。人工智能方法有支持向量表明,ARMA-BPNN兼具兩者優(yōu)點(diǎn),起到了優(yōu)勢互補(bǔ)的作[2][3][4]機(jī)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)以及模糊邏輯法等,智能預(yù)用,提高了電力負(fù)荷預(yù)測的精準(zhǔn)度。測對于隨機(jī)性變化具有良好的效果,但是不能夠準(zhǔn)確對電1短期負(fù)荷影響因素及數(shù)據(jù)預(yù)處理方法力負(fù)荷周期性變化進(jìn)行預(yù)測,具有一定的缺陷。傳統(tǒng)預(yù)測[5][6]法主要有灰色模型、回歸分析和外推等,此類方法均短期電力負(fù)荷預(yù)測是根據(jù)歷史數(shù)據(jù),構(gòu)建科學(xué)的數(shù)學(xué)是根據(jù)線性數(shù)據(jù)展開負(fù)荷預(yù)測的,但是系統(tǒng)受到諸多因素模型,可以預(yù)測將來短時(shí)間內(nèi)電力負(fù)荷變化。電力系統(tǒng)短的影響,比如天氣、政治和
