摘要
基于D-S证据理论,本文提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(support vector machine,SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对三种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测目的母线负荷预测结果。仿真结果表明,和单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。
引文
[1]康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.
[2]Kassaei H R,Keyhani A,Woung T,et al.A hybrid fuzzy neural network bus load modeling and predication[J].IEEE Transactions on Power Systems.1999,14(2):718-724.
[3]Salgado R M,Ballini R,Ohishi T.An aggregate model applied to the short-term bus load forecasting problem[J].IEEE Power Systems Conference and Exposition,2009:1-8.
[4]李光珍,刘文颖.基于LSSVM和马尔可夫链的母线负荷短期预测[J].电力系统保护与控制,2010,38(11):55-60.
[5]段青,赵建国,马艳.相关向量机与支持向量机在负荷预测中的比较[A].全国电气工程博士论坛[C].成都:西南交通大学,2008:314-319.
[6]彭信淞,贺辉,姚建刚,等.用PSO优化BP神经网络的母线负荷预测方法[J].电力系统及其自动化学报,2010,22(5):146-15 1.
[7]吴京秋,孙奇,杨伟,等.基于D-S证据理论的短期负荷预测模型融合[J].电力自动化设备,2009,29(4):66-70.
[8]孙奇,杨伟.D-S证据理论融合改进BP网络的短期负荷预测研究[J].继电器,2007,35(7):61-65.
[9]杨风暴,王肖霞.D-S证据理论的冲突证据合成方法[M].北京:国防工业出版社,2010.
[10]刘亚南,卫志农,孙国强,等.基于D-S证据理论的短期风速预测模型[J].电力自动化设备,2013,33(7):1-6.
[11]李鹏,颜艳,郑武军,等.证据理论融合量子神经网络的短期负荷预测[J].电力系统保护与控制,2010,38(16):49-53.
[12]李鑫滨,张娟,张岩,等.基于D-S证据理论的相似日支持向量机短期负荷预测[J].电网技术,2010,34.(7):143-147.
[13]蔡凯,谭伦农,李春林,等.时间序列与神经网络法相结合的短期风速预测[J].电网技术,2008,32(8):82-90.
[14]何俊峰,张步涵.基于神经网络-模糊推理综合模型的短期负荷预测[J].中国电力,2005,34(4):32-35.
[15]吴宏晓,侯志俭.基于免疫加权支持向量机方法的短期负荷预测[J].中国电力,2005,38(8):15-18.
[16]李云飞,黄彦全,蒋功连,等.基于PCA-SVM的电力系统短期负荷预测[J].电力系统及其自动化学报,2007,19(5):66-70.