短期负荷预测建模及理论及应用.ppt

短期负荷预测建模的理论及应用 主要内容 短期负荷预测(STLF)简介 多变量线性回归(Multiple linear regression) 一般指数平滑(General Exponential Smoothing) 随机时间序列(Stochastic time series) RMLPNN模型（Recursive MultiLayer Perceptron Neural Networks） 混沌时序模型（Chaotic Time Series Theory ） 总结与展望 I.短期负荷预测简介 1.1 意义 电力系统负荷预测是实现电力系统安全、经济运行的基础，对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。因此，负荷预测的关键是提高准确度。此外，从发展来看，负荷预测也是我国全面实现电力市场的必备条件，具有重要的理论意义和实用价值。 I.短期负荷预测简介 1.2 短期负荷预测的分类 方法一：根据负荷预测的时间 超短期负荷预测：one hour 短期负荷预测：one hour to one week 方法二：根据数据采集间隔 24点预测（one hour） 48点预测（30min） 96点预测（15min） I.短期负荷预测简介 1.3 短期负荷预测的方法 多变量线性回归预测法(Multiple linear regression) 一般指数平滑预测法（General Exponential Smoothing） 随机时间序列预测法(Stochastic time series) 人工神经网络预测法(ANN) 基于混沌理论的预测法(Chaotic) 卡尔曼滤波预测法(State space and Kalman filter) 灰色预测法(Grey) 模糊推理预测法(Fuzzy) 小波分析预测法(Wavelet) 组合预测法 2.多变量线性回归(Multiple linear regression) 负荷模型是： 3.一般指数平滑(General Exponential Smoothing) 负荷模型是： 4.随机时间序列预测法(Stochastic time series) AR(p)模型是： 4.随机时间序列预测法(Stochastic time series) 具体方法步骤是： (1)若ACF{1≤s≤m}在某运算步骤后即在零的上下作微小 波动，则可判定｛yt｝遵从MA（q）模型，并可大致确 定相应的阶数q。 (2)因AR（p）模型的PACF{s≥1}是不截尾的，当 s≥q 时，服从渐近正态分布，N(0，1/N)，故可以进行与 MA(q)模型类似的截尾性检验。因此PACF决定于AR(p) 模型。 (3)对于一般的混合模型ARMA(p, q),无论是ACF还是PACF都不能单 独确定ARMA模型的p,q值，这是时间序列建模的难点所在。通常 由低阶到高阶逐一拟合模型,并经有关统计量的检验选优。 5. RMLPNN模型（Recursive MultiLayer Perceptron Neural Networks） 5. RMLPNN模型（Recursive MultiLayer Perceptron Neural Networks） 其输出误差可由公式定义： 5. RMLPNN模型（Recursive MultiLayer Perceptron Neural Networks） 对于隐含层，权重的数量变化可以由公式1，2给出，权重的更新由公式3给出 5. RMLPNN模型（Recursive MultiLayer Perceptron Neural Networks） RMLPNN模型的运行过程和实证分析 选取保定地区2001年日负荷的历史数据，首先对历史数据进行模糊聚类分析，结果发现，这些数据可以分为18个大类；利用RMLPNN模型，对网络进行学习和训练。具体的应用步骤如下： 5. RMLPNN模型（Recursive MultiLayer Perceptron Neural Networks） 6.混沌时序建模的理论在负荷预测中的应用（Chaotic Time Series Theory ） 6.混