基于相似日和智能算法的短期負荷組合預測.pdf

1、電力系統(tǒng)短期負荷預測(short-term load forecasting，STLF)是電力部門合理安排發(fā)電和檢修計劃，優(yōu)化旋轉儲備容量、降低發(fā)電成本、提高經濟效益、維護電網安全穩(wěn)定運行的重要參考依據(jù)，對日漸開放的電力市場，也是今后競價發(fā)電的有力保障。隨著智能配電網的發(fā)展，短期負荷預測作為網損分析、網絡重構、狀態(tài)評估等應用的基礎，對提升配電部門服務水平至關重要。因此，研究合適的配電網短期負荷預測方法，提高預測精度，具有十分重要的理論和

2、應用價值。
　　本文通過對配網日負荷特性的分析，指出應對不同的日類型、結合天氣因素對短期負荷預測分別建模。給出了數(shù)據(jù)預處理方法，以提高樣本準確度，根據(jù)實際情況，提出了將氣象因素嵌入模型以及選取相似日的具體規(guī)則。針對目前負荷樣本數(shù)據(jù)來源單一、采集遺漏、樣本不足等問題，且配網不同部門對短期負荷預測有不同需求的實際情況，提出了一種大數(shù)據(jù)背景下的基于拓撲關系的分層負荷預測方法，分別以臺區(qū)和10kV線路為單位進行短期負荷預測?；趯ε_區(qū)負荷

3、特性的分析，提出將臺區(qū)分為氣象敏感型和氣象不敏感型兩類，并依此建立了具體的分類預測模型。對氣象敏感型臺區(qū)，基于相似日優(yōu)化負荷樣本，利用最小二乘支持向量機(least squares support vector machine，LSSVM)進行負荷預測;對氣象不敏感型臺區(qū)，先通過經驗模態(tài)分解(empirical mode decomposition，EMD)自適應地提取出負荷不同頻度的基本信號，然后分析每個頻度信號應選擇的核函數(shù)，再基于

4、LSSVM建模預測，從而提高了模型的靈活性和適用性以及預測精度。分層組合預測時，將臺區(qū)列為第一層，10kV線路列為第二層，遵循拓撲連接關系，通過給臺區(qū)負荷樣本分配波形系數(shù)，采用粒子群優(yōu)化算法(particle swarmoptimization，PSO)，根據(jù)類似于神經網絡學習與訓練的思想，優(yōu)化該波形系數(shù)，再結合臺區(qū)的預測值組合得到最終的線路（或母線）短期負荷預測結果，且在此基礎上，建立了線路峰值負荷預測優(yōu)化模型。應用實例表明，分層組合