基于奇異譜分析的組合模型在電力負荷預測中的應用.pdf

1、作為人們生活中一項重要的能量資源，電能近年來已經吸引了多方的重視，隨著電力系統(tǒng)的逐步發(fā)展，電能的預測已經成為了市場參與者在電力市場中決策電力系統(tǒng)規(guī)劃和運行的一個實用的工具。準確的電力負荷預測不僅有利于確保電力系統(tǒng)的安全運行、提高供電質量，還有助于電力公司和消費者制定合理的規(guī)劃、獲得最大化的利潤。然而，在實際電力系統(tǒng)中，由于電力負荷無法像煤、石油等資源大量存儲，且受到氣候、經濟、社會變革等多種隨機因素的影響，因此，電力負荷預測仍是一個需要

2、投入大量精力和廣泛關注的技術性難題。
　　由于單一的預測模型不能充分地反映出電力負荷數據的復雜規(guī)律和信息，為了提高電力負荷預測的精度，充分利用每個模型的優(yōu)點，在統(tǒng)計分析大量的歷史負荷數據的基礎上，本文提出了一種基于奇異譜分析的混合預測模型。首先，文章詳細的介紹了課題研究的背景與意義，對影響負荷預測的各類因素進行了歸納總結。依據國內外電力負荷技術的發(fā)展與現狀，深入探討了負荷預測的分類和基本步驟，并對多種負荷預測方法的優(yōu)缺點進行了分析

3、比較。
　　其次，為了提高電力負荷的預測精度，在分析影響組合預測模型構建因素的基礎上，采用奇異譜分析法（SSA）對原始信號進行降噪處理。實驗結果表明，剔除了噪音分量的信號要更加光滑平坦，有利于更深入的分析研究。最后，依據組合預測的基本理論和方法，本文采用線性加權平均的方法，構建了由雙隱含層BP神經網絡、極限學習機（ELM）以及經PSO優(yōu)化的回聲狀態(tài)網絡（ESN）三種模型組合的混合預測模型。該模型結合了雙隱含層BP網絡和回聲狀態(tài)網絡

4、訓練過程簡單的特點，同時充分利用了極限學習機運算簡便、運行時間短、泛化性能好的優(yōu)點，與各單項模型相比，預測性能更優(yōu)。
　　此外，本文設定該組合預測模型的目標函數為平均絕對百分比誤差（MAPE），應用模擬退火算法（SA）優(yōu)化該組合模型的權重系數使得目標函數值最小、預
　　測精度最高。文章在提出組合預測模型的基礎上，以澳大利亞昆士蘭電力市場的電力負荷數據為例進行了短期的預測仿真。實驗結果表明，該組合模型的預測精度比單項模型更高，