基于模糊聚类分析与最小二乘支持向量机的短期负荷预测

论文摘要

电力系统短期负荷预测是电力系统一项非常重要的基础工作,涉及到发电、输电以及电能分配等方面的合理安排。准确的、可靠的电力短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义。随着电力系统日趋复杂化,尤其是随着电力市场竞争机制的逐步深入,短期负荷预测被赋予了更高的要求。因此,快速、准确的短期负荷预测在电力系统运行、调度与控制中具有十分重要的理论现实意义。本文在对现有各种预测算法进行深入、细致研究的基础上,分析了各种算法的优缺点以及其所适用的范围,尤其对历史数据特征的提取、相关影响因素及预测模型、预测方法进行了深入的研究。针对不同负荷特征及呈现的规律,将模糊聚类分析引入短期负荷预测中,提出了基于优化FCM聚类分析和LS-SVM的短期负荷预测新方法。在考虑电力负荷变化周期性的基础上,通过对历史负荷样本的优化FCM分析,获取了负荷样本的最优模式分类和预测时刻的最优训练样本集,强化了参与LS-SVM训练建模的负荷样本的输入-输出数据规律性,保障了训练样本在更高程度上近似满足相同的输入-输出函数关系,实现了优化FCM聚类分析和LS-SVM算法的有效结合。在减少训练样本的同时,提高了LS-SVM模型的预测效果,并以仿真实验证明了所提混合模型的有效性。最后,将本文采用的组合方法取得的结果与单一LS-SVM模型及BP模型算法所得的结果相比较,证明该方法具有较高的精度,取得了令人满意的结果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 电力系统负荷预测的研究背景及意义
• 1.1.1 负荷预测的概念
• 1.1.2 负荷预测的分类
• 1.1.3 负荷预测的特点
• 1.1.4 短期负荷预测概念及意义
• 1.2 国内外短期负荷预测研究和应用现状
• 1.2.1 传统的短期负荷预测方法
• 1.2.2 现代的短期负荷预测方法
• 1.2.3 短期负荷预测方法应用现状分析
• 1.3 本文所做的工作及章节安排
• 2 负荷预测的数据处理与模糊聚类分析
• 2.1 负荷分类和特性分析
• 2.1.1 电力负荷的分类
• 2.1.2 短期负荷特性分析
• 2.2 负荷历史数据预处理
• 2.2.1 异常数据的分析
• 2.2.2 异常数据的辨识与处理
• 2.3 负荷预测误差分析
• 2.3.1 误差产生原因
• 2.3.2 误差分析
• 2.4 优化模糊C均值聚类分析
• 2.4.1 聚类分析的基本概念
• 2.4.2 模糊划分空间
• 2.4.3 模糊C均值聚类算法
• 2.4.4 优化模糊C均值聚类算法及流程
• 3 最小二乘支持向量机与短期负荷预测
• 3.1 统计学理论基础和支持向量机概述
• 3.1.1 统计学习理论
• 3.1.2 支持向量机基本原理
• 3.2 最小二乘支持向量机（LS-SVM）原理
• 3.2.1 支持向量机回归（SVR）模型
• 3.2.2 核函数选取
• 3.2.3 最小二乘支持向量机（LS-SVM）回归模型
• 3.3 基于LS-SVM的短期负荷预测
• 3.3.1 基于LS-SVM短期负荷预测参数选取
• 3.3.2 基于LS-SVM短期负荷预测步骤
• 3.3.3 误差评价标准及算例分析
• 4 基于模糊聚类分析与LS-SVM的短期负荷预测模型及仿真实例
• 4.1 模型构建及算法流程
• 4.1.1 建模及预测的具体步骤
• 4.1.2 负荷预测的基本流程
• 4.2 预测实例及算例分析
• 4.3 本章小结
• 5 结论及展望
• 5.1 本文所得结论
• 5.2 未来工作展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文
• 攻读硕士期间参与的科研项目