基于神经网络和时间序列的短期电力负荷组合预测模型研究应用

【摘要】：目的——提高短期电力负荷预测精度。如何选择合适的预测模型对电力负荷进行分析处理并最终提高预测结果的精度,一直是负荷预测领域的热点研究问题,本文分别利用神经网络、时间序列和组合模型,对电力负荷进行分析研究。为充分发挥人工神经网络在自学习、自适应方面较强的能力和良好的容错特性,使用权值和结构直接确定的神经网络(Weights And Structure Determination,WASD),增设校验集,改善神经网络学习过程中的过拟合现象,使学习结果达到最高限度逼近,避免出现局部极值;使用时间序列法对负荷规律进行分析,研究电力负荷在变动时的基本特征,结合电力负荷在时间上体现出来的延续性,采用数学建模形成固有模型对电力负荷进行预测;使用组合模型思想将WASD神经网络预测模型和时间序列预测模型进行组合,提高预测精度。方法——在提高单一模型预测精度上,通过增设一定数量的校验集对WASD神经网络进行优化。为充分分析电力负荷序列的周期和趋势,以便得到更准确的预测数据,使用STL法对序列进行分解得到电力负荷的周期项、趋势项和随机项,对随机项再次使用ARIMA模型进一步分析并预测,利用STL法得加法模型得到的最终预测结果。在神经网络和时间序列法的基础上,使用非最优组合法的优势矩阵法、方差倒数法和最优组合法当中以最小预测误差平方和为目标函数的三种权值分配策略均不同的组合预测方式,通过MAPE、MAE、RMSE、SSE四种性能指标评价组合预测模型的准确率。研究结果——增设一定数量的校验集优化WASD神经网络,对于提高预测准确率方面有明显改进;使用STL法分解原始序列,将分解所得随机项序列使用ARIMA模型进行分析并预测,预测结果与单一使用STL法相比,准确率方面有显著提升;结果表明,使用优势矩阵法、方差倒数法和以最小预测误差平方和为目标函数的三种组合预测方式得到的结果在MAPE、MAE、RMSE、SSE四种性能指标上均有明显改善。研究的局限性——历史数据选取数量有限;特征变量类别选取不够丰富,没有考虑临时突发事件;组合预测方式选择有限。实际影响——通过增设校验集对WASD神经网络进行优化,预测准确率明显向好;时间序列模型在准确分析出序列的趋势和周期性的基础上,相比单一使用STL时间序列分解法预测精度大幅度提升;三种组合预测方式中,优势矩阵法在MAPE、MAE指标上效果最佳,以最小预测误差平方和为目标函数的最优组合法在RMSE、SSE指标上效果最佳。独创性——将WASD神经网络应用于电力负荷预测;将电力负荷序列利用时间序列分解法和ARIMA模型综合分析,深入挖掘负荷内在的时间性;将WASD神经网络预测模型和时间序列预测模型使用三种不同的组合预测方式进行组合并分析。