分时电价模型的负荷预测、聚类分析及建模的研究（何晓磊）.ppt

Company Logo L o g o L o g o 分时电价模型的负荷预测、聚类分析及建模的研究 答辩人:　何晓磊 导　师:　井元伟教授 Company Logo 目录 绪论 1 构建电力负荷预测组合模型 2 3 设计峰谷分时电价的数学模型 4 模糊聚类分析的改进算法 结论与展望 5 Company Logo 绪论 是现代电力系统在电力市场条件下产生的用电管理模式，通过提高终端用电效率和优化用电方式，在完成同样用电功率的同时减少电力功率和电量消耗． 电力需求侧管理(DSM） 能够有效缓解电力供需矛盾,最大限度地提高电力资源利用率,减少资源消耗,达到节约能源、保护环境、优化电力资源配置地目的． Company Logo 绪论 在用电高峰和低谷时期实行不同电价．在高峰期提高电价而在低谷期降低电价．通过发挥价格杠杆作用而实现移峰填谷的目的，提高电能效率． 分时电价模型 避免或减少旋转费用和满足用电需求增长而需要的发电容量投资和运行成本，减少供电损耗和费用，平坦负荷曲线，使用户得到优惠电价. Company Logo 利用模糊聚类的改进算法追踪法解决电力系统中聚类问题，并针对其算法进行改进，更利于编程减少循环次数 将神经网络和遗传算法用原始的回归算法融合到一起构建的电力负荷预测混合模型 基于电力需求价格弹性的含义和特点，提出假设条件，构建峰谷分时电价模型 绪论 电力负荷预测模型 聚类分析改进算法 设计峰谷分时电价模型 Company Logo 绪论 建立分时电价数学模型的步骤: (1) 得到精准的电力负荷预测数据. (2) 对一天内24小时进行多目标规划模糊聚类分析研究,判断峰,平,谷各区间所包含时段. (3) 利用已得到的平时电价与电力负荷预测数据建立分时电价数学模型,从而判断分时电价后的各时段电力负荷数据与削峰填谷效果. Company Logo 构建电力负荷预测组合模型 问题的提出: 单一的神经网络方法很难解决实际问题.这是因为客观实际中的复杂系统,无论采用时间序列方法,神经网络方法中的任何一种模型都难以达到理想的预测效果.不同的预测方法提供的信息并不完全相同,其预测的精度也并不相同,如果仅仅选取预测误差最小的结果作为最终的预测结果,简单地将预测误差较大的结果舍弃掉,势必会造成信息的损失和浪费.科学的做法是:对复杂系统进行预测时,从不同角度建立各种不同的预测模型,而后基于这些各具特点的预测模型建立一个不同于这些模型的协调模型,这就是组合模型的思想. Company Logo 构建电力负荷预测组合模型 所解决问题 (1) 针对BP网络存在训练速度慢时间长的缺点,采用LM算法来解决BP网络的缺陷和不足. (2) BP网络有一个或多个隐含层,隐层数的选择在神经网络的应用中也是一个复杂的问题.通过采用神经网络与遗传算法相结合的方法来解决.通过反复的截取不同的隐含层节点数来得到所对应的预测结果,再将这些所得到的结果,利用多项式拟合后用遗传算法进行寻优处理,来求取最优的电力负荷预测数据.从而,寻取最优的隐含层问题通过两种智能算法的有效结合得以解决. Company Logo 构建电力负荷预测组合模型 组合预测模型: (1)将预测数据根据LM算法以不同的隐含层数目在BP网络中进行模拟预测，得到多组预测数据. 传统BP网络算法采用梯度下降法调整权值: 用LM算法改进后的BP网络算法采用高斯-牛顿法调整权值: Company Logo 构建电力负荷预测组合模型 (2) 将这几组数据用多项式拟合成一条函数，则接近真实值的数据必然将在这条函数之中。 多项式拟合原理: (3) 将这个函数用遗传算法进行处理，选用不同的适应度函数,对函数进行函数优化与性能评价.最后寻找到合适的适应度函数，得到较佳的预测结果。 求取参数 使下列平方误差量最小 Company Logo 构建电力负荷预测模型 在预测的前一天中,每隔2个小时对电力负荷进行一次测量,这样一来,一天共测得12组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值和必然和前一时刻有关，除非出现重大事故等特殊情况.所以这里将前一天的实时负荷数据作为网络的样本数据. 用7月10-13日的前半天负荷数据来预测14日的前半天负荷数据,得到的负荷数据如图所示 Company Logo 构建电力预测负荷模型 Company Logo 模糊聚类分析的改进算法 (1) 选择统计指标:根据实际问题,选择那些有明确的意义,有较强的分辨力和代表性的特征作为分类事物的统计标准. (2) 数据的规格化:由于m个特性指标的量纲和数量级都不相同, 为了消除特性指标单位的差别和特性指标数量级不同的影响