带扩展记忆的粒子群优化算法及其在电力系统短期负荷预测中应用-控制科学与工程专业论文.docx

重庆大学硕士学位论文中 重庆大学硕士学位论文 中文摘要 I I 摘要 随着电力市场的逐步民营化和自由化，电力负荷需求的预测对于电网的规划、 能量消耗及安全运行影响越来越重大，引起一些国家和地区的高度重视和广泛关 注。 最近几十年，众多专家学者就如何提高电力负荷预测精度提出了各种各样的 方法。经典的基于数学统计方法的预测模型，由于很难表明影响负荷相关因素复 杂的非线性关系，无法达到令人满意的预测精度。 实现结构风险最小化（Structural risk minimization，SRM）而不是像传统的神 经网络实现经验风险最小化的支持向量机（Support Vector Machine，SVM）成为负 荷预测方法研究的热点。SRM 最小化泛化误差而不是训练误差，使得 SVM 具有 最优的网络结构。此外，SVM 等价于解线性凸二次规划问题，这样 SVM 的解总 能获取全局唯一最优值。正是 SVM 在求解非线性回归问题方面有这些独特的优势， 将 SVM 引入到短期负荷预测中是可行的。 针对标准粒子群优化算法在搜索最优解过程中方向性差、目的性弱的缺陷， 本文将带扩展记忆的粒子群优化算法（Particle Swarm Optimization with Extended Memory，PSOEM）与 SVM 结合，建立 PSOEM-SVM 预测模型。利用 PSOEM 优 化 SVM 的参数，实现参数寻优的自动化，避免参数选择的盲目性。既能发挥 SVM 的泛化能力，又能改善粒子群优化算法全局搜索能力，提高搜索的精度和速度。 然而，提高预测精度还需要充分了解和准确把握负荷变化规律和外界因素影 响。利用经验模式分解（Empirical Mode Decomposition，EMD）方法，在历史负 荷数据的预处理阶段，将非线性非平稳的电力负荷序列分解为若干个独立的本征 模态函数（Intrinsic Mode Function，IMF）和余项，对各个分量分别进行分析，揭 示负荷变化特性和环境因素影响。在对各分量特性及影响因素进行分析的基础上， 选择合适的核函数，分别建模预测，再将各分量的预测结果重构得出最终的预测 值。 为了进一步减少计算量，提高运算速度，针对分解的各 IMF 分量和余项的特 性进行归纳，简化了预测流程。最后通过欧洲智能技术网络（EUropean Network on Intelligent TEchnologies for Smart Adaptive Systems，EUNITE）电力负荷预测竞赛 作为仿真实例，验证了 PSOEM-SVM 预测模型的有效性。 关键词：带扩展记忆的粒子群优化算法，负荷预测，支持向量机，经验模式分解 重庆大学硕士学位论文英 重庆大学硕士学位论文 英文摘要 II II ABSTRACT Along with the recent privatization and deregulation of the electricity market, the accuracy of future electricity demand forecasting has received growing attention, particularly in the areas of electricity load planning, energy expenditure and secure operation fields, in regional and national systems. During recent decades, numerous investigations have been proposed to improve the accuracy of electricity load forecasting. Prediction models based on classical mathematical statistics methods don’t achieve satisfactory prediction accuracy for those models difficult to manifest complex and non-linear relationships between the load and corresponding factors. Support vector machine (SVM) has been one of hot research topics of the power system load forecasting，which implements the structural risk minimization(