Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов на основе метода опорных векторов

• Автор: Аль Зихери Баласим Мохаммед Хуссейн
• Шифр специальности: 05.14.02
• Научная степень: Кандидатская
• Год защиты: 2015
• Место защиты: Новочеркасск
• Количество страниц: 181 с. : ил.

СОДЕРЖАНИЕ
СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
ВВЕДЕНИЕ
1 .ОБЗОР И АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ.И МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ
1.1 Классификация методов краткосрочного прогнозирования нагрузки..
1.2 Статистические методы прогнозирования
1.2.1 Методы регрессии
1.2.2 Методы временных рядов
1.2.3 Метод фильтра Калмана
1.2.4 Методы, основанные на вейвлет-преобразованиях временных рядов.
1.3 Методы искусственного интеллекта
1.3.1 Методы, основанные на моделях нейронных сетей
1.3.2 Методы, основанные на нечеткой логике
1.3.3 Метод информационный проходки
1.3.4 Метод опорных векторов
1.4 Эволюционные алгоритмы
1.5 Требования к краткосрочному прогнозированию электропотребления.
1.6 Основные проблемы краткосрочного прогнозирования электропотребления
1.6.1 Точность гипотезы отношений вход- выход
1.6.2 Прогнозирование аномальных дней
1.6.3 Неточные данные прогноза погоды
1.6.4 Возможность меньшего обобщения, вызванная чрезмерной
аппроксимацией
1.7 Обзор современных источников по проблеме краткосрочного прогнозирования электропотребления
1.7.1 Модели нейронных сетей
1.7.2 Модели нейро-нечетких сетей
1.7.3 Модели вейвлет-преобразований
1.7.4 Регрессионные модели
1.8 Выводы
2. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ И
ОПРЕДЕЛЯЮЩИХ ЕГО ФАКТОРОВ
2.1. Характеристики графиков электрической нагрузки энергосистемы
2.2 Временные ряды электропотребления и влияющих факторов
2.3 Сезонные и метеорологические факторы, влияющие на электропотребление
2.4 Температура и освещенность: анализ их влияния на электропотребление в операционной зоне Ростовского регионального диспетчерского управления
2.5 Случайные возмущения
2.6 Выводы
3. РАЗРАБОТКА МОДЕЛЕЙ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ И ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ
3.1 Кроткосрочное прогнозирование нагрузки с помощью искусственных нейронных сетей
3.2 Краткосрочное прогнозирование нагрузки с использованием искусственных нейронных сетей и алгоритма роя частиц
3.2.1 Анализ и предварительная обработка данных
3.2.2 Количество слоев, нейронов и передаточных функций
3.2.3 Обучение выстроенных нейронных сетей
3.2.4 Архитектура ИНС для Ростовского РДУ
3.2.5 Выбор входных переменных
3.2.6 Построение структуры нейронной сети
3.2.7 Выборка данных для обучения, тестирования и валидации
3.2.8 Результаты моделирования
3.3 Обучение ИНС на основе самоорганизации
3.3.1 Массив данных для исследования
3.3.2 Кластеризация с помощью самоорганизующихся карт
3.3.3 Обучение самоорганизующихся карт
3.3.4 Результаты кластеризации и прогнозирование
3.3.5 Предварительная обработка данных
3.3.6 Количество слоев, нейронов и передаточных функций
3.3.7 Алгоритм обучения сети
3.3.8 Критерии эффективности
3.3.9 Результаты моделирования
3.4 Выводы
4. МОДЕЛИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСРЮВЕ НЕЙРОНЕЧЕТКОЙ СЕТИ И МЕТОДА ОПОРНЫХ ВЕКТОРОВ.
4.1 Прогнозирование электропотребления с помощью адаптивной нейро-
нечеткой сети
4.1.1 Общая характеристика нейро-нечеткой модели
4.1.2 Применение нейро-нечеткой модели в задачах краткосрочного прогнозирования нагрузки
4.1.3 Архитектура нейро-нечеткой модели
4.1.4 Гибридный алгоритм для обучения сети
4.1.5 Результаты моделирования
4.2 Прогнозирование электропотребления с помощью метода опорных
векторов
4.2.1 Результаты моделирования
4.3 Прогнозирование электропотребления на основе метода опорных векторов и алгоритма роя частиц
4.3.1 Шаги и процессы прогнозирования нагрузки
4.3.2 Набор параметров анализа
4.3.3 Результаты моделирования

Turgay Partal в [89] предложил новый метод, заключающийся в объединении дискретного вейвлет-преобразования и нейро-нечеткой сети. Наблюдаемые ежедневно временные ряды осадков разлагаются с помощью дискретного вейвлет-преобразования, а затем соответствующие ортогональные составляющие используются в качестве входов в нейро-нечеткой модели для прогнозирования.
1.7.4 Регрессионные модели
Валь П.В в [90] использовал метод AR1MA (Autoregressive integrated moving average) в качестве метода прогнозирования электропотребления. Анализ качеста прогнозирования модели ARIMA был произведен на примере горнообогатетильного комбината ООО (Сорский ГОК). Для анализа были использованы 2448 почасовых значений электропотребления за период с 22 октября 2008 г. по 31 января 2009 г.
Hongzhan Niel в [91] воспользовался преимуществами метода авторегрессии скользящего среднего ARMA для прогнозирования линейной части нагрузки, а метод SVM применил для прогнозирования нелинейной части нагрузки.
1.8 Выводы
1. Совершенствование методов краткосрочного прогнозирования электропотребления с учетом влияющих на него факторов развивается в направления создания комбинированных моделей, использующих такие методы и модели как нейронные сети, нечеткую логику, вейвлет-преобразования и методы опорных векторных машин.
2. Одной из нерешенных проблем краткосрочного прогнозирования является прогнозирование так и называемых нерегулярных дней