基于小波變換和神經網絡的短期負荷預測研究

電子通信論文編號:TX038       論文字數:23895,頁數:56

目錄
Abstract   2
1 緒論   4
1.1本文的研究意義與目的   4
1.2短期負荷預測研究現狀   5
1.3論文的主要工作及內容安排   7
2 負荷特性分析  9
2.1負荷的內在特性   9
2.1.1負荷變化的年周期性  9
2.1.2負荷變化的周周期性  10
2.1.3負荷變化的日周期性   11
2.2負荷的外在特性   11
2.2.1負荷外在特性的宏觀特性   12
2.2.2負荷外在特性的微觀特性  13
2.3 小結  13
3 時間序列信號的小波變換   14
3.1小波分析   14
3.1.1連續小波變換   14
3.1.2離散小波變換   15
3.2 多分辨分析   16
3.2.1基本概念  16
3.2.2多分辨分析   16
3.3 Mallat算法   18
3.4 將小波分解用于負荷預測的基本思想   19
3.5小結   19
4 電力負荷數據處理   20
4.1 基于自組織映射網絡（SOM）的負荷日類型分析   20
4.1.1 SOM網絡基本知識  20
（1）一維陣列  20
（2）二維陣列  21
4.1.2 SOM學習算法   22
4.1.3 實驗結果   23
4.2 基于小波技術消除歷史不良數據   24
4.2.1對沖擊負荷造成的不良數據的處理   24
4.2.2對隨機干擾數據的處理  27
①噪聲強度的計算   28
②Stein無偏似然估計閥值的計算   28
4.3小結  29
5 基于神經網絡（ANN）的負荷預測   30
5.1神經網絡基本理論   30
5.1.1基本知識   30
5.1.2 學習算法(BP算法)   30
5.2數據的組織及ANN訓練   32
5.2.1 樣本選擇   32
5.2.2用于負荷預測的ANN結構   33
（1）特征量的選擇  33
①歷史負荷   33
②溫度   33
③預測日類型  33
①隱含層數的選擇   34
②隱含層節點數的確定   34
③輸出層點數的選擇   34
Levenberg   36
5.2.3 模型的訓練與測試   37
5.3 小結   41
6 基于小波變換和神經網絡(WVNN)的負荷預測  42
6.1 基于小波變換和神經網絡(WVNN)的負荷預測模型   42
6.1.1基于小波的負荷預測的基本思想   42
6.1.2 基于小波的負荷預測的建模  43
6.1.3各分量和重構序列的預測結果  44
6.2 兩種模型比較   51
6.2.1負荷預側誤差指標  51
6.2.2 兩種預側模型效果比較   51
6.3 小結  52
7 總結與展望   53
參考文獻   54

摘要

負荷預測的準確程度對于電力系統安全經濟運行具有十分重要的作用。論文針對南京地區電力系統負荷數據采用小波變換和神經網絡進行短期負荷預測，取得了一些成果。
本文首先對負荷數據的特性進行分析，明確了負荷序列具有特定的規律性。然后利用自組織映射網絡（SOM）對負荷序列進行分類，可將一周負荷分為四種負荷類型。同時應用小波分解的時頻暫態分析特性，通過使用Mallat算法，將負荷序列進行小波分解，再根據各分量的特點構造神經網絡模型對其進行預測，為增加神經網絡的收斂速度及穩定性，在神經網絡訓練過程中采用了LM算法。為了獲得較小的網絡規模，取得較快的訓練速度及較高的預測精度，在本文中對各序列分別采用一組神經網絡，每個時間點分別建立一個網絡進行預測。最后通過小波重構各分量預測結果得到最終預測結果。此外，對基于小波理論的異常數據處理方法進行了詳細地介紹和實驗仿真。
通過對南京地區電力負荷數據的實驗結果表明，較之考慮天氣因素和日類型的人工神經網絡方法（ANN）預測方法,采用本文所提出的模型有較高的預測精度與較強的適應性。該方法對其他的時間序列預測問題（如產品價格、國際原油價格預測等）也具有較高的參考價值和指導意義。

關鍵詞:日平均氣溫，日類型，人工神經網絡，小波分析，短期負荷預測

Abstract

Accurate forecast of short-term electrical load is very important to the power system's security and economy. A new model is proposed which based on combining the wavelet transform and neural networks for load forecasting in this thesis. Some forecasting results are obtained for electrical load of Nanjing Area.
By analyzing the electrical load, we find that the load curve shows certain regularity. Then using the Self-Organizing Map network (SOM), the load sequence of one week can be divided into four load types. And by the good time-frequency characteristics of the wavelet transform, the load serial is firstly decomposed to different sub-serials using the Mallat’s pyramidal algorithm. Each sub-serial shows the different frequency characteristics of the load. Different artificial neural networks are constructed to predict each periodical sub-serial according to their characteristics. The network of each sub-serial mainly differs in selection of input variables of the network. To accelerate training neural network and to improve the convergence, an improved LM algorithm is adopted in artificial neural networks are used for each time interval (such as one net for each hour).In addition, the methods of abnormal data processing based on wavelet theory are presented dentally and simulated experimentally.
The results of Nanjing load forecasting show that the WVNN method possesses higher forecasting accuracy and better adaptability than artificial neural network(ANN) forecasting methods which considers day average and day type．For other time series forecasting problems, such as product price forecasting, the international crude oil price forecasting, and so on, the method is also with high reference value and guiding significance.
Keywords: day average temperature, day type, artificial neural network, wavelet transform, short-term load forecasting