基于粒子滤波算法的电力系统短期负荷预测

论文摘要

电力系统的短期负荷预测是节约用电资源,保证用电质量的重要途径之一,精确的负荷预测可以有效的降低发电成本,提高经济效益。电力系统负荷预测问题由来已久,是一个比较老的话题,可是国内外在这方面开展的工作和研究却从未停止过,人们不断探索利用新的方法对电力负荷进行预测,从传统的回归分析、时间序列方法到后来智能算法的出现,都体现出人们对更高预测精度的追求。基于此,本文也尝试将粒子滤波算法应用到电力系统短期负荷预测中来,并得到了可喜的效果。本文在国内外学者研究成果的基础上,结合相关学科理论取得的新成果将粒子滤波算法应用在短期负荷预测的问题上,为了解决具体应用的例如粒子退化等问题,本文对粒子滤波算法进行了重采样方面的改进,进而发挥了粒子滤波算法处理非线性、非高斯随机系统的参数估计和状态滤波问题的突出优势。然后本文提出了基于粒子滤波的短期负荷预测算法,并给出了递推模型。通过分析负荷数据后发现,待预测的负荷与它前一时刻的负荷、前一周同一类型日的负荷、前一天相同时刻的负荷和当日平均温度是存在相关关系的,因此本文提出采用这四个相关系数作为模型的状态粒子在模型中进行迭代更新。为了检验模型和算法的有效性,本文采用EUNITE Network在2001年8月1日组织的一次全球的网上电力负荷预测竞赛的数据,进行仿真实验。实验中本文在设置了一些必要的初始状态值和必要的系统参数的前提下,对在一定范围内状态粒子数目的增加与预测精度的提高存在相关关系,和粒子数目的增加与计算时间的关系进行了研究。在保证合适的预测精度前提下,给出了取得合理的计算时间的粒子数,而且本文也通过遍历的方法找寻到使预测性能得到优化的参数选择区间。最后,本文还比较了卡尔曼滤波算法和粒子滤波算法分别应用到短期负荷预测中的效果,仿真中发现在本文提出的模型中,粒子算法是优于卡尔曼滤波算法的。最终得出结论：将粒子滤波算法应用到电力系统短期负荷预测中是合适且有效的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题意义与背景
• 1.2 研究方法综述
• 1.2.1 回归分析
• 1.2.2 自适应与自学习
• 1.2.3 时间序列分析
• 1.2.4 模糊逻辑算法
• 1.2.5 人工神经网络
• 1.2.6 专家系统
• 1.2.7 灰色系统理论
• 1.3 本文所做的工作和创新点
• 第二章 电力系统短期负荷的系统建模
• 2.1 负荷建模的发展与现状
• 2.2 电力负荷静态模型
• 2.2.1 多项式模型
• 2.2.2 指数模型
• 2.3 电力系统机理动态负荷模型
• 2.4 电力系统非机理动态负荷模型
• 2.4.1 传递函数形式
• 2.4.2 差分方程的形式
• 2.4.3 状态方程形式
• 2.5 小结
• 第三章 改进重采样的粒子滤波算法
• 3.1 粒子滤波算法的由来
• 3.1.1 非线性系统的贝叶斯估计
• 3.1.2 蒙特卡罗方法
• 3.1.3 重要性采样
• 3.2 粒子滤波算法
• 3.3 粒子滤波中的退化问题及改进
• 3.3.1 粒子滤波的有效个数
• 3.3.2 改进重采样算法
• 3.3.3 重要性密度函数的选择
• 3.3.4 粒子滤波器算法
• 3.4 小结
• 第四章 基于粒子滤波的短期负荷预测
• 4.1 数据来源
• 4.2 模型的建立
• 4.2.1 对负荷数据特性的了解
• 4.2.2 考虑负荷数据的相关性
• 4.2.3 考虑气象因素对短期负荷的影响
• 4.3 建立温度与日平均负荷的关系函数
• 4.4 应用粒子滤波算法的电力负荷预测
• 4.5 小结
• 第五章 仿真实验与结果分析
• 5.1 模型和参数设定
• 5.2 短期负荷预测
• 5.3 初始状态参数选择对预测效果的影响
• 5.4 粒子滤波与卡尔曼滤波算法的比较
• 5.5 小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 论文的不足与展望
• 参考文献
• 致谢
• 攻读硕士期间的科研情况