一種鋼鐵企業電力超短期負荷預測方法

2023-09-18 07:26:55 1

一種鋼鐵企業電力超短期負荷預測方法
【專利摘要】負荷預測是電網經濟運行的前提和基礎，準確的負荷預測可確保電網安全穩定運行，有效降低發電成本並提高經濟效益和社會效益。目前，應用於電力超短期負荷預測的預測模型存在收斂性能和算法穩定性較差、預測精度低的問題。針對上述問題，本發明提出了一種基於粒子群優化SVM的電力負荷預測方法。該方法在對歷史數據進行分析基礎上，通過小波變換方法將負荷數據分解成不同頻段的子序列，將反映負荷趨勢部分作為模型的輸入序列進行預測，再利用粒子群算法優化支持向量機參數。
【專利說明】—種鋼鐵企業電力超短期負荷預測方法
【技術領域】
[0001]電力系統短期負荷預測無論是對制定電力系統規劃還是實現電力系統自動化、安全發供電等都有著十分重要的意義。一般來說，超短期電力預測是指未來半小時至一小時內的負荷預測，按照鋼鐵企業特殊的電網結構和負荷特點，準確的預測出鋼鐵企業用電負荷曲線，可以提高用電的計劃性和經濟合理性，從而減少非計劃用電給企業帶來的損失，為全面降低鋼鐵企業的綜合能耗打下基礎，提高鋼鐵企業的經濟效益。
【背景技術】
[0002]現有方法大都使用神經網絡實現電力系統的短期預測，通常是根據足夠的先驗知識來確定輸入和輸出變量間的關係，倘若網絡結構選取不當，預測結果難以令人滿意，同時已存在的負荷數據量通常有限，此時神經網絡的逼近能力和泛化能力大大降低。因此準確有效的電力負荷預測方法是確定機組組合方案、鋼鐵企業與當地電網功率輸送方案和負荷調度方案所不可缺少的前提保障。

【發明內容】

[0003]本發明所要解決的技術問題是，提出了一種基於粒子群優化(PSO)支持向量機(SVM)的電力負荷預測方法。在對歷史數據進行分析基礎上，通過小波變換方法將負荷數據分解成不同頻段的子序列，將反映負荷趨勢的低頻部分作為SVM預測模型輸入序列進行預測，可使SVM模型輸入序列平穩同時又能反映負荷的基本特性，再利用粒子群算法對支持向量機參數進行選擇，減少預測誤差，最終得電力系統超短期負荷預測模型。
[0004]本發明採用的技術方案是:
[0005]1.負荷數據的小波分解
[0006]電力系統負荷數據序列是一種典型具有周期性和隨機性的非線性非平穩時間序列特點的信號，由於負荷中包含隨機因素，因而負荷變化的精確數學表達往往很複雜，但是通過小波變換則可以把負荷中的隨機高頻分量和線性分量明顯分開，從而分別對各自的特性進行分析。小波分析是一種時域-頻域分析法，在時域和頻域上同時具有良好的局部化性質，並且能根據信號頻率高低自動調節採樣的疏密，容易捕捉和分析微弱信號以及信號的任意細小部分。其優點:能對不同的頻率採用逐漸精細的採樣率，從而獲得信號的細節，並能很好的處理微弱或突變的信號，基於此理論，可以對電力系統負荷序列進行二進小波變換，體現出負荷序列周期性。分別對各子序列進行預測，最後合併重構出完整序列的預測結果。
[0007]雙正交小波具有很好的對稱性及線性相位，在小波分解和重構時不容易發生失真。經實驗表明，尺度的合理選擇也很關鍵，數據分解的層數越多，數據變得越光滑，突變峰值越少，尺度選的太大對精度的提高將沒有明顯的優勢，同時還會降低計算的效率，故將負荷數據分解至尺度2是比較合理的。
[0008]2.粒子群優化SVM算法[0009]粒子群優化算法是一種基於群體進化的全局優化算法，它能獲得近似最優的全局解，並且不會陷入局部極小。適應度函數的好壞是衡量進化算法優劣的關鍵之一。在PSO-SVM算法中，每一個粒子代表SVM的一組參數,粒子所對應的適應度是該組參數下算法的性能。本文選取平均絕對誤差(MAPE)作為適應度函數，其形式如下:
【權利要求】
1.一種鋼鐵企業電力超短期負荷預測方法，其特徵在於:使用支持向量機，利用歷史數據建立基於時間序列的超短期負荷預測模型。
2.權利要求1所述的一種鋼鐵企業電力超短期負荷預測方法，其特徵還在於:用於建模的樣本數據使用小波分析的方法進行預處理，以提高預測模型的精度。
3.權利要求1所述的一種鋼鐵企業電力超短期負荷預測方法，其特徵還在於:使用支持向量機使利用粒子群優化其參數。
【文檔編號】G06Q50/06GK103559564SQ201310594205
【公開日】2014年2月5日 申請日期:2013年11月19日 優先權日:2013年11月19日
【發明者】田慧欣, 姚佳馨 申請人:天津工業大學