电力系统短期负荷预测方法研究及实现

论文摘要

电力负荷预测是电力系统规划决策、经济运行的前提和基础,电力负荷的准确预测对电力系统安全经济运行和国民经济发展具有重要意义。经典的负荷预测多采用以时间序列法为代表的线性模型方法,但由于短期负荷数据易受天气、节假同等各种干扰因素的影响而呈非线性特性,因此预测结果难以满足实际需要。本文在分析各种经典负荷预测方法优缺点的基础上,将适用于解决大规模样本训练问题的核心向量回归(Core Vector Regression,CVR)方法引入到电力负荷预测中。通过对采用不同核函数、核参数的预测结果的对比,确定了最优的核函数,并通过粒子群优化算法确定了CVR的核函数参数。试验结果表明,本文提出的优化CVR预测模型具有不亚于支持向量回归(Support Vector Regression, SVR)方法的预测精度以及更快的训练速度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 电力负荷预测的意义和研究背景
• 1.2 电力负荷预测的发展和研究现状
• 1.3 论文的主要工作和内容安排
• 第二章 短期负荷数据的分析
• 2.1 引言
• 2.2 短期负荷的构成和特点
• 2.2.1 电力负荷的分类
• 2.2.2 短期负荷的特点
• 2.3 影响负荷预测精度的因素及误差分析
• 2.3.1 影响负荷预测精度的因素
• 2.3.2 负荷预测的误差分析
• 2.4 短期负荷数据的预处理方法
• 2.5 本章小结
• 第三章 短期负荷预测的模型分析
• 3.1 引言
• 3.2 经典短期负荷预测方法
• 3.2.1 指数平滑法
• 3.2.2 回归分析法
• 3.2.3 最小二乘法
• 3.3 人工智能方法在短期负荷预测领域的应用
• 3.3.1 人工神经网络法
• 3.3.2 支持向量机方法
• 3.4 各种预测方法优缺点比较
• 3.5 本章小结
• 第四章 基于核向量回归的短期电力负荷预测模型
• 4.1 引言
• 4.2 人规模样本集及核向量机的基本理论
• 4.3 基于核向量机的预测模型
• 4.5 本章小结
• 第五章 基于粒子群-核向量回归的短期负荷预测系统
• 5.1 引言
• 5.2 基于PSO算法的核向量回归核函数参数优化
• 5.2.1 粒子群随机优化算法（PSO）原理
• 5.2.2 CVR核向量回归参数
• 5.2.3 基于PSO-CVR的短期负荷预测模型
• 5.3 基于PSO-CVR的短期负荷预测系统的设计及实验分析
• 5.3.1 负荷预测系统功能模块
• 5.3.2 数据库设计
• 5.4 试验介绍及结果分析
• 5.4.1 试验用数据样本集的构造
• 5.4.2 试验及结果分析
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 本文的主要工作
• 6.2 未来工作的展望
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况