基于智能算法的改进中长期负荷预测模型研究

论文摘要

当前我国正处在经济发展阶段,复杂而繁多的不确定因素对电力需求预测造成了一定难度。传统负荷预测建模方法无法根据不确定性因素的变动灵活调节模型结构与参数,难以适应当前环境下的负荷需求预测。因此,如何充分考虑未来各种不确定性因素,并实现负荷预测的智能化,是当前中长期负荷预测研究的重点。针对现有非参数负荷预测方法的不足,本文分别采用遗传算法改进了传统系统动力学模型,采用数据分组多层算法改进了变权重组合预测模型,以充分利用智能算法在处理不确定性、改善预测模型适应性方面的优势。论文的主要内容包括:1、对现有的负荷预测方法及其优缺点,尤其是系统动力学方法和组合预测方法,进行了详细的介绍。从中长期负荷预测影响因素繁杂、多变、非线性等特点出发,探讨了遗传算法和数据分组处理方法等两种智能算法在改进中长期负荷预测上的可行性。同时,介绍了负荷预测中不确定性信息的处理方法。2、利用遗传算法在优化传统系统动力学模型结构及估计参数方面的优势,提出了基于遗传算法的改进系统动力学负荷预测模型,以避免原模型过于机械化、人为割裂系统边界以及参数敏感性过高等问题,并充分考虑了各类不确定性因素,使系统动力学在负荷预测中的应用得到进一步扩展。3、利用数据分组处理方法GMDH在非线性高次系统建模上的优势,建立了基于GMDH求解权值的变权重组合负荷预测模型,模型是对非线性时变权值的有效尝试,预测精度相比一般组合预测模型有了明显提高。同时,对该模型进行可变权误差修正,使其能够充分考虑不确定性因素的影响,有利于进一步提高组合预测模型的适应性。4、以中国某区域电网1990-2008年实际数据为例,通过Vensim PLE 5.0与MATLAB 7.0软件编程计算。采用上述模型给出了“十二五”期间的负荷预测结果,并解析了结构调整和技术进步两个不确定性因素对预测结果的影响。分析表明,该区域未来五年内仍将保持电力电量的高速增长,经济危机对中国负荷预测走势影响持续性不长。而二产比重下调、技术进步都将拖动用电量下调,同时由于技术进步的累积效应,其长期的负拖动作用将日益明显。本文所建立的模型能够充分考虑中长期负荷预测中的不确定性因素,同时具备智能算法的灵活性和自适应能力,模型精度与适应性均有了进一步提高。模型尤其适合当前我国经济、政策变化较大时期的中长期负荷预测,同时也为考虑不确定性因素的智能中长期负荷预测模型研究提供了有效的参考。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 中长期负荷预测的研究现状
• 1.2.1 经典负荷预测方法
• 1.2.2 传统负荷预测方法
• 1.2.3 新型负荷预测方法
• 1.3 本文主要工作
• 第二章 智能算法与不确定性理论
• 2.1 引言
• 2.2 智能算法
• 2.2.1 遗传算法
• 2.2.2 数据分组处理方法
• 2.3 不确定性理论
• 2.3.1 置信区间求取
• 2.3.2 负荷预测中不确定性的表述
• 2.4 本章小结
• 第三章 基于遗传算法的改进SD 负荷预测模型研究
• 3.1 引言
• 3.2 建模步骤
• 3.3 模型描述
• 3.3.1 模型层次结构
• 3.3.2 因素归纳与流图分析
• 3.4 模型求解
• 3.4.1 系统动力学模型求解
• 3.4.2 遗传算法求解
• 3.5 本章小结
• 第四章 智能组合负荷预测模型研究
• 4.1 引言
• 4.2 模型描述
• 4.2.1 模型的一般描述
• 4.2.2 模型的GMDH 描述
• 4.3 建模步骤
• 4.3.1 预测决策
• 4.3.2 模型评估与筛选
• 4.3.3 GMDH 求解权重
• 4.3.4 可变权误差修正
• 4.4 本章小结
• 第五章 实例计算与分析
• 5.1 引言
• 5.2 数据准备
• 5.3 基于遗传算法的改进SD 负荷预测模型结果
• 5.3.1 子模块预测结果
• 5.3.2 总预测结果
• 5.4 智能组合负荷预测模型结果
• 5.4.1 预测决策
• 5.4.2 预测结果
• 5.5 未来年负荷预测结果
• 5.5.1 预测结果
• 5.5.2 不确定性因素敏感性分析
• 5.6 本章小结
• 第六章 结论与展望
• 6.1 本文主要研究成果
• 6.2 后续工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用论文情况