基于人工智能的電力負荷預測.pdf

1、電力負荷預測水平已成為衡量電力系統(tǒng)運行管理現(xiàn)代化的標志之一.它是制定發(fā)電計劃和輸電方案的主要依據(jù)，對合理安排機組啟停、確定燃料供應計劃、進行能量交易等具有重要意義，其預測精度的高低直接影響到電力系統(tǒng)運行的安全性、經(jīng)濟性.隨著電力系統(tǒng)市場化的不斷深入，短期負荷預測在電力系統(tǒng)中顯得更加重要，尤其是準確的短期負荷預測更是具有重要的意義. 本文以改進電力負荷預測歷史數(shù)據(jù)的準確度和相關性，以提高電力負荷預測的準確性為目的.探討了電力負荷預

2、測研究現(xiàn)狀及發(fā)展趨勢，對電力負荷預測的各種傳統(tǒng)及現(xiàn)代方法進行了綜述，并著重分析各種方法的特點，討論了電力負荷的特性以及影響負荷的相關因素.同時研究了電力負荷預測的現(xiàn)狀和存在問題，并在此基礎上進行系統(tǒng)深入的研究. 在對支持向量機、人工神經(jīng)網(wǎng)絡和小波分析理論進行重點研究的基礎上，針對電力系統(tǒng)短期負荷預測的特點，本文提出基于相似日小波支持向量機的負荷預測模型，該模型綜合了電力負荷本身具有的相似性、小波變換良好的時頻局域化性質和支持向量

3、機的學習能力，提高了模型的泛化能力和系統(tǒng)的預測精度.由于粒子優(yōu)化算法具有較快的訓練速度和收斂速度.并且粒子優(yōu)化算法需要調整的參數(shù)較少，參數(shù)調整簡單且具有直觀的意義.同時，考慮模擬退火算法能概率性跳出局部最優(yōu)并最終趨于全局最優(yōu)解的特性.本文利用粒子優(yōu)化算法和模擬退火算法訓練神經(jīng)網(wǎng)絡，提高神經(jīng)網(wǎng)絡的收斂速度.將此神經(jīng)網(wǎng)絡模型應用于電力負荷預測.結果表明該模型是可行而實用的，與傳統(tǒng)的神經(jīng)網(wǎng)絡預測模型相比，具有更快的收斂速度，更高的預測精度，能