基于群集智能與算法融合的電力負(fù)荷組合預(yù)測(cè).pdf

1、電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)進(jìn)行規(guī)劃設(shè)計(jì)的基礎(chǔ)，是電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性與可靠性的保證。由于電力負(fù)荷本身具有一定的不確定性、非線性、隨機(jī)性等內(nèi)在特點(diǎn)，負(fù)荷預(yù)測(cè)一直是學(xué)術(shù)研究的前沿與熱點(diǎn)問題。隨著電力市場(chǎng)的發(fā)展，負(fù)荷變化規(guī)律的復(fù)雜程度增加，而傳統(tǒng)的單一預(yù)測(cè)方法自適應(yīng)能力較差，問題的復(fù)雜性與求解方法的局限性之間的矛盾更加突出，預(yù)測(cè)不一定能得到滿意的結(jié)果，因此，組合預(yù)測(cè)的探討成為當(dāng)今負(fù)荷預(yù)測(cè)的研究重點(diǎn)之一。組合預(yù)測(cè)能綜合更多信息，增強(qiáng)單一的預(yù)測(cè)方法之

2、間的互補(bǔ)，能夠更完整的描述負(fù)荷的發(fā)展規(guī)律，達(dá)到提高預(yù)測(cè)精度的目的。組合預(yù)測(cè)思路主要有兩方面：其一，從模型自身的優(yōu)化與完善的角度，提出將學(xué)習(xí)算法和單一預(yù)測(cè)技術(shù)相結(jié)合的組合預(yù)測(cè)，用學(xué)習(xí)算法優(yōu)化單一預(yù)測(cè)模型的相關(guān)參數(shù)以提高預(yù)測(cè)模型的預(yù)測(cè)精度。其二，將多種單一預(yù)測(cè)方法得到結(jié)果按一定方式結(jié)合起來(lái)，綜合利用各種預(yù)測(cè)方法所提供的相關(guān)信息，并在綜合這些信息的基礎(chǔ)之上進(jìn)行最優(yōu)組合。
　　 本文針對(duì)電力負(fù)荷自身特點(diǎn)，引入群集智能優(yōu)化計(jì)算方法以及組合

3、預(yù)測(cè)技術(shù)，對(duì)電力負(fù)荷預(yù)測(cè)的理論與方法進(jìn)行研究，取得了一定具有理論意義和實(shí)用價(jià)值的成果，主要研究工作與成果如下：
　　 （1）針對(duì)負(fù)荷預(yù)測(cè)中對(duì)單一預(yù)測(cè)模型進(jìn)行優(yōu)化的問題，研究群集智能優(yōu)化計(jì)算方法及其改進(jìn)，提出一種新的自適應(yīng)粒子群算法(FAPSO)，該算法根據(jù)粒子適應(yīng)值的變化動(dòng)態(tài)調(diào)整慣性權(quán)重的數(shù)值，平衡粒子的探索和開發(fā)兩種搜索行為，提高粒子搜索能力的自適應(yīng)性。同時(shí)在算法中加入極值擾動(dòng)策略，防止算法陷入局部最優(yōu)。對(duì)FAPSO算法進(jìn)行了

4、收斂性分析與收斂性測(cè)試，由仿真結(jié)果可知，與經(jīng)典粒子群算法PSO比較，F(xiàn)APSO具有更快的收斂速度與更可靠的全局收斂性。
　　 （2）提出一種由慣性權(quán)重遞減型粒子群優(yōu)化算法(LWPSO)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)相結(jié)合的組合預(yù)測(cè)模型，應(yīng)用粒子群算法的全局搜索能力搜索RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)輸出權(quán)值，從而達(dá)到優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的目的。并利用虛擬儀器開發(fā)平臺(tái)(LabVIEW)的強(qiáng)大數(shù)組處理能力和直觀的編程方式實(shí)現(xiàn)了基于LW

5、PSO優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練好的網(wǎng)絡(luò)對(duì)某實(shí)際電網(wǎng)進(jìn)行了日整點(diǎn)負(fù)荷預(yù)測(cè)。仿真結(jié)果表明,該方法具有良好的預(yù)測(cè)精度和穩(wěn)定性。
　　 （3）針對(duì)有限樣本信息下的負(fù)荷預(yù)測(cè)問題，提出基于自適應(yīng)粒子群算法FAPSO與支持向量機(jī)SVM相結(jié)合的組合預(yù)測(cè)模型。用FAPSO算法來(lái)優(yōu)化SVM模型的相關(guān)參數(shù),通過實(shí)例仿真與分析表明,與傳統(tǒng)的通過交叉驗(yàn)證試算或遺傳算法等確定SVM參數(shù)的方法相比，該方法不僅有較快的運(yùn)算收斂速度，而且在預(yù)測(cè)精度和穩(wěn)定性等

6、方面都有一定程度提高。
　　 （4）研究粒子群算法PSO與模擬退火算法SA的自學(xué)習(xí)融合，提出新的優(yōu)化算法NSAPSO，即在粒子群算法的尋優(yōu)過程中加入模擬退火思想，結(jié)合SA算法的隨機(jī)接受準(zhǔn)則有效彌補(bǔ)經(jīng)典粒子群算法在求解復(fù)雜問題較易陷入局部最優(yōu)的缺點(diǎn)，使得算法在具有高效搜索的同時(shí)，能選擇接受非最優(yōu)解進(jìn)而有能力跳出局部最優(yōu)。同時(shí)在算法中加入極值擾動(dòng)，增加粒子的多樣性，進(jìn)一步改善算法性能。由仿真測(cè)試結(jié)果， NSAPSO在對(duì)復(fù)雜多峰問題的

7、尋優(yōu)過程中體現(xiàn)出很好的收斂性能。
　　 （5）針對(duì)多單一預(yù)測(cè)模型的組合問題，提出基于自學(xué)習(xí)融合算法NSAPSO與SVM模型結(jié)合的組合方式，對(duì)單一模型實(shí)現(xiàn)分時(shí)段變權(quán)重非線性組合，用 SVM的非線性回歸學(xué)習(xí)能力描述多個(gè)單一預(yù)測(cè)模型的非線性組合關(guān)系，其優(yōu)點(diǎn)在于不用確定描述輸入輸出關(guān)系的具體函數(shù)表達(dá)式，避免了傳統(tǒng)組合方式中加權(quán)系數(shù)的復(fù)雜的求取問題，同時(shí)盡可能地滿足了組合方法中的非線性、變權(quán)值的需求。仿真結(jié)果證明，該組合預(yù)測(cè)模型降低了傳統(tǒng)