基于BP神经网络的电力系统负荷预报

基于BP神经网络的电力系统负荷预报报告主要内容电力系统负荷预报的问题描述BP神经网络原理概述仿真实验问题描述近几年，我国南方一直处于“电荒”的被动情况，为了更好地利用电能，必须做好电力负荷的短期预报工作。负荷预报的误差将导致运行和生产费用的剧增，因此，精确的预报就成了电力工作者和其他科技人员致力解决的问题电力系统负荷变化受多方面影响，呈现强烈的非线性特性负荷预报的通常的3种解决办法1.统计技术：分时间系列模型和回归模型。缺点：不能充分利用对负荷性能有很大影响的气候信息和其他因素，建立精确模型困难2.专家系统：利用专家的经验知识和推理规则，使节假日或有重大活动日子的负荷预报精度得到了提高。缺点：把专家知识和经验等准确地化为一系列规则是不容易的众所周知，负荷曲线是与很多因素相关的一个非线性函数。对于抽取和逼近这种非线性函数，神经网络是一种合适的方法。神经网络的优点：具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽取和逼近隐含的输入／输出非线性关系近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度3.神经网络BP神经网络概述BP网络的学习由4个工程组成：模式顺传播误差逆传播记忆训练学习收敛BP神经网络的重要优势在于：学习性和自动调整性目前主要用于：特征的提取、过程的控制和状态的预测实用对象：非线性问题本课题就是利用其具有的较强的非线性映射特性，来预测电力系统的负荷划分负荷类型和日期类型纵观已经发表的文献资料，大体有以下几种划分模式：将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型将一周分为星期一、星期二到星期四、星期五、星期六和星期日等5种类型将一周的7天每天都看作一种类型，共有7种类型这里采用第3种负荷划分模式，把每一天不加区分地看作不同的类型输入向量设计在预测日的前一天中，每隔2个小时对电力负荷进行一次测量，这样一来，一天共测得12组负荷数据由于电力负荷还与环境因素有关，还需要通过天气预报等手段获得预测日的最高气温、最低气温和天气特征值（晴天、阴天还是雨天）因此，输入变量就是一个15维的向量根据BP网络的设计方法，一般的预测问题都可以通过单隐层的BP网络实现，所这里用单隐层的BP网络输出向量设计显而易见，目标向量就是预测日当天的12个负荷值，即一天中每个整点的电力负荷所以输出变量就成为一个12维的向量中间层神经元数目的确定：根据Kolmogorov定理，取31个网络结构：15－31－12传递函数的选取：网络中间层的神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig样本数据的采集这里以南方莫缺电城市的2004年7月10日到7月20日的整点有功负荷值，以及7月21日到7月21日的气象特征状态量作为网络的训练样本，预测7月21日的电力负荷数据的归一化处理：目的：防止病态样本的出现，易于网络训练学习公式：minmaxminˆx=xxxx归一化后的数据如下表所示样本日期电力负荷气象特征2004-7-100.24520.14660.13140.22430.55230.66420.70150.69810.68210.69450.75490.82152004-7-110.22170.15810.14080.23040.51340.53120.68190.71250.72650.68470.78260.83250.24150.302702004-7-120.25250.16270.15070.24060.55020.56360.70510.73520.74590.70150.80640.81560.23850.312502004-7-130.20160.11050.12430.19780.50210.52320.68190.69520.70150.68250.78250.78950.22160.270112004-7-140.21150.12010.13120.20190.55320.57360.70290.70320.71890.70190.79650.80250.23520.25060.52004-7-150.23350.13220.15340.22140.56230.58270.71980.72760.73590.75060.80920.82210.25420.312502004-7-160.23680.14320.16530.22050.58230.59710.71360.71290.72630.71530.80910.82170.26010.319802004-7-170.23420.13680.16020.21310.57260.58220.71010.70980.71270.71210.79950.81260.25790.309902004-7-180.21130.12120.13050.18190.49520.53120.68860.68980.69990.73230.77210.79560.23010.28670.52004-7-190.20050.11210.12070.16050.45560.50220.65530.66730.67980.70230.75210.77560.22340.279912004-7-200.21230.12570.13430.20790.55790.57160.70590.71450.72050.74010.80190.81360.23140.297702004-7-210.21190.12150.16210.21610.61710.61590.71550.72010.72430.72980.81790.82290.23170.29360网络经过了30步之后就达到了性能指标要求TRAINLM,Epoch0/1000,MSE0.178884/0.01,Gradient6.16052/1e-010TRAINLM,Epoch25/1000,MSE0.0257032/0.01,Gradient0.00688649/1e-010TRAINLM,Epoch30/1000,MSE0.00632095/0.01,Gradient2.28438/1e-010TRAINLM,Performancegoalmet.4.结论训练结果预报误差曲线由图可见，网络预测值和真实值之间的误差是非常小的，除了第6次出现了一个相对比较大的误差之外，其余的误差都在0左右。即使是第6次的误差也只有0.25，这完全满足应用要求。5.参考文献1.飞思科技产品研发中心.神经网络理论与MATLAB7实现.北京:电子工业出版社.20062.闻新,周露,李翔,张宝伟.MATLAB神经网络仿真与应用.北京:科学出版社.2003,73.KevinM.Passino,StephenYurkovich.FuzzyControl模糊控制.北京:清华大学出版社.2001