基于混沌和小波神經(jīng)網(wǎng)絡的短期電力負荷預測方法研究.pdf

1、短期電力負荷預測是電力部門有效制定電力調配計劃、合理安排發(fā)電機組的啟停和檢修以及有效保障電力系統(tǒng)穩(wěn)定運行的前提和基礎，因此進行短期電力負荷研究是具有重要意義的。
　　本文首先在混沌理論和相空間重構理論的基礎上，對實際的電力負荷時間序列進行了相空間重構，通過C-C法計算了相空間重構所需的時間延遲τ和嵌入維數(shù)m。在相空間重構的基礎上，利用小數(shù)據(jù)量法計算電力負荷時間序列的李雅普諾夫指數(shù)來對其混沌特性進行判別。通過實例仿真，驗證了電力負荷

2、時間序列存在混沌特性并分析了電力負荷時間序列的短期可預測性。
　　然后將電力負荷時間序列相空間重構和小波神經(jīng)網(wǎng)絡(Wavelet Neural Network，WNN)相結合，建立起基于相空間的WNN短期電力負荷預測模型，并對小波神經(jīng)網(wǎng)絡進行了應用設計。為對比分析，本文同時建立了基于相空間的BP神經(jīng)網(wǎng)絡(BPNN)短期電力負荷預測模型。通過實例仿真和對比分析，驗證了基于相空間的WNN模型能取得比基于相空間的BPNN模型更優(yōu)的預測性

3、能。
　　最后在分析基本粒子群算法(Particle Swarm Optimization，PSO)不足的基礎上，將三種對基本粒子群算法的改進策略進行綜合，得到綜合的粒子群優(yōu)化算法(ComprehensiveParticle Swarm Optimization，CPSO)并通過性能測試函數(shù)進行性能測試仿真，驗證了將三種改進策略進行綜合的有效性。在分析傳統(tǒng)小波神經(jīng)網(wǎng)絡基于梯度下降學習算法不足后，將基本粒子群優(yōu)化算法(PSO)和綜合