论文部分内容阅读
电力负荷预测问题一直是电力系统调度、运行和规划的重要研究内容，电力负荷预测方法各有特点，针对不同的气象条件、负荷基础、负荷发展阶段等的负荷预测方法更是理论及工程的迫切需求。本文将极限学习机以及经验模式与极限学习机组合的两种方法应用于电力系统短期负荷预测中，并对湖南某市的实际负荷进行预测。
分析负荷变化的周期性、连续性和波动性等典型特点是负荷预测的前提和基础，其中周期性变化规律主要体现为年周期性、周周期性和日周期性等，且受到多种因素的影响。影响负荷变化的因素中，气象因素和日期类型对短期负荷的影响尤为明显。根据影响因素的不同，负荷可以由典型负荷分量，气象敏感负荷分量，异常或特殊事件负荷分量和随机负荷分量构成。为了使样本数据符合计算要求，剔除坏数据以及冗余数据的干扰，防止计算溢出，同时提高负荷预测的精度需对样本数据进行预处理。
极限学习机是一种新型的单隐层前馈神经网络，将其引入电力系统，并利用其预测功能应用到短期负荷预测中。分析与研究极限学习机算法原理以及其学习训练方法，其具有结构简单、学习速度快、泛化性能良好、全局最优等特点，能快速、准确地预测负荷值。以湖南C市为仿真算例，结果表明在于短期负荷预测的预测精度和运算时间方面，极限学习机较BP神经网络方法具有其独特的优势。
气象、日期等负荷的影响因素主要影响典气象敏感负荷分量以及型负荷分量中的周期分量，相关性较高，而对典型负荷分量中趋势分量的相关性相对较小。为准确反映气象、日期与气象敏感负荷分量以及典型分量中周期分量的非线性关系，提高负荷预测的精准度，引入经验模式分解，将趋势分量从负荷中分解出来。采用多项式拟合预测趋势分量，采用极限学习机预测其它负荷分量，后重新叠加组合得到预测负荷值。以湖南C市为仿真算例，结果表明经验模式分解和极限学习机应用于短期电力负荷组合预测是可行的，有着较高的预测准确度和预测速度，能较好地反映负荷的变化趋势，并具有良好的自适应性。