带扩展记忆的粒子群优化算法及其在电力系统短期负荷预测中应用

论文摘要

随着电力市场的逐步民营化和自由化,电力负荷需求的预测对于电网的规划、能量消耗及安全运行影响越来越重大,引起一些国家和地区的高度重视和广泛关注。最近几十年,众多专家学者就如何提高电力负荷预测精度提出了各种各样的方法。经典的基于数学统计方法的预测模型,由于很难表明影响负荷相关因素复杂的非线性关系,无法达到令人满意的预测精度。实现结构风险最小化（Structural risk minimization,SRM）而不是像传统的神经网络实现经验风险最小化的支持向量机（Support Vector Machine,SVM）成为负荷预测方法研究的热点。SRM最小化泛化误差而不是训练误差,使得SVM具有最优的网络结构。此外,SVM等价于解线性凸二次规划问题,这样SVM的解总能获取全局唯一最优值。正是SVM在求解非线性回归问题方面有这些独特的优势,将SVM引入到短期负荷预测中是可行的。针对标准粒子群优化算法在搜索最优解过程中方向性差、目的性弱的缺陷,本文将带扩展记忆的粒子群优化算法（Particle Swarm Optimization with Extended Memory,PSOEM）与SVM结合,建立PSOEM-SVM预测模型。利用PSOEM优化SVM的参数,实现参数寻优的自动化,避免参数选择的盲目性。既能发挥SVM的泛化能力,又能改善粒子群优化算法全局搜索能力,提高搜索的精度和速度。然而,提高预测精度还需要充分了解和准确把握负荷变化规律和外界因素影响。利用经验模式分解（Empirical Mode Decomposition,EMD）方法,在历史负荷数据的预处理阶段,将非线性非平稳的电力负荷序列分解为若干个独立的本征模态函数（Intrinsic Mode Function,IMF）和余项,对各个分量分别进行分析,揭示负荷变化特性和环境因素影响。在对各分量特性及影响因素进行分析的基础上,选择合适的核函数,分别建模预测,再将各分量的预测结果重构得出最终的预测值。为了进一步减少计算量,提高运算速度,针对分解的各IMF分量和余项的特性进行归纳,简化了预测流程。最后通过欧洲智能技术网络（EUropean Network on Intelligent TEchnologies for Smart Adaptive Systems,EUNITE）电力负荷预测竞赛作为仿真实例,验证了PSOEM-SVM预测模型的有效性。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 短期电力负荷预测的目的和意义
• 1.2 短期电力负荷预测的发展和研究现状
• 1.3 课题研究的主要内容
• 1.4 小结
• 2 短期负荷预测模型分析
• 2.1 负荷预测的特点和原理
• 2.1.1 负荷预测的特点
• 2.1.2 负荷预测的原理
• 2.2 负荷预测的影响因素
• 2.3 负荷预测的常用模型
• 2.3.1 数学统计方法
• 2.3.2 人工智能方法
• 2.4 预测模型的选择
• 2.5 小结
• 3 基于 PSOEM 和 SVM 的电力系统短期负荷预测模型
• 3.1 支持向量机回归理论
• 3.2 支持向量机回归中的参数作用
• 3.3 带扩展记忆的粒子群优化算法
• 3.3.1 PSO 和 PSOEM 算法
• 3.3.2 PSO 和 PSOEM 稳定范围
• 3.3.3 PSO 和 PSOEM 仿真对比
• 3.4 基于PSOEM 和SVM 建模算法
• 3.5 小结
• 4 实例仿真及分析
• 4.1 历史负荷数据的预处理
• 4.1.1 经验模式分解原理
• 4.1.2 历史负荷数据分析
• 4.1.3 历史负荷数据准备
• 4.2 负荷预测的实现
• 4.2.1 负荷预测流程
• 4.2.2 仿真实验
• 4.3 小结
• 5 总结及展望
• 致谢
• 参考文献
• 附录
• A. 作者在攻读学位期间发表的论文目录
• B. 作者在攻读学位期间取得的科研成果目录