資源描述：
《電力系統(tǒng)短期負(fù)荷智能預(yù)測(cè)方法的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、摘要電力系統(tǒng)負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，尤其是在電力市場(chǎng)條件下，負(fù)荷預(yù)測(cè)不僅對(duì)電力系統(tǒng)操作人員、電力市場(chǎng)規(guī)劃者、供電者有著重要的作用，而且對(duì)其他的電力市場(chǎng)參與者也顯得很重要。當(dāng)負(fù)荷預(yù)測(cè)的差額造成大量運(yùn)行成本和利潤(rùn)的損失時(shí)，高精度和快速的負(fù)荷預(yù)測(cè)就成為電力系統(tǒng)可靠運(yùn)行和電力市場(chǎng)供求平衡的保證，因此對(duì)先進(jìn)的智能預(yù)測(cè)方法進(jìn)行研究是很有必要的。本文以咸陽(yáng)地區(qū)購(gòu)網(wǎng)有功功率的負(fù)荷數(shù)據(jù)為背景，建立了兩個(gè)預(yù)測(cè)模型——神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型及小波神經(jīng)網(wǎng)絡(luò)組合負(fù)荷預(yù)測(cè)模型。利用這兩個(gè)模型進(jìn)行短期負(fù)荷預(yù)測(cè)工作，并對(duì)
2、其結(jié)果進(jìn)行比較。針對(duì)傳統(tǒng)的BP算法具有i)JJ練速度慢，易陷入局部最小點(diǎn)的缺點(diǎn)，采用具有較快收斂速度及穩(wěn)定性的L廠M(Levenberg-Marquardt)優(yōu)化算法進(jìn)行預(yù)測(cè)，使平均相對(duì)誤差有了很大改善。針對(duì)I廣M優(yōu)化算法的BP模型(LIVIBF模型)峰值預(yù)測(cè)效果較差的情況，采用了MRA(,J,波多分辨率分析)+LMBP組合負(fù)荷預(yù)測(cè)模型進(jìn)行改進(jìn)。通過(guò)使用多分辨率分析將負(fù)荷序列分解成具有不同頻率特征的序列，從而更加清楚地表現(xiàn)出負(fù)荷序列的周期性和規(guī)律性。對(duì)分解后的分量根據(jù)其特點(diǎn)構(gòu)造相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行預(yù)測(cè)
3、，最后將各分量預(yù)測(cè)結(jié)果迭加，以獲得最終預(yù)測(cè)結(jié)果。仿真結(jié)果證明組合模型提高了預(yù)測(cè)精度，尤其是在一定程度上提高了每同峰值負(fù)荷的預(yù)測(cè)精度，具有良好的應(yīng)用前景。關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)小波分析優(yōu)化算法ABSTRACTAccurateforecastofshort．termelectricalloadisveryimportanttothesecurityofpOwersystemandeconomv．Especiallyunderpowermarketcondition，loadforecastingiSb
4、ecomingevenmoreimportant，nOtonlyforsystemoperators，butalsoformarketoperators，transmissionowners，andanyothormarketparticipants．Thasthehighforecastingaccuracyandspeedarcrequirednotonlyforreliablesystemoperation，butalSOforadequatemarketoperation，asbethunder-f
5、orecastsandover-forecastswouldresultinincreasedoperationalcoStSand10ssofrevenue．Soitisnecessarytoresearchadvancedtheoryofintelligenttechnelogy．BasedOiltheloaddataofmeritoriouspowerofXianyangareapowersystem，thisPaperestablishestwomodels，ANNandwNN，tocarryout
6、loadforecastingwork，andcomparetheresults．SincethetraditionalBPalgorithmhassomeunavoidabledisadvantages，suchasslowtrainingspeedandpossibilityoflocalminimizingtheoptimizedfunction，alloptimizedLMalgorithm，whichcanacceleratethetrainingofneuralnetworkandimprove
7、thestabilityoftheconvergence，shouldbeappliedtoforecastthereductionofthemeanrelativeerror．Meanwhile，becausethebadforecastingoft11eerrorofpeakloadisbasedOnthemodelofLMBR也isthesisintroducesaMRA＆U誣BPmodel．Throu曲applyingthismodel，theloadserialsaredecomposedtodi
8、fierentsub-serials，whichshowthedifferent丘equencycharacteristicsoftheloadandshow-significantregularityandperiodicitythantheoriginalloadserials．Meanwhile．a(chǎn)naftifidalneuralnetworkiSconstructedtOpredicteachsub-se
