短期电力负荷预测器设计

短期电力负荷预测器设计TheDesignofShortTermPowerLoadPrediction毕业设计任务书一、设计内容结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行MATLAB仿真，对仿真预测结果的精度进行分析。二、基本要求1．选择适合电力负荷预测的人工神经网络的模型。2．利用MATLAB软件用于人工神经网络模型的仿真。3．得到仿真结果，对电力负荷预测结果的精度进行分析。三、主要技术指标利用现有的人工神经网络模型，编写MATLAB程序，对人工神经网络进行训练，实现电力负荷预测。四、应收集的资料及参考文献[1]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社[2]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社[3]朱大奇.人工神经网络原理及应用[M].北京:科学出版社五、进度计划第1-2周开题报告第3-6周人工神经网络的研究内容，仿真软件的学习第7周中期检查第8-11周用于电力负荷预测的MATLAB仿真第12-13周撰写毕业设计说明书第14-15周答辩教研室主任签字时间年月日毕业设计开题报告题目短期电力负荷预测器设计一、研究背景当前，我国正处在一个严重的电力短缺时期。据有关部门统计，最近五年来，电力短缺己经给国家带来总值约为一万亿人民币的直接和间接损失。全国范围内的大规模拉闸限电，不仅严重影响了工业生产，给人民生活带来极大的不便，还导致了一系列的社会问题。要解决电力短缺的问题，就要继续深化电力市场改革。这就要求电力企业在现有的情况下深入挖掘自身潜力，合理的调度电力资源，尽量降低电力短缺所带来的经济损失。对于电力企业来说，短期负荷预侧是一项十分重要的工作。短斯负荷预测的结果，将对发电机组生产计划的制定、水火发电的合理配置、燃料配置和安全分析设备的短期维修及电网能量的传播等产生很大的影响。传统的负荷预测都是人工完成的。预测人员通过历史负荷数据，采用一定的预测算法加以计算，得到预测结果后，结合自己的经验加以修正，形成最后发布的预测数据。在整个过程中，历史数据的选择，预测算法的选用和预测人员的经验，都会对预测结果产生很大的影响，预测的精度难以保证。因此，电力企业迫切需要建立自己电力负荷预测系统。这种系统必须能够结合企业现有的资源，能够克服人工预测的各种弊端，不仅要有较高的预测精度，还要有自动化和智能化的特性。二、国内外研究现状1.国内研究现状当前国内电力短期负荷预测研究也备受瞩目，很多学者提出自己的看法。东南大学的单渊达教授采用径向基函数(RBF)为神经网络预测系统前向网络的学习提供了一种新颖而有效的手段。RBF网络具有良好的推理能力，而且在学习方面比误差反向传播(BP)方法快得多。华北电力大学的牛东晓教授则引入了小波神经元网络电力负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成荃于人工神经网络的电力短期负荷预测系统研究的小波网络，从而到达全局最优的逼近效果。清华大学张伯明教授采用共辘梯度法训练预测系统的神经网络，在学习算法上有所突破。国内著名人工智能学者蔡自兴教授则结合多层感知神经网络和多分辨率遗传算法来进行电力负荷预测。华南理工大学的吴捷教授运用模糊逻辑和时序特性来进行最优模糊逻辑推理汇，该系统的输入量通过对历史数据的自相关分析而建立，再通过最近邻聚类法对历史数据的学习得到若干数据对，进一步由最优模糊逻辑系统建立短期电力负荷的预测模型。国家电力科学研究院的胡兆光老师将AI推理和模糊系统结合起来，建立AI规则库对电力负荷进预测，也取得了较好的效果。2.国外研究现状西方发达国家如美国、英国随着电力市场的日益成熟，电力供应商为了获取最大利润，十分重视电力负荷预测工作。为此，科研工作者一直在研究电力负荷预测的新方法以提高预测精度。自从美国学者Park.D.C等人提出使用神经网络预测电力负荷以来，人们对此表现出广泛的关注。在此基础上，美国的Khotanzad博士领导的科研小组经过几年的艰苦研究，提出了人工神经网络电力负荷短期预测系统(ANNSTLF)。这个系统己经在实用化方面取得了空前的成功。北美洲有35个大发电系统(公司)，根据天气预报、工业和居民用电统计资料，利用ANNSTLF系统预测发电站必须提供的发电量，大大提高了电站的经济效益和安全运转系数。但该系统有一个弱点，即不能处理不确定性信息，且需要大量的历史数据进行训练和学习。三、主要工作和所采用的方法、手段1.主要工作在阅读大量相关文献资料的基础上，结合国内电力企业的现状，采用人工神经网络算法进行电力系统短期负荷预测，研究了基于人工神经网络的负荷预测模型，并开发实现了基于该模型的短期负荷预测系统原型。2.采用的方法、手段(1)选择人工神经网络进行短期电力负荷预测。影响电力负荷的因素有很多，相互之间的关系错综复杂，是一种非线性关系。传统的预测方法难以处理这种非线性关系，因此预测精度都不高。人工神经网络具有很好的非线性一处理能力，非常适合于处理这类预测问题。因此，初步确定采用人工神经网络进行负荷预测。(2)采集国内某电力企业的历史负荷数据，建立基于人工神经网络的负荷预测模型。通过对历史数据的分析，确定神经网络的结构与学习算法。通过Matlab神经网络工具箱进行模型仿真计算，将预测结果与实际数据进行比较，确定神经网算法的可行性。四、预期结果可以进行电力系统的短期负荷预测。相对于传统的人工预测来说，预测结果的精度会有很大程度的提高，完全能够满足企业的生产需要，证明人工神经网络在电力短期负荷预测领域的有效性、可行性。指导教师签字时间年月日摘要传统的短期电力负荷的预测往往存在几个特点，预测结果不准确，预测条件复杂多变，预测时间缓慢、周期长，需要多种方案作为技术支持。因此在相关预测技术的不断发展下，人工神经网络作为一种优秀的预测和逼近算法被引用到电力负荷预测当中，获得了巨大的成功。对于BP神经网络来说，首先载入训练数据，接着输入测试数据，将数据归一化后开始训练网络，训练1500次。训练结束后，保存网络。然后调用保存的网络进行预测，绘制神经网络预测图，以及神经网络训练误差曲线。而对于RBF神经网络来说，依旧是载入训练数据，接着输入测试数据，归一化后设置神经网络参数，训练后做一次仿真。训练结束后，保存网络。然后调用保存的网络进行预测，绘制神经网络预测图，以及神经网络训练误差曲线。在对网络进行训练时，尽可能多的覆盖负荷值的样本，而且把训练得到的网络权值保存起来。这样做使得训练得到的网络通用性会增强，同时可以方便用户在近期进行预测时随时取用。关键词：电力负荷神经网络网络权值AbstractThereareseveralfeaturesinthewayofforecastingoftraditionalshort-termpowerloadforecasting,predictionresultsarenotaccuratetopredictcomplexandchangeable,predictiontimeisslow,longcycleandneedavarietyofprogramsasatechnicalsupport.Sointhedevelopmentofcorrelationforecastingtechnology,artificialneuralnetworkisakindofexcellentforecastingandapproachingalgorithm,whichiscitedtopowerloadforecasting,andhasgotgreatsuccess.AstheBPneuralnetwork,thefirst,loadingdataoftraining,then,inputingthedataoftest,trainingnetworkafteranalysisofdata,training1500times.Afterthetraining,savethenetwork.Thencallthesavednetworktopredict,drawtheneuralnetworkforecastmap,andneuralnetworktrainingerrorcurve..FortheRBFneuralnetwork,itisstillloadingtrainingdata,andthentheinputofthetestdata,afterthenormalizedsetofneuralnetworkparameters,aftertrainingtodoasimulation.Afterthetraining,savethenetwork.Thencallthesavednetworktopredict,drawtheneuralnetworkforecastmap,andneuralnetworktrainingerrorcurve.Whenthenetworkistrained,thesampleoftheloadvaluecanbeasmuchaspossible,andtheweightsofthenetworkarepreserved.Thismakesthetrainingofthenetworkwillbeenhanced,whiletheusercaneasilypredictwhentheuseratanytimetouse.KeyWords:ElectricloadNeuralnetworkWeightofnetworkI目录第1章绪论···································································································11.1研究背景·······························································································11.2国内外研究现状······················································································11.3论文研究内容·························································································3第2章短期电力负荷预测基本理论····································································52.1电力负荷预测的分类················································································52.1.1依照预测周期来分类··········································································52.1.2按行业分类······················································································52.1.3依照负荷预测特性分类·······································································62.2预测电力系统负荷基本原理·······································································62.3预测负荷基本模型·····························································