基于贝叶斯理论mcmc优化参数负荷预测模型.pdf

Classified Index: : Dissertation fortheDoctoral Degree inManagement The Load Forecasting Model which Parameters Optimized byMCM C Based Candidate: on Bayesian Theor311eory Supervisor: Associate Supervisor: ShiHuifeng Jianxun Dongxiao Academic Degree Applied for:Doctor ofManagement Specialty: Amliation: Date ofDefe!nce: Technical Economy andManagement School ofEconomic andManagement June,2013 Degree··Conferring-·Institution:North China ElectricPower University 华北电力大学博士学位论文原创性声明本人郑重声明:此处所提交的博士学位论文《基于贝叶斯理论MCMC优化参数的负荷预测模型》,是本人在导师指导下,在华北电力大学攻读博士学位期间独立进行研究工作所取得的成果。据本人所知,论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体,均己在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名: 日期:如,岁年多月/手日华北电力大学博士学位论文使用授权书《基于贝叶斯理论MCMC优化参数的负荷预测模型》系本人在华北电力大学攻读博士学位期间在导师指导下完成的博士学位论文。本论文的研究成果归华北电力大学所有,本论文的研究内容不得以其它单位的名义发表。本人完全了解华北电力大学关于保存、使用学位论文的规定,同意学校保留并向有关部门送交论文的复印件和电子版本,允许论文被查阅和借阅,学校可以为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。本人授权华北电力大学,可以采用影印、缩印或其他复制手段保存论文,可以公布论文的全部或部分内容。本学位论文属于(请在以上相应方框内打“4”): 保密口,在年解密后适用本授权书不保密订作者签名: 导师签名: 日期:扫哕年衫月哆日日期:2,,在电力规划、运行、调度中发挥着重要的作用。电力负荷预测对于电力系统经济安全可靠地运行具有重要的意义。本文提出了基于贝叶斯理论马尔可夫链蒙特卡洛(MCMC)算法优化参数的负荷预测模型。利用MCMC学习优化模型的参数时,模型的参数被看作随机变量。首先,利用样本数据和先验分布,根据贝叶斯定理计算参数的后验概率分布。然后,利用参数的后验概率分布来确定模型参数的估计值。计算参数的后验概率分布常常需要在高维的参数空间中进行积分计算。由于很难求出多重积分的解析值,数值计算方法常常用来计算多重积分。本文利用MCMC算法对高维积分进行近似计算。本文的主要研究工作如下: 1)分析了气象因素和短期负荷之间的关系,通过散点图和拟合曲线来确定气象因素和短期负荷是否存在联系。由分析结果可知温度和相对湿度是两个对负荷有着明显影响的气象因素。 2)建立了基于贝叶斯神经网络日负荷曲线预测模型。气象因素变量和时间变量作为贝叶斯神经网络的输入变量,负荷作为输出变量。隐层神经元的数目手动给定的。贝叶斯神经网络的权参数是一个高维随机变量。本文提出了一种新的混合马尔可夫链蒙特卡洛算法来学习贝叶斯神经网络的权向量参数。这是将Leapfrog迭代算法和Metropolis—Hasting抽样方法相结合的混合算法。在学习贝叶斯神经网络的参数时贝叶斯神经网络看作是一个Hamilton动力系统,权向量参数看作是动力系统的位置变量。混合MCMC算法用来构造一个权向量参数的马尔可夫链,使得权向量参数的后验概率分布就是这个马尔可夫链的平稳分布。叶斯神经网络作为预测模型对整日负荷曲线进行预测。实验结果表明由混合马尔可夫链蒙特卡洛算法确定参数的贝叶斯神经网络较高的预测精度和较强的泛化能力。很好地克服了过拟合现象。 3)提出了基于具有解释变量状态空间模型的月度典型负荷预测方法。本文考虑月度的最大负荷和最小负荷典型负荷的预测。由于气象因素温度和相对湿度与负荷之间存在着正相关的关系,加热指数、制冷指数和相对湿度作为状态空间模型中回归项的解释变量。这个状态空间模型中有两种参数,一是解释变量的回归系数,另外一种是扰动项的方差参数。回归系数参数的估计值可以由Kalman滤波算法计算得到。学习方差参数时,根据共