以提高短期负荷预测中的时刻峰值精度为目标。为了给电力调度部门提供各时刻负荷分配的极限值,以一天中24个时刻的负荷峰值代替一天96点的负荷作为研究对象,并且在支持向量机的回归拟合(SVR)基本算法基础上,提出了一种SVR预测值经过累积式自回归—移动平均模型(ARIMA)的卡尔曼滤波调整的短期负荷预测模型。该模型利用ARIMA模型建立卡尔曼滤波方程;并将SVR预测值作为观测值,通过卡尔曼滤波的递推方程组,求得最终的负荷预测值,从而实现卡尔曼滤波-SVR预测。经过实例验证该模型可以有效提高短期负荷预测的精度。 )是在t－1时刻下对t时刻的状态估计;P(t|t－1)是t－1时刻到t时刻的误差协方差阵;Kg(t)是最好的卡尔曼增益;X(t|t)是系统在t时刻的最优状态估计;P(t|t)是更新的估计协方差矩阵;I是单位阵。3基于AＲIMA的卡尔曼滤波改进的SVＲ模型AＲIMA的卡尔曼滤波改进的SVＲ模型的方法流程图如图1所示。图1改进SVＲ负荷预测模型从流程图可以看出，通过SVＲ得到的负荷预测值作为AＲIMA卡尔曼滤波的观测值，在卡尔曼滤波的递推方程中进行调整，将调整后的值作为最终的负荷预测值。这过程主要是利用了卡尔曼滤波的实时性，从而能进一步提高负荷的预测精度短期负荷预测-电动折弯机数控钢管滚圆机滚弧机折弯机张家港滚圆机滚弧机。在构造卡尔曼滤波的过程中，引入了AＲIMA模型。通过AＲIMA对历史负荷值的拟合，求得每个时刻AＲIMA模型的参数和滞后阶数，根据所得AＲIMA模型参数和滞后阶数建立卡尔曼滤波方程。在建立AＲIMA的卡尔曼滤波状态转移矩阵过程中，对一天中的24个时刻负荷峰值进行分析，每一个36《电气开关》(2016．No．2)算例仿真针对现在电网的快速建设，以及各种负载加入电网，本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 使得影响电力负荷变化的影响因素越来越多，各种突发事件也相对频发，所以，本文改变以前每天96点的负荷采样，改用相对稳定的时刻负荷峰值为对象，从而使得每天的负荷变化波形由图2变为图3。从图2和图3可见，24点的负荷峰值曲线和96点的负荷波形曲线都能按相同的趋势反映一天里的负荷变化情况。同时，针对时刻负荷峰值受突发情况影响比较小的特点，以及通过预测时刻负荷峰值可以为调度部门提供时刻负荷分配的极限值，从而更好的调整发电容量，所以，以24点时刻负荷峰值为研究对象有较大的实用价值。在确定研究对象后，图4给出了用传统的SVＲ(方法1)和AＲIMA卡尔曼滤波－SVＲ(方法2)的负荷预测情况。图411月13日时刻峰值预测情况从图4可见，方法2的时刻峰值负荷预测值比方法1更逼近真实值，特别在第10时刻和第13时刻这些日负荷极值点附近的点，方法2的预测精度明显比方法1高。根据评价标准，表2也列出了方法2和方法1在预测中的误差值。表2评价标准标准方法1方法2最大相对误差7.6905%5.2297%平均相对误差5.3303%4.3132%从表2可见，方法2在最大相对误差方面相比于方法1误差减小了2.1608%，同时在平均相对误差上也减少了1.0171%。所以，方法2明显改进了方法1的预测精度。5结论本文考虑了现在电网负荷变化的偶然事件较多的情况，使得历史负荷值中可能存在特别情况下的数据，从而影响预测，同时又由于每日不同时刻的负荷峰值相对于每15分钟采样一次的96点负荷数据会相对稳定，受外界干扰相对较少，所以选用每天24点的负荷峰值作为研究对象，为电力调度部门提供待预测日每个时刻的负荷极限值作为参考，从而提前做好时刻电量的合理分配，可见这有较大的实用短期负荷预测-电动折弯机数控钢管滚圆机滚弧机折弯机张家港滚圆机滚弧机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/