資源描述：
《基于HHT的電力系統(tǒng)負(fù)荷預(yù)測(cè)》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、第32卷第3期四川電力技術(shù)Vo1．32，No．32009年6月SichuanElectricPowerTechnologyJun．，2009基于HHT的電力系統(tǒng)負(fù)荷預(yù)測(cè)白瑋莉，劉志剛，王奇。周登登(西南交通大學(xué)電氣化自動(dòng)化研究所，四川成都610031)摘要：針對(duì)電力系統(tǒng)負(fù)荷序列既具有波動(dòng)性又具有特殊周期性，目前常用負(fù)荷分析方法多依賴主觀經(jīng)驗(yàn)的問(wèn)題，而提出基于HHT的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法，將原本復(fù)雜的時(shí)間序列分解成具有一定規(guī)律和周期性的分量之和，求其頻譜，對(duì)各個(gè)分量進(jìn)行頻率特征分析，分別選用相適應(yīng)的預(yù)測(cè)
2、方法，最后將各個(gè)分量預(yù)測(cè)結(jié)果相加得到最終預(yù)測(cè)值。此方法克服了負(fù)荷數(shù)據(jù)波動(dòng)性大，頻率復(fù)雜難于精確預(yù)測(cè)的問(wèn)題。用此種方法對(duì)短期和中期負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，仿真結(jié)果表明此方法有較高的精度。關(guān)鍵詞：負(fù)荷預(yù)測(cè)；HHT；頻譜；短期和中期Abstract：Theloadsequenceofpowersystemhasbothvolatilityandperiodicity，butthecommonloadanalysismethodsmostlydependonsubjectiveexperiencesatpres
3、ent．AmodelbasedonHHTisproposed．Thecomplexloadseriescanbedecomposedtoseveraldifferentserieswithcertainregularityandperiodicity．Throughcalculatingthespectrumofdecomposedseries，thedifferentforecastingmethodscanbechosenaccordingtothefeaturesofdecomposedcomp
4、onents．Thesuperpositionofforeeas-ringresultsofthecomponentscanbeobtainedastheultimateforecastingvalueatlast．Theproblemsthatthefaultofloaddatahasthecomplexfrequencyandisdifficulttobepredictedaccuratelycanbeovercome．Theshort—timeandmonthlyloadfore—casting
5、resultsshowthattheproposedmethodcanimproveforecastingaccuracyefectively．Keywords：loadforecasting；HHT；spectrum；short—timeandmonthly中圖分類號(hào)：TM715文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003—6954(2009)03—0009—05長(zhǎng)期以來(lái)，國(guó)內(nèi)外學(xué)者對(duì)負(fù)荷預(yù)測(cè)的理論和方法一定的干擾，文獻(xiàn)[9]對(duì)EMD分解后的子序列全部做了大量的研究，提出了各種各樣的預(yù)測(cè)方法，除傳利用SVM進(jìn)行
6、預(yù)測(cè)，沒有考慮每個(gè)分量的特點(diǎn)及預(yù)統(tǒng)的時(shí)間序列法外，研究較多的是以人工神經(jīng)網(wǎng)絡(luò)法測(cè)方法的適應(yīng)性，具有一定的不合理性。文獻(xiàn)[10]為代表的新型智能方法，它由于具有并行分布信息、將EMD分解后的子序列重構(gòu)成三個(gè)分量，用三種不自學(xué)習(xí)及任意逼近連續(xù)函數(shù)的能力，尤其能實(shí)現(xiàn)非線同的預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，這與利用EMD分解提高預(yù)性映射，能捕獲電力負(fù)荷的各種變化趨勢(shì)，受到研究測(cè)精度的初衷自相矛盾。這里提出基于HHT的電力人員的青睞。另外模糊理論¨。J、專家系統(tǒng)J、卡爾系統(tǒng)負(fù)荷預(yù)測(cè)法，通過(guò)實(shí)際數(shù)據(jù)檢驗(yàn)，此方法可提高曼濾波J、
7、聚類分析J、混沌分型理論J、數(shù)據(jù)挖預(yù)測(cè)精度。掘等方法均有成功應(yīng)用，它們共同的特點(diǎn)是考慮天氣濕度等外界因素對(duì)負(fù)荷數(shù)據(jù)直接進(jìn)行整體性預(yù)1HHT算法簡(jiǎn)介測(cè)，分析方法多依賴于主觀經(jīng)驗(yàn)，對(duì)數(shù)據(jù)序列的內(nèi)在規(guī)律提取不夠。電力系統(tǒng)負(fù)荷序列既具有波動(dòng)性又HHT(Hilbert—HuangTransform)¨是全新的信具有特殊的周期性，可看作多個(gè)不同頻率分量的疊號(hào)處理方法，它由經(jīng)驗(yàn)?zāi)B(tài)分解法EMD及Hilbert變加。每個(gè)分量呈近似周期變化，具有相似的頻率特性換兩部分組成。EMD算法的目的是將性能不好的信和一致的變化規(guī)
8、律，也具有更強(qiáng)的可預(yù)測(cè)性。因此，號(hào)分解為一組性能較好的具有瞬時(shí)頻率的固有模態(tài)在對(duì)負(fù)荷進(jìn)行頻域分解的基礎(chǔ)上，根據(jù)各頻率分量特函數(shù)(IMF)和具有單調(diào)性或一個(gè)極值點(diǎn)的余項(xiàng)尺。點(diǎn)進(jìn)行建模是提高預(yù)測(cè)精度的有效途徑。文獻(xiàn)[8]該方法分解過(guò)程基于數(shù)據(jù)信號(hào)局部特征，不需要預(yù)先利用小波方法有一定的改進(jìn)，但小波的固有缺點(diǎn)是小設(shè)定參數(shù)，是自適應(yīng)的。分解得到的IMF分量都是波基的選擇對(duì)分析結(jié)果的影響較大，對(duì)分析過(guò)程造成平穩(wěn)的，包含原始信號(hào)的局部特征信息，尤其適用于基金項(xiàng)目：教
