基于小波去噪的组合预测模型及其在短期电力负荷预测中的应用

论文摘要

电力负荷数据作为一个时间序列,由于受波动的电力市场的影响,使得该序列具有较高的噪声。若直接对有噪声的负荷数据进行预测,将会产生较高的误差。在本文中,为了克服该缺点,一个基于小波去噪的组合了含有季节项的累积式自回归-移动平均（SARIMA）和BP神经网络的预测模型被提了出来。提出的该组合模型的预测过程如下：1)用小波去噪的方法剔除原始负荷数据的噪声。原始数据信号通过小波变换的方法分解成低频信号和高频信号,低频信号给出了原始信号的特征,而高频信号通常情况下是噪声。将原始信号中代表噪声的高频信号剔除,保留信号中的低频信号,这样就剔除了数据中的噪声。2)分别用SARIMA模型和BP神经网络模型对低频信号进行建模,并做了相应的模型检验和预测。3)一个基于方差-协方差法确定组合权重的组合模型对上述单个模型预测的结果进行了组合预测。最后,应用新建立的组合预测模型对澳大利亚新南威尔士地区的电力负荷数据进行了短期的预测,并对预测误差进行比较分析。试验结果表明：基于小波去噪的组合预测模型优于其中单一的预测模型和一般的组合模型,并显示出较好的预测能力。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 电力负荷预测的研究意义和背景
• 1.1.1 电力系统负荷预测的意义
• 1.1.2 电力负荷预测的分类
• 1.1.3 电力负荷预测的特点
• 1.1.4 电力负荷预测的步骤
• 1.2 电力负荷预测方法研究
• 1.2.1 电力负荷预测方法研究现状
• 1.2.2 电力负荷预测中存在的问题
• 1.3 本文研究内容
• 1.4 本文结构
• 第二章 小波去噪理论
• 2.1 小波分析常用记号
• 2.2 连续小波变换
• 2.2.1 小波变换的定义及反演
• 2.2.2 小波变换的时频分析
• 2.2.3 常用小波函数
• 2.3 离散小波变换
• 2.3.1 离散小波的定义
• 2.3.2 小波框架的概念及由框架重建原函数
• 2.4 小波基的特点和选取原则
• 2.4.1 小波基的特点
• 2.4.2 小波基的选取原则
• 2.5 小波变换用于信号去噪的原理及步骤
• 2.5.1 小波去噪的原理
• 2.5.2 小波去噪的步骤
• 2.6 本章小结
• 第三章 预测模型研究
• 3.1 SARIMA预测模型
• 3.2 人工神经网络模型
• 3.2.1 人工神经网络简述
• 3.2.2 BP神经网络
• 3.2.2.1 神经元的模型结构
• 3.2.2.2 BP算法原理
• 3.2.2.3 BP算法步骤
• 3.2.2.4 BP网络结构的确定
• 3.3 电力负荷预测工作的误差分析指标
• 3.4 本章小结
• 第四章 基于小波去噪的组合预测模型及其应用研究
• 4.1 组合预测模型
• 4.1.1 组合预测模型简介
• 4.1.2 组合预测模型权重的确定
• 4.2 基于小波去噪的组合预测模型在电力负荷预测中的应用
• 4.2.1 试验数据集
• 4.2.2 提出的组合预测模型的建模过程
• 4.2.2.1 小波去噪
• 4.2.2.2 数据试验
• 4.2.3 试验结果和讨论
• 4.3 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 在学期间的研究成果
• 致谢