论文部分内容阅读
短期(电力)负荷预测根据历史负荷数据,综合天气、温度、季节等其它影响因素对未来一天至一周电力需求做预报的过程,短期(电力)负荷预测对于保证电力系统的安全高效运行有着举足轻重的作用。近年来,随着人类在各个海域勘探与开采工作的不断增加,海洋资源开发和利用规模不断扩大,海上油田群电网作为海洋平台的电能供应保障基础,得到快速发展。海上油田群电网是由船舶电力系统逐步发展而来,其负载多为大功率异步电动机,负荷变化相对较大,又易受到环境变化的影响。加上平台由柴油机、燃气轮机发电机组供电,发电容量十分有限,因而,提高短期负荷预测精度对于海上油田群电网而言更为重要。本文首先介绍了海上油田群电网短期负荷预测的目的和意义,阐述了国内外短期负荷预测的现状。介绍了电力负荷预测的分类与基本流程,详细阐释了各类负荷预测方法的优缺点。对海上油田群电网的结构和特殊性进行了探讨,归纳了海上油田群电网负荷预测的特点。针对海上油田群电网短期负荷预测的特点,剖析并最终量化了日类型、温度、天气类型等负荷主要影响因素,为后续的预测工作奠定了基础。然后全面阐明了支持向量机的基本原理,支持向量机具备非线性拟合、泛化能力强、训练收敛速度快等明显特点。详细阐述了 2015年美国学者提出的一种新型群智能优化算法——蜻蜓算法。蜻蜓算法算法简洁明了,实现起来相对简单,同时算法参数较少,方便调节,整体计算量不大并且具有优良的全局寻优能力,收敛时间快且精度相对较高。最后针对支持向量机在各类场景应用中实际存在的一些问题,包括数据预处理、核函数选取、参数优化的方法,做出分析,并总结了现行的解决方法。在研究支持向量回归机的各参数对其性能有很大影响的基础上,结合海上油田群电网负荷预测特点,本文提出基于蜻蜓算法优化支持向量机(DA-SVM)方法以预测海上油田群电网短期(电力)负荷。该方法将需要优化的支持向量机惩罚因子C和核参数σ组合作为蜻蜓的位置,将支持向量机计算的预测准确率作为蜻蜓当前的适应值。迭代出蜻蜓群体最佳位置即为支持向量机最优C、σ.参数。利用DA-SVM算法对中国渤海某海上油田群电网进行短期负荷预测,并与PSO-SVM、GA-SVM、BP神经网络模型预测结果对比。实验结果表明DA-SVM算法步骤简洁、全局搜索能力强,拥有更高的预测精度及更好的运算速度。