基于小波分析电力系统短期负荷预测方法研究.docVIP

基于小波分析的电力系统短期负荷预测方法研究 摘 要：当前社会的发展离不开电力，电力系统电能的持续有效的供应是确保当前社会经济顺利发展的前提和基础，而对电力系统短期负荷预测精度的提高则是推动电力系统实现进一步发展的决定性因素，本文主要利用从小波分析的角度对电力系统的短期负荷预测方法进行研究，根据小波变换的以后，不同序列分量投影尺度的不同对其中的子负荷序列上面的相关数据进行分析处理，并且进行小波的重新构建，从而使负荷的预测结果更加全面，通过演技发现，在本次研究中发现，这种预测方法其适应能力以及预测的精度与以往的预测方法相比较，都有着明显的优势。 关键词：小波分析；电力系统；短期负荷；预测方法 对电力系统短期负荷的预测是确保电力系统安全有效运行的根本，同时也是经济调度的前提。随着当前社会经济的不断发展，人们对生产以及生活越来越离不开电能，要想有效的避免由于电能使社会以及经济的发展受到影响，就需要不断的进行短期负荷预测精度的提高。目前店里市场以及电力体制已经得到了有效的发展，电网运行的一个重要指标就是经济性，这就对电力系统短期负荷的预测精度更进一步提出了要求。 在对这一问题的长期研究中，人们就短期负荷预测方法的相关理论以及方式进行了长期、大量的研究，并且已经研究出了一些具体的预测方法并且在电力系统的负荷预测中得到了广泛的应用，但是电力系统的负荷本身比较复杂，因此预测方法的选择就需要能够有效的解决这些问题，以往在预测中使用的预测方式虽然其理论方面的基础已经相当的严密，但是因为其鲁棒性不够强，对于负荷中的变化因素难以做到有效的应对。而现代的神经网络法在多变因素的情况下虽然能够使用，但是因为其泛化能力以及收敛速度等方面存在一定的不足之处，最终的预测精度也得不到保证，这种情况下小波分析的方式应运而生。 一、简述负荷预测中的小波理论 1、小波理论基础 关于电力系统负荷预测中的小波理论可以从三个方面进行分析，分别为负荷变化的连续频谱、负荷变化的频域特征以及负荷变化的离散频谱。负荷变化的频域特征具体是指，对于电力负荷特性可以使用相关的时频分析工具对其进行分解以及分析，从而得到相应的预测结果。在实际的预测中，首先需要对样本数据的实际情况进行了解，然后根据实际的情况进行带通滤波器的选择。因为在负荷预测的进行中需要对不同的谐波分量综合使用，所以在实际的预测中，需要对滤波器的幅频特性和相频特性有一定的要求。这种情况下，小波分析方式是其中自合适的分析方法。此外，在进行负荷预测的过程中，时间序列方面存在多变性，这种情况下经常使用的预测方法就很难保证最终的预测结果，并且还会出现在相当长的一段时间内不能与实际数据进行同步。小波分析对于频域以及时域能够有效的进行同步，而且对对于不同的频谱会采取不同的分析方式，由此就可以看出小波分析的自适应性；负荷变化的离散频谱。这种方式和工程方面相当类似，在进行信号输入模型的确定中，应该根据实际的指标以及负荷的特点进行，这是进行负荷预测设计的第一步，也是最重要的一步。在进行预测之前首先需要对电力负荷进行分解，再根据不同变量的特点以及选项对预测模型进行时序外推，然后叠加不同项的外推结果，最终就可以得到预测的结果；最后，负荷变化的连续频谱。电力负荷的变化有其自身的规律所在，通常恶可以分为按照天、周、月、年作为循环周期进行变化，另外一个就是呈现逐渐增长的趋势。影响电力系统负荷变化的因素主要有负荷随机波动、负荷构成、气象变化以及根据时间进行的负荷变化。短期的负荷预测变化主要可以通过周期变化模型以及线性变化模型和随机负荷模型进行分析。 2、人工神经元网络 在负荷预测中之所以选择人工神经元网络，主要是因为通过神神经网络能够将隐性的规律性以及趋势性从以往的数据中寻找出来，这样能够使最终的预测结果的精度得到有效的提高。就目前人工神经网络中应用最广泛的就是BP神经网络。这是一种多层非线性的映射网络，在对函数最小化进行评价的过程中，使用最小平方差方式进行信号从输出到输入的映射。输入层、输出层以及隐含层共同构成了BP神经网络，其中的每一层神经元的个数都有所差异，在同一层中的不同神经元相互之间没有任何联系。上一层与下一层之间的神经元依靠权值进行联系，输出以及输入层的的神经元主要通过模型不断的对误差进行反传进行权值的修改，通过这种方式能够促使网络关于输入模式方面的准确率得到有效的提高。 在使用BP网络对电力负荷进行预测的时候，为了保证预测的精确度，必须将对负荷会产生影响的各个因素全部进行输入，然后按照实际的情况进行输出层数以及隐含层数的确定，在对历史样本进行训练收敛以后，进行电力系统负荷的预测。在小波变换以后，负荷序列可以被分解为不同的子序列，然后使用与之相符的BP网络对相应的序列进行预测，最终的预测精确度就能得到相应的保证。 二、伪数据在模极大值基础上的