考虑历史数据影响因素的电力系统短期电量预测研究

论文摘要

随着电力市场的不断发展，电量预测已成为电力系统人员制定正确决策的依据和保证。基于准确的电量预测，系统调度中心可以经济合理地安排发电机组的启停，有效地降低发电成本，提高经济效益和社会效益，因此研究如何准确地进行电量预测具有重要的现实意义。本文在标准支持向量机的基础上，结合D-S证据理论，重点从电量历史数据的影响因素和电量预测误差精确度两方面进行研究，主要工作如下：首先，选取电耗系数、环比历年曲线图、温度差值等特征，分别建立基于四个历史数据影响因素的证据融合识别框架，提出用证据理论对所取历史数据进行融合的理论，避免传统方法上只考虑电量负荷曲线的相似度或温度等单一影响因素，通过证据融合得到与预测月电量特征相似的电量值，并且根据识别框架补全数据，保证支持向量机训练数据的正确性和完整性。其次，研究基于D-S证据理论的支持向量机算法，此方法在证据融合的基础上对原始电量数据进行预处理，解决原始数据特征出现明显波动的问题，剔除原始数据中与预测电量特征相差太大的数据，简化历史数据序列的变化规律。进而建立支持向量机预测模型，并在选取参数时进行仿真实验，得到适合本样本的最佳参数。最后，将基于D-S证据理论的支持向量机算法和标准的支持向量机算法分别用于电量预测，将得到的两组数据，进行误差分析和比较，结果表明本文提出的方法预测结果精度明显提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及研究目的和意义
• 1.2 电量预测国内外研究现状
• 1.2.1 短期电量预测方法
• 1.2.2 短期电量预测发展
• 1.3 电量预测误差分析
• 1.3.1 误差产生原因
• 1.3.2 误差分析
• 1.4 本文所做的工作
• 第2章 电量预测基本理论
• 2.1 引言
• 2.2 电量预测的基本概念
• 2.2.1 电量预测的基本原理
• 2.2.2 电量预测的特点
• 2.2.3 电量预测的现代特征
• 2.3 电量预测的基本步骤
• 2.4 影响电量预测的主要因素
• 2.5 支持向量机算法
• 2.6 本章小结
• 第3章 D-S 证据理论在电量预测历史数据中的应用
• 3.1 引言
• 3.2 D-S 证据理论
• 3.2.1 基本定义
• 3.2.2 Dempster 合成法则
• 3.2.3 对不确定证据的折扣处理
• 3.3 建立证据融合识别框架
• 3.3.1 基于经济因素影响的识别框架
• 3.3.2 基于电量趋势相似度的识别框架
• 3.3.3 基于电量形状相似度的识别框架
• 3.3.4 基于温度因素影响的识别框架
• 3.4 算例仿真
• 3.4.1 数据选取
• 3.4.2 样本选择
• 3.4.3 证据融合结果对比
• 3.5 本章小结
• 第4章 基于历史数据证据融合的支持向量机电量预测
• 4.1 引言
• 4.2 训练函数
• 4.3 基于证据融合支持向量机的电量预测
• 4.3.1 基于证据融合的 SVM 结构
• 4.3.2 证据融合支持向量机算法流程
• 4.4 实例仿真
• 4.4.1 参数选取分析
• 4.4.2 数据对比与误差结果分析
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介