搜索
短期负荷预测论文：基于神经网络的短期电力负荷预测研究【中文摘要】电力负荷预测是供电部门的重要工作之一,电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。随着经济和社会的发展,高准确度的短期负荷预测越来越重要。本文首先重点分析了电力负荷特性,提出了进行负荷分析应遵循的理念,并收集了上海地区2008和2009两年1至8月份影响电力负荷特性的的各类数据,进行了统计和分析,以上海地区为代表介绍大城市的负荷特性情况。第二部分介绍了神经网络的基本理论,其中重点研究了BP模型的结构、算法,对BP算法进行改进,利用遗传算法优化BP网络,仿真结果表明优化后的BP网络改善了训练过程中的误差,且预测结果更精确。第三部分首先提出建立影响短期负荷的相关因素映射数据库,并提出了映射数据库优化处理的策略,算例分析表明经过训练的相关因素的量化映射值更加合理,预测效果和稳定性得到了进一步提高。然后进行基于相关影响因素映射数据库的神经网络短期负荷预报的实现,由仿真结果可知映射数据库的建立明显有助于提高负荷预报的准确度。接着提出一种基于天气影响因素差异度的神经网络模型,算例分析表明该模型对天气变化较大或剧烈的负荷预测更为准确。第四部分主要是在对华东某地区各种影响负荷变化的相关因素进行研究的基础上,提出针对该地区供电企业进行短期负荷预测系统开发的框架设计思路。应用效果表明,该系统负荷预测模块满足应用需求。【英文摘要】Loadforecastingisoneoftheimportanttasksofthepowerenterprise,andthelevelofloadforecastinghasbecomeoneofthesignificantsymbolwhichshowswhetherthemanagementofapowerenterprisehasachievedmodernization.Withtheeconomicandsocialdevelopment,highaccuracyofshort-termloadforecastingwilbemoreandmoreimportant.Thispaperfirstanalyzesthecharacteristicsoftheload,andtheprinciplesofloadanalysisshouldbefollowed.VarioustypesofdataofJanuarytoAugustofthelastyearandtheyearbeforelastwhichaffectloadcharacteristicsarecollectedforstatisticsandanalysistodescribetheloadcharacteristicsoflargecities.Thesecondpartdescribesthebasictheoryofartificialneuralnetworks(ANN),whichfocusontheBPneuralnetworkstructure,algorithmandimprovedalgorithm,andgeneticalgorithmisproposedtooptimizetheBPnetwork.ThesimulationresultsshowthattheoptimizedBPnetworkpredictionresultsaremoreaccurate.Inthethirdpart,theestablishmentoftheconceptmappingdatabaserelatedfactorsisproposed,andoptimizationstrategyisproposedformappingdatabase.Exampleshowsthatthetrainedmappingvaluesofquantitativefactorsaremorereasonable,andthepredictedeffectandstabilityhasbeenfurtherimproved.Thenitstudysshort-termloadforecasting(STLF)basedonBPneuralnetwork.Comparingthesimulationoftheinputsamplewhichtakesintoaccountrelevantfactorsandtheinputsamplewhichdoesn’ttakeintoaccountrelevantfactors,thesimulationresultssuggesttheestablishmentofadatabasesignificantlyhelptoimprovetheaccuracyoftheshort-termloadforecasting.Last,aneuralnetworkmadelbasedondifferencedegreeofweatherisproposed.Numericalexampleshowsthatloadforecastingismoreaccuratewhenthemodelisusedforsevereweather.Thelastpartintroducesashort-termloadforecastingsystemdevelopmentideasbasedonVBAandPIdatabase.AfterconductingadetailedinvestigationinadistrictintheEastChina,theloadcharacteristicsoftheregionandlimitationsoftheoriginalloadforecastingsystemusedintheregionisdetailedanalyzed,ashort-termloadforecastingsystemframeworkisdeveloped.Theapplicationshowsthatthesystemmeetstherequirementsofloadforecasting.【关键词】短期负荷预测神经网络BP遗传算法【英文关键词】Short-TermLoadForecasting(STLF)artificialneuralnetworks(ANN)Back-Propagmion(BP)geneticalgorithm【目录】基于神经网络的短期电力负荷预测研究摘要5-6ABSTRACT6-7第一章电力系统负荷预测概述10-151.1负荷预测的意义和内容101.2电力系统负荷预测的基本原理101.3电力系统负荷预测基本步骤10-111.4主要的负荷预测方法11-131.4.1主要的成熟负荷预测方法11-121.4.2短期负荷预测研究热点12-131.5本文的主要研究内容13-15第二章电力系统负荷特性分析15-232.1电力系统负荷构成152.2电力系统用户用电特点分析15-162.3影响电力负荷变化的因素16-192.3.1影响电力负荷变化因素的种类162.3.2影响上海近期负荷的主要因素16-192.4电力负荷特性分析19-222.4.1进行负荷特性分析应遵循的理念192.4.2上海地区电力负荷特性分析19-222.5本章小结22-23第三章用于短期负荷预测的改进BP模型研究23-413.1BP神经网络概述23-273.1.1神经网络概述23-243.1.2BP网络模型结构24-253.1.3BP网络的学习算法25-273.2BP改进算法与结构分析27-333.2.1BP算法存在的缺陷及改进27-323.2.2BP网络隐含层节点数的选择32-333.2.3节点转移函数的选择333.3遗传算法优化BP神经网络33-403.3.1遗传算法原理33-343.3.2遗传算法的基本要素34-353.3.3遗传算法优化BP神经网络的流程353.3.4算例分析35-403.4本章小结40-41第四章基于神经网络的短期负荷预测的实现41-594.1短期负荷预测中相关影响因素的选择与处理41-444.1.1相关影响因素映射数据库的建立41-434.1.2基于摄动算法的映射数据库的优化处理策略43-444.1.3算例分析444.2负荷记录中伪数据的处理44-454.3训练样本的选取与处理45-474.3.1训练样本的选取45-464.3.2训练样本的归一化处理46-474.4基于相关因素映射数据库的正常日短期负荷预测的实现47-554.4.1考虑日气象特征和星期类型的短期负荷预测的实现47-544.4.2不考虑日气象特征和星期类型的短期电力负荷预测的实现54-554.5基于天气影响因素差异度的神经网络正常日短期负荷预测的实现55-584.5.1一种基于天气影响因素差异度的神经网络预测方法55-574.5.2算例分析57-584.6本章小结58-59第五章短期负荷预测系统框架设计59-695.1本文进行短期负荷预测系统设计的基本思想59-605.1.1短期负荷预测的周期性595.1.2基于同类型日思想的正常日预测的整体描述59-605.1.3本文进行系统设计的思路605.2关于制定负荷调整方案的研究60-655.2.1气象特征与生活用电之间的关系60-615.2.2重大节假日对负荷变化的影响61-645.2.3作息时间对负荷变化规律的影响64-655.3系统开发环境和开发工具655.3.1开发工具VBA简介655.3.2PI数据库介绍655.4短期电力负荷预测系统的框架设计65-665.4.1系统结构和功能65-665.4.2系统各模块主要功能665.5预测效果66-685.6本章小结68-69第六章总结与展望69-716.1总结69-706.2展望70-71参考文献71-74致谢74-75攻读硕士学位期间发表的学术论文75