基于混沌序列的短期负荷预测模型在局域电网中的应用.docVIP

基于混沌序列的短期负荷预测模型在局域电网中的应用 李莉，刘崇新，孙蕾，韩强 （西安交通大学电气工程学院，西安，710049） Application of a Short-Term Load Forecasting Based on Chaotic Series in Local Power Grid Li Li，Liu Chong-xin，Sun Lei，Han Qiang (School of Electrical Engineering，Xi’an Jiaotong University，Xi’an，710049) ABSTRACT: In this paper, short-term load data was decomposed at different frequencies based on wavelet theory for refining load data variation and reducing the influence of various factors. Chaotic characteristics of each component were analyzed to calculate delay-time and embedding- dimension and reconstruct phase-space. Maximum Lyapunov exponent was calculated to determine if each component is in chaos. Then chaotic neural network optimized by genetic algorithm was established to train and forecast for each component. The forecasting results of each component were reconstructed by wavelet transform to get the final values. It was verified by examples that the proposed method has high forecasting accuracy and calculation speed. It has an important significance for power system short-term load forecasting. KEY WORDS：Short-term load forecasting; wavelet transform; chaotic characteristics analysis; neural network; genetic algorithm. 摘要：本文采用小波变换理论将短期负荷数据分解在不同的频率尺度上，细化负荷数据的变化规律，减小各种不确定因素的影响。对每一频段分量分析其混沌特性，计算延迟时间和嵌入维数，重构相空间。计算最大Lyapunov指数，确定每一分量的混沌状态。然后建立遗传算法优化的混沌神经网络，并通过训练，对每一分量实现预测，然后利用小波变换重构预测结果，得到最终完整的预测值。通过应用于局域电网进行实例验证得出：本文建立的新短期负荷预测模型具有高效的预测精度和计算速度。 关键词：短期负荷预测;小波变换;混沌特性分析;神经网络;遗传算法. 1 引言 短期电力负荷受各种社会因素和自然因素，如重大事件、天气、湿度、季节等影响，实际中又难以搜集到这些因素影响负荷变化的规律。小波变换可以将负荷不同频段上的信息进行局部化放大，对负荷中不规则变化部分、扰动波形部分和受各种因素影响部分等进行局部性分析和计算，在不同频段上进行数据的分析和预测，然后通过小波重构得到完整预测结果，可实现电力负荷预测。 近年来混沌在电力负荷预测中的应用越来越多，基于混沌理论的预测方法应用于电力系统短期负荷预测取得了较好的预测效果。因此，对小波分解后的不同频段分量进行混沌特性分析，计算出延迟时间和嵌入维数，重构出相空间，并进一步计算分量的Lyapunov 指数，从而确定出每一分量是否处于混沌状态。 由于神经网络具有强大的非线性映射能力，其结构简单、自学习能力、自适应能力等特点，能够很好的应用于电力系统负荷预测中。因此建立混沌神经网络模型，能够打破传统分析中确定性分析或随机性分析的单一性，提高网络的泛化能力和训练能力，提高系统预测的精度。同时利用目前广泛应用的BP算法对网络进行学习和训练，从而实现预测功能。 然而BP神经网络自身存在一定的缺陷，如收敛速度慢、易陷入局部极小点、网络结构受限等。遗传算法以生物进化为原型