基于小波变换和神经网络的短期负荷预测研究

摘要

负荷预测的准确程度对于电力系统安全经济运行具有十分重要的作用。论文针对南京地区电力系统负荷数据采用小波变换和神经网络进行短期负荷预测，取得了一些成果。

本文首先对负荷数据的特性进行分析，明确了负荷序列具有特定的规律性。然后利用自组织映射网络（SOM）对负荷序列进行分类，可将一周负荷分为四种负荷类型。同时应用小波分解的时频暂态分析特性，通过使用Mallat算法，将负荷序列进行小波分解，再根据各分量的特点构造神经网络模型对其进行预测，为增加神经网络的收敛速度及稳定性，在神经网络训练过程中采用了LM算法。为了获得较小的网络规模，取得较快的训练速度及较高的预测精度，在本文中对各序列分别采用一组神经网络，每个时间点分别建立一个网络进行预测。最后通过小波重构各分量预测结果得到最终预测结果。此外，对基于小波理论的异常数据处理方法进行了详细地介绍和实验仿真。

通过对南京地区电力负荷数据的实验结果表明，较之考虑天气因素和日类型的人工神经网络方法（ANN）预测方法,采用本文所提出的模型有较高的预测精度与较强的适应性。该方法对其他的时间序列预测问题（如产品价格、国际原油价格预测等）也具有较高的参考价值和指导意义。

关键词:日平均气温，日类型，人工神经网络，小波分析，短期负荷预测

目录

Abstract 2

1 绪论 4

1.1本文的研究意义与目的 4

1.2短期负荷预测研究现状 5

1.3论文的主要工作及内容安排 7

2 负荷特性分析 9

2.1负荷的内在特性 9

2.1.1负荷变化的年周期性 9

2.1.2负荷变化的周周期性 10

2.1.3负荷变化的日周期性 11

2.2负荷的外在特性 11

2.2.1负荷外在特性的宏观特性 12

2.2.2负荷外在特性的微观特性 13

2.3 小结 13

3 时间序列信号的小波变换 14

3.1小波分析 14

3.1.1连续小波变换 14

3.1.2离散小波变换 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 将小波分解用于负荷预测的基本思想 19

3.5小结 19

4 电力负荷数据处理 20

4.1 基于自组织映射网络（SOM）的负荷日类型分析 20

4.1.1 SOM网络基本知识 20

（1）一维阵列 20

（2）二维阵列 21

4.1.2 SOM学习算法 22

4.1.3 实验结果 23

4.2 基于小波技术消除历史不良数据 24

4.2.1对冲击负荷造成的不良数据的处理 24

4.2.2对随机干扰数据的处理 27

①噪声强度的计算 28

②Stein无偏似然估计阀值的计算 28

4.3小结 29

5 基于神经网络（ANN）的负荷预测 30

5.1神经网络基本理论 30

5.1.1基本知识 30

5.1.2 学习算法(BP算法) 30

5.2数据的组织及ANN训练 32

5.2.1 样本选择 32

5.2.2用于负荷预测的ANN结构 33

（1）特征量的选择 33

①历史负荷 33

②温度 33

③预测日类型 33

①隐含层数的选择 34

②隐含层节点数的确定 34

③输出层点数的选择 34

Levenberg 36

5.2.3 模型的训练与测试 37

5.3 小结 41

6 基于小波变换和神经网络(WVNN)的负荷预测 42

6.1 基于小波变换和神经网络(WVNN)的负荷预测模型 42

6.1.1基于小波的负荷预测的基本思想 42

6.1.2 基于小波的负荷预测的建模 43

6.1.3各分量和重构序列的预测结果 44

6.2 两种模型比较 51

6.2.1负荷预侧误差指标 51

6.2.2 两种预侧模型效果比较 51

6.3 小结 52

7 总结与展望 53

参考文献 54