收藏本站
《华中科技大学》 2010年
收藏 | 手机打开
二维码
手机客户端打开本文

基于群集智能与算法融合的电力负荷组合预测

陆宁  
【摘要】: 电力负荷预测是电力系统进行规划设计的基础,是电力系统运行的经济性与可靠性的保证。由于电力负荷本身具有一定的不确定性、非线性、随机性等内在特点,负荷预测一直是学术研究的前沿与热点问题。随着电力市场的发展,负荷变化规律的复杂程度增加,而传统的单一预测方法自适应能力较差,问题的复杂性与求解方法的局限性之间的矛盾更加突出,预测不一定能得到满意的结果,因此,组合预测的探讨成为当今负荷预测的研究重点之一。组合预测能综合更多信息,增强单一的预测方法之间的互补,能够更完整的描述负荷的发展规律,达到提高预测精度的目的。组合预测思路主要有两方面:其一,从模型自身的优化与完善的角度,提出将学习算法和单一预测技术相结合的组合预测,用学习算法优化单一预测模型的相关参数以提高预测模型的预测精度。其二,将多种单一预测方法得到结果按一定方式结合起来,综合利用各种预测方法所提供的相关信息,并在综合这些信息的基础之上进行最优组合。 本文针对电力负荷自身特点,引入群集智能优化计算方法以及组合预测技术,对电力负荷预测的理论与方法进行研究,取得了一定具有理论意义和实用价值的成果,主要研究工作与成果如下: (1)针对负荷预测中对单一预测模型进行优化的问题,研究群集智能优化计算方法及其改进,提出一种新的自适应粒子群算法(FAPSO),该算法根据粒子适应值的变化动态调整惯性权重ω的数值,平衡粒子的探索和开发两种搜索行为,提高粒子搜索能力的自适应性。同时在算法中加入极值扰动策略,防止算法陷入局部最优。对FAPSO算法进行了收敛性分析与收敛性测试,由仿真结果可知,与经典粒子群算法PSO比较,FAPSO具有更快的收敛速度与更可靠的全局收敛性。 (2)提出一种由惯性权重递减型粒子群优化算法(LWPSO)与径向基函数神经网络(RBF)相结合的组合预测模型,应用粒子群算法的全局搜索能力搜索RBF神经网络的最优网络输出权值,从而达到优化RBF神经网络预测模型的目的。并利用虚拟仪器开发平台(LabVIEW)的强大数组处理能力和直观的编程方式实现了基于LWPSO优化的RBF神经网络,将训练好的网络对某实际电网进行了日整点负荷预测。仿真结果表明,该方法具有良好的预测精度和稳定性。 (3)针对有限样本信息下的负荷预测问题,提出基于自适应粒子群算法FAPSO与支持向量机SVM相结合的组合预测模型。用FAPSO算法来优化SVM模型的相关参数,通过实例仿真与分析表明,与传统的通过交叉验证试算或遗传算法等确定SVM参数的方法相比,该方法不仅有较快的运算收敛速度,而且在预测精度和稳定性等方面都有一定程度提高。 (4)研究粒子群算法PSO与模拟退火算法SA的自学习融合,提出新的优化算法NSAPSO,即在粒子群算法的寻优过程中加入模拟退火思想,结合SA算法的随机接受准则有效弥补经典粒子群算法在求解复杂问题较易陷入局部最优的缺点,使得算法在具有高效搜索的同时,能选择接受非最优解进而有能力跳出局部最优。同时在算法中加入极值扰动,增加粒子的多样性,进一步改善算法性能。由仿真测试结果,NSAPSO在对复杂多峰问题的寻优过程中体现出很好的收敛性能。 (5)针对多单一预测模型的组合问题,提出基于自学习融合算法NSAPSO与SVM模型结合的组合方式,对单一模型实现分时段变权重非线性组合,用SVM的非线性回归学习能力描述多个单一预测模型的非线性组合关系,其优点在于不用确定描述输入输出关系的具体函数表达式,避免了传统组合方式中加权系数的复杂的求取问题,同时尽可能地满足了组合方法中的非线性、变权值的需求。仿真结果证明,该组合预测模型降低了传统单一预测模型的预测风险,同时有较高的预测精度和可靠性。
【学位授予单位】:华中科技大学
【学位级别】:博士
【学位授予年份】:2010
【分类号】:TM715

【引证文献】
中国期刊全文数据库 前2条
1 何耀耀;许启发;杨善林;余本功;;基于RBF神经网络分位数回归的电力负荷概率密度预测方法[J];中国电机工程学报;2013年01期
2 苏士美;王明霞;姚猛;张建华;;基于WHAC-E组合预测模型的短期电力负荷预测[J];郑州大学学报(工学版);2014年03期
中国博士学位论文全文数据库 前1条
1 周思杭;产品装配质量设计、预测与控制理论、方法及其应用[D];浙江大学;2013年
中国硕士学位论文全文数据库 前5条
1 张翠平;面向微生物发酵过程的优化控制方法的研究与应用[D];北京工业大学;2011年
2 刘俊芳;粒子群和人工蜂群的混合优化算法优化SVM参数及应用[D];太原理工大学;2012年
3 李静;基于供应链的卷烟需求量组合预测模型研究[D];山东大学;2012年
4 尚芳屹;组合预测在区域级饱和负荷预测中的应用[D];上海交通大学;2013年
5 邵玉林;改进粒子群算法在电力负荷组合预测中的应用研究[D];南华大学;2013年
【参考文献】
中国期刊全文数据库 前7条
1 康重庆,夏清,沈瑜,相年德;电力系统负荷预测的综合模型[J];清华大学学报(自然科学版);1999年01期
2 陈耀武,汪乐宇,龙洪玉;基于组合式神经网络的短期电力负荷预测模型[J];中国电机工程学报;2001年04期
3 谢开贵,李春燕,周家启;基于神经网络的负荷组合预测模型研究[J];中国电机工程学报;2002年07期
4 邰能灵,侯志俭,李涛,蒋传文,宋炯;基于小波分析的电力系统短期负荷预测方法[J];中国电机工程学报;2003年01期
5 李元诚,方廷健,于尔铿;短期负荷预测的支持向量机方法研究[J];中国电机工程学报;2003年06期
6 谢宏;魏江平;刘鹤立;;短期负荷预测中支持向量机模型的参数选取和优化方法[J];中国电机工程学报;2006年22期
7 谢敬东,唐国庆,徐高飞,陈高文;组合预测方法在电力负荷预测中的应用[J];中国电力;1998年06期
中国博士学位论文全文数据库 前2条
1 郑永康;相空间重构与支持向量机结合的短期负荷预测研究[D];西南交通大学;2008年
2 方仍存;电力系统负荷区间预测[D];华中科技大学;2008年
中国硕士学位论文全文数据库 前1条
1 李波;基于粒子群与模拟退火协同进化方法的电力系统无功优化[D];山东大学;2008年
【共引文献】
中国期刊全文数据库 前10条
1 郝培文,李放,刘建强,林立;沥青感温性指标与沥青组成的灰关联熵分析[J];石油沥青;2003年03期
2 赵磊;樊统江;何兆益;;用广义灰关联法分析级配对沥青砼孔隙率的影响[J];石油沥青;2008年05期
3 杨发;刘大超;涂帅;赖增成;熊锐;;SEAM沥青混合料高温稳定性影响因素的灰关联熵分析[J];石油沥青;2008年06期
4 张亚民;;公路运输业与交通事故的调查分析[J];人力资源管理;2010年06期
5 陈东,周圣武;飞机场运量的灰色预测[J];徐州工程学院学报;2005年03期
6 王巍;田珂;;RC扰动下Hopfield神经网络稳定性分析[J];平顶山学院学报;2010年02期
7 粱芝兰;ANN技术在水泵设计中的应用[J];排灌机械;1994年04期
8 刘京龙,王芳,涂连梅,刘捷,汤克勇,王全杰;皮革透湿性能的研究[J];皮革科学与工程;2004年06期
9 李云川;;灰色预测型线性规划在生产管理中的应用研究[J];品牌(理论月刊);2011年06期
10 王冬阳;;“公共图书馆研究院”知识管理探析[J];公共图书馆;2010年01期
中国重要会议论文全文数据库 前10条
1 ;An effective procedure exploiting unlabeled data to build monitoring system[A];中国科学院地质与地球物理研究所第11届(2011年度)学术年会论文集(下)[C];2012年
2 王福林;吴昌友;孙立民;;农业产值结构预测问题研究[A];创新思想·科学发展·构建和谐——黑龙江省首届社会科学学术年会优秀论文集下册[C];2008年
3 雷琪;吴敏;;基于协同进化算法的焦炉火道温度模糊优化控制[A];第二十六届中国控制会议论文集[C];2007年
4 ;A Novel Kernel PCA Support Vector Machine Algorithm with Feature Transition Function[A];第二十六届中国控制会议论文集[C];2007年
5 ;A Novel Proximal Support Vector Machine and Its Application in Radar Target Recognition[A];第二十六届中国控制会议论文集[C];2007年
6 荆浩;赵希男;;改进的多层次灰色综合评价法在科技中小企业成长能力评价中的应用[A];第二十六届中国控制会议论文集[C];2007年
7 周倩;翟永杰;韩璞;;序列最小优化算法在电力系统短期负荷预测中的应用[A];第二十六届中国控制会议论文集[C];2007年
8 张娟;陈杰;段梅;;基于神经网络和广义经典分配算法的多传感器航迹关联[A];第二十七届中国控制会议论文集[C];2008年
9 ;Fault Pattern Recognition of Rolling Bearings Based on Wavelet Packet and Support Vector Machine[A];第二十七届中国控制会议论文集[C];2008年
10 ;Next-Day Electricity Price Forecasting Based on Support Vector Machines and Data Mining Technology[A];第二十七届中国控制会议论文集[C];2008年
中国博士学位论文全文数据库 前10条
1 戴运桃;粒子群优化算法研究及其在船舶运动参数辨识中的应用[D];哈尔滨工程大学;2010年
2 殷志伟;基于统计学习理论的分类方法研究[D];哈尔滨工程大学;2009年
3 孔凡芝;引线键合视觉检测关键技术研究[D];哈尔滨工程大学;2009年
4 赵琪;我国国有企业人力资源优化配置研究[D];哈尔滨工程大学;2010年
5 谢忠玉;电力短期负荷时间序列混沌特性分析及预测研究[D];哈尔滨工程大学;2010年
6 李华文;船舶交通管理系统经济社会影响评价研究[D];大连海事大学;2010年
7 吴德烽;计算智能在三维表面扫描机器人系统中的应用研究[D];大连海事大学;2010年
8 张进;地震叠前数据的弹性阻抗非线性反演方法研究[D];中国海洋大学;2009年
9 王敏;分布式电源的概率建模及其对电力系统的影响[D];合肥工业大学;2010年
10 郑大腾;柔性坐标测量机空间误差模型及最佳测量区研究[D];合肥工业大学;2010年
中国硕士学位论文全文数据库 前10条
1 熊洋;柳州市土地利用规划的弹性研究[D];华中农业大学;2010年
2 代宏伟;布里渊散射水下探测目标的自动识别[D];南昌航空大学;2010年
3 李金华;基于SVM的多类文本分类研究[D];山东科技大学;2010年
4 滕景忠;智能瓦斯传感器的研制[D];山东科技大学;2010年
5 李安新;BP神经网络研究与硬件实现[D];山东科技大学;2010年
6 陈少华;基于Hopfield神经网络控制系统的研究[D];山东科技大学;2010年
7 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
8 张永宾;居住区景观设计方案评价方法初探[D];中南林业科技大学;2009年
9 李朋勇;基于全矢高阶谱的故障诊断方法及其应用研究[D];郑州大学;2010年
10 张力淼;农村电力网规划计算机辅助设计系统的研究[D];郑州大学;2010年
【同被引文献】
中国期刊全文数据库 前10条
1 樊一娜;;基于小波变换的短期电力负荷预测[J];青海大学学报(自然科学版);2012年01期
2 钟瑜;张春涛;黄孝超;郭永慧;;电力系统短期负荷的混沌时间序列预测[J];重庆三峡学院学报;2011年03期
3 范柳斌;李路;陈妮娜;胡昱;张子厚;;基于改进的粒子群和遗传算法的混合优化算法[J];上海工程技术大学学报;2011年03期
4 罗艳辉;吕永贵;李彬;;混合卷烟销售预测模型[J];计算机工程与设计;2009年20期
5 许启发;蒋翠侠;;分位数局部调整模型及应用[J];数量经济技术经济研究;2011年08期
6 虞枫;;基于指数平滑法的需求预测[J];物流工程与管理;2011年05期
7 李栓;刘莉;刘阳;;趋势外推法在电力负荷预测中的应用[J];沈阳工程学院学报(自然科学版);2005年Z1期
8 张晓东;李树荣;;一类分布参数系统的最优控制[J];中国石油大学学报(自然科学版);2008年05期
9 赵瑞艳;张晓东;李树荣;;基于控制向量参数化法的表面活性剂驱最优注入策略求解[J];统计与决策;2008年11期
10 任玉珑;刘焕;望玉丽;刘宁;;基于熵权法和支持向量机的中长期电力负荷预测[J];统计与决策;2009年14期
中国博士学位论文全文数据库 前10条
1 苏三买;遗传算法及其在航空发动机非线性数学模型中的应用研究[D];西北工业大学;2002年
2 孔亚广;造纸过程先进控制算法及其软件实现[D];浙江大学;2002年
3 李晓明;一种新型混合优化算法及其在优化油田开发中的应用[D];西南石油学院;2004年
4 王峻峰;分布环境下的协同装配序列规划[D];华中科技大学;2004年
5 戴光明;避障路径规划的算法研究[D];华中科技大学;2004年
6 李守巨;基于计算智能的岩土力学模型参数反演方法及其工程应用[D];大连理工大学;2004年
7 冯斌;群体智能优化算法及其在生化过程控制中的应用研究[D];江南大学;2005年
8 雷绍兰;基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D];重庆大学;2005年
9 周保荣;电力系统阻尼控制器参数优化设计研究[D];天津大学;2004年
10 张开富;飞机部件装配误差累积分析与容差优化方法研究[D];西北工业大学;2006年
中国硕士学位论文全文数据库 前10条
1 胡晓丹;基于灰色—BP神经网络模型的淮河水污染预测[D];安徽农业大学;2010年
2 卓东;奉化电网负荷预测研究分析及“十二五”电网规划[D];浙江大学;2010年
3 王萍萍;基于捕食搜索策略的遗传算法的研究及应用[D];江南大学;2011年
4 毛志亮;混合核函数支持向量机在发酵过程建模中的应用研究[D];江南大学;2011年
5 黄虹;基于粒子群—蚁群算法的随机需求车辆路径问题研究[D];福建农林大学;2011年
6 许明子;基于粒子群算法的供热负荷组合预测[D];东北石油大学;2011年
7 徐水华;粒子群优化算法及支持向量机应用研究[D];广西民族大学;2011年
8 高海兵;粒子群优化算法及其若干工程应用研究[D];华中科技大学;2004年
9 李海波;发酵过程建模与优化方法研究及其软件设计[D];江南大学;2005年
10 高光良;序列二次规划法在航空发动机加力过程最优控制中的应用研究[D];西北工业大学;2005年
【二级引证文献】
中国硕士学位论文全文数据库 前9条
1 曹嘉;微生物发酵中环境敏感因素的智能调节与算法研究[D];西北大学;2012年
2 孙婉璐;计及风电并网的短期负荷EEMD与神经网络预测方法[D];西南交通大学;2013年
3 徐卫;基于智能优化的软测量建模方法研究及应用[D];兰州理工大学;2013年
4 李斌;基于区域差别的燃煤电厂动态脱硝电价研究[D];华北电力大学;2013年
5 常维;基于光伏发电预测的并网逆变器设计与实现[D];燕山大学;2013年
6 褚玉杰;基于改进类电磁机制算法的电力系统多目标优化调度[D];广西大学;2013年
7 王炽;基于免疫神经网络的电力谐波检测算法[D];广西科技大学;2013年
8 闫志雄;基于数据挖掘的电网绩效分析[D];浙江大学;2014年
9 赵永来;混合储能系统抑制电网波动功率控制策略研究[D];沈阳工业大学;2014年
【二级参考文献】
中国期刊全文数据库 前10条
1 康重庆,夏清,沈瑜,相年德;电力系统负荷预测的综合模型[J];清华大学学报(自然科学版);1999年01期
2 彭宏;王军;;函数学习的小波再生核支持向量回归模型(英文)[J];西华大学学报(自然科学版);2006年05期
3 夏昌浩;系统负荷通用预测方法概述[J];四川水力发电;2002年01期
4 杨朴,游大海,谢培元;基于遗传算法和BP神经网络的电价预测[J];水电能源科学;2003年02期
5 顾洁;电力系统中长期负荷预测的模糊算法[J];上海交通大学学报;2002年02期
6 叶中行,龙如军;混沌时间序列的区间预测[J];上海交通大学学报;1997年02期
7 唐小我;最优组合预测方法及其应用[J];数理统计与管理;1992年01期
8 张涛,赵登福,周琳,王锡凡,夏道止;基于RBF神经网络和专家系统的短期负荷预测方法[J];西安交通大学学报;2001年04期
9 赵登福,吴娟,刘昱,张讲社,王锡凡;基于事例推理的短期负荷预测[J];西安交通大学学报;2003年06期
10 甘文泉,王朝晖,胡保生;结合神经元网络和模糊专家系统进行电力短期负荷预测[J];西安交通大学学报;1998年03期
中国博士学位论文全文数据库 前3条
1 冯丽;数据挖掘和人工智能理论在短期电力负荷预测中的应用研究[D];浙江大学;2005年
2 雷绍兰;基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D];重庆大学;2005年
3 胡丹;小波支持向量回归模型及其应用研究[D];西南交通大学;2006年
中国硕士学位论文全文数据库 前3条
1 王明强;无功优化及电压无功支撑机理研究[D];山东大学;2007年
2 吴进波;免疫算法和模拟退火算法求解TSP问题的研究[D];武汉理工大学;2007年
3 张登科;基于微粒群算法的电力系统无功优化研究[D];中南大学;2007年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026