基于小波和神經(jīng)網(wǎng)絡算法的電力系統(tǒng)短期負荷預測的研究.pdf

1、隨著電力事業(yè)的發(fā)展及電網(wǎng)管理日趨現(xiàn)代化，電力系統(tǒng)短期負荷預測問題的研究也越來越引起人們的關注，成為現(xiàn)代電力系統(tǒng)運行研究中的重要課題，也是研究電力系統(tǒng)規(guī)劃問題、電力系統(tǒng)經(jīng)濟運行及其調度自動化的重要依據(jù)。 電力負荷預測具有需要預測的數(shù)據(jù)個數(shù)多、影響預測的物理因素復雜且預測精度要求高等特點?？紤]到電力負荷的特點提出了將小波變換和傅立葉基神經(jīng)網(wǎng)絡相結合的綜合算法，對電力系統(tǒng)短期負荷預測進行了系統(tǒng)而深入的研究。 通過小波多分辨率分

2、析和小波包變換分別對歷史負荷序列進行分解的結果，小波變換可以將負荷序列分解到不同的頻段上，負荷序列是以周為大周期變化，以日為小周期變化，“大周期”中嵌套“小周期”規(guī)律變化，同時也得出小波包可以對信號的低頻部分再做更進一步的分解，使低頻部分的周期性體現(xiàn)的更明顯。 分析了傅立葉基神經(jīng)網(wǎng)絡算法中學習率的選取和神經(jīng)網(wǎng)絡算法的收斂性的問題，為神經(jīng)網(wǎng)絡學習率的大小選擇提供了理論依據(jù)。由于學習率的大小對神經(jīng)網(wǎng)絡收斂性有重要影響，太小會使神經(jīng)網(wǎng)

3、絡收斂很慢，增加了計算量；太大又會使神經(jīng)網(wǎng)絡出現(xiàn)震蕩現(xiàn)象而無法收斂，對負荷預測的結果有較大的影響。 仿真研究結果表明，與小波多分辨率相比，小波包變換更能有效分析負荷序列。在電力系統(tǒng)短期負荷預測方法中，本文使用了傳統(tǒng)的BP人工神經(jīng)網(wǎng)絡算法(BP-ANN)和小波包變換與傅立葉基BP神經(jīng)網(wǎng)絡綜合算法(FT-ANN+BP-ANN)，并取得了一系列研究結果。本文的主要思想是傅里葉基神經(jīng)網(wǎng)絡對小波包分解的序列結果進行訓練以獲得電力系統(tǒng)短期負