短期電力負(fù)荷預(yù)測(cè)組合模型研究.pdf

1、短期電力負(fù)荷預(yù)測(cè)可為電網(wǎng)合理安排生產(chǎn)計(jì)劃、燃料采購(gòu)計(jì)劃、維修計(jì)劃提供重要的決策依據(jù)，是電力系統(tǒng)一項(xiàng)非常重要的研究課題。電力負(fù)荷預(yù)測(cè)易受日期類型、天氣因素、重大政治經(jīng)濟(jì)事件以及其它一些隨機(jī)因素的影響，準(zhǔn)確預(yù)測(cè)有一定的難度。
　　隱馬爾科夫模型（HMM）是一種描述雙隨機(jī)過(guò)程統(tǒng)計(jì)特性的概率模型，具有很強(qiáng)的預(yù)測(cè)能力，但初始化矩陣的設(shè)定對(duì)于預(yù)測(cè)結(jié)果影響較大。本文通過(guò)單一變量法分析了模型中參數(shù)設(shè)置對(duì)訓(xùn)練精度的影響，提出初始矩陣及觀測(cè)狀態(tài)數(shù)的設(shè)

2、置原則及基于信息熵的隱狀態(tài)數(shù)優(yōu)化設(shè)置方法。論文還通過(guò)引入比例因子修正模型訓(xùn)練算法，解決了迭代運(yùn)算中的數(shù)據(jù)下溢問(wèn)題。
　　BP神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中也得到了廣泛應(yīng)用，并取得很好的效果。BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力，但存在收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn)。本文提出利用改進(jìn)粒子群算法訓(xùn)練 BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)參數(shù)。在此基礎(chǔ)上，將影響負(fù)荷預(yù)測(cè)的日期類型和溫度因素作為網(wǎng)絡(luò)輸入，建立短期電力負(fù)荷預(yù)測(cè)模型。
　　為進(jìn)一步提高預(yù)測(cè)

3、準(zhǔn)確率，本文還結(jié)合隱馬爾可夫模型和 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，提出基于差分進(jìn)化算法優(yōu)化權(quán)系數(shù)的短期電力負(fù)荷組合預(yù)測(cè)方法，克服了單一預(yù)測(cè)方法的不足，得到了性能更穩(wěn)定、精度更高的預(yù)測(cè)模型。
　　將以上方法應(yīng)用于陜西渭南市華縣供電局的電力負(fù)荷預(yù)測(cè)上，驗(yàn)證了方法的有效性和實(shí)用性。論文對(duì)隱馬爾可夫模型和 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的改進(jìn)，較大幅度地提升了預(yù)測(cè)準(zhǔn)確度，在此基礎(chǔ)上提出二者相結(jié)合的組合預(yù)測(cè)方法，進(jìn)一步提升了預(yù)測(cè)精度，具有較好的理論意義和應(yīng)用