《基于神经网络的电力系统短期负荷预测研究.pdf》由会员分享，可在线阅读，更多相关《基于神经网络的电力系统短期负荷预测研究.pdf（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第2 6 卷第2 期2 0 0 2 年2 月电网技术P o w e rS y s t e m，l e c h n o l o g yV 0 12 6N o 2F 曲2 0 0 2文章编号：1 0 0 03 6 7 3(2 0 0 2)0 20 0 l O0 4基于神经网络的电力系统短期负荷预测研究周佃民，管晓宏，孙婕，黄勇(西安交通大学，陡西省西安市7 1 0 0 4 9)AS H o R T T E R ML o A DF o R E C A S T I N GS Y S T E MB A S E Do NB P A R T I F I C l A LN E U R A LN E T W o
2、 R KZ H O UI)i a nm i n，G U A NX i a o _ h o“g，S U NJ i e，H U A N GY o n g(X i a nJ i a o t o n gU n i v e r s i t y，X i a n7 1 0 0 4 9，S h a a n x iP r o v i n c e，C h i n a)A B s T R A C T：I o a df o r e c a s t i“g i m p o r t a n a s k1 nt hp r od u c t I o no fe I e c t n ce n e r g y I nt h i
3、sp a p e r，B Pa r c l f I c l a ln e u r a ln e t w o r kl sa p p l l e dI ns h o nt e r m【o a df o r e c a s t l“g U n d e rt h。c o n d【t 1 0 n o fp o 洲5 m ge n o“g ht r a l n l“gs a m p k st h em o d e l sf o rf。r a s l l“ga r er e a s o n a b l yc l a s s i f l e d，t h e w e e k l ya r l dd a l l
4、 y 一1 0 a df o r c c a s n n gm o d e l sf o rd I f f e r e n ts e a s o n sa r ec o n s t r u c t e d T h es e l 州l。no f i n p u tv ar I a b I e s，e s p e c l a l l yt h k c t l o no ft e m p e ra t l sd l s c u S 辨dI nt h e”a l n i“go fn c u r a ln e t w o r kt h0 v e rf l t t m Eo f l e na p p e
5、a 洲h i c ha f f e c t st h er e s u l t()f o r e c a s t l n 鼬T。p r n tt h l sp r o b l e mt h ee n t l r ed a t as e tl sd l v l d e dI n t ot r a l n i n gs e ta n dv a l l d a t l o ns e t T h er e s u ho ft y p I c a lc a k u l a 一1 l o ne x a m p l e ss h o w st h a tt h ep r e s e n l e dm e t
6、 h o dl se f f e c t】v e K E Yw o R n S：s h o r tt e r m1 0 a df o r e c a s t l n z B Pa r t l f l c l a lneur a ln e t w k；c o r r e l a t l o na n a l y s l 8；o v e r n t t m g；e l 盹t n c【yn l a r k e l摘要：电力系统负荷预测是电力生产部门的重要工作之一作者利用B P 神经网络进行电力系统短期负荷预测在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造丁相应于不同季节的周顽测、日预测
7、模型，并对输人变量的选择特别是温度的选取同题，进行了讨论。在神经网络训练的过程中往往会出现过拟合的现象，给预测的结果带来不利的影响为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题。典型算例的计算表明，该方法是有效的。美键词：短期负荷预测；B I 神经网络；相关分析；过拟合；电力市场中圈分类号：T M7 3 4文献标识码：A基盒顶目：围家杰出青年时学基金资助项目(6 9 7 0 n 2 5)，围家自然科差慧誊罂罂髻苗麓：l：j。，n a(5 07 0 0 2 j)l引言电力系统负荷预测是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，
8、合理安排检修计划，降低发电成本，提高经济效益。许多学者对此进行了研究，提出了很多种预测方法，并且及时地将数学上的最新进展应用到预测中去，使预测的水平得到迅速提高，负荷预测研究取得了很大的进展“一“。负荷预测按预测的时间可以分为长期、中期和短期负荷预测，其中，在短期负荷预测中，周负荷预测(未来7 灭)，日负荷预测(未来2 4 小时负荷预测)以及提前小时预测对于电力系统的实时运行调度至关重要，因为对未来时刻进行预调度要以负荷预测的结果为依据。负荷预测的结果的准确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。在当前市场化运营的条件下由于电力交易更加频繁和经营主体之间的区别
9、，会出现各种小确定性因素，同时负荷对于电价的敏感度也随着市场的完善而逐渐增强，这也给负荷预测带来了新的难度。由于市场各方对信息的获取和运营的经济性更加重视，准确的预测对于提高电力经营主体的运行效益有直接的作用，短期负荷预测的蕈要性就更加突出。目前，有很多负荷预测方法，如p I 归法、时I 廿J 序列法、神经网络法“1“、灰色方法和模糊方法等等，根据不同的预测要求用于不同的场合。本文采用的是当前应用较多的H P 神经网络方法，它实际上是一种非线性拟合的方法，对于训练样奉较多和预测点在样本空间附近的短期负荷预测有较好的效果。笔 万方数据第2 6 卷第2 期电网技术者利用这种方法对电力系统周、日负荷
10、进行预测，进行r 相关的研究，构造了相应的预测模型，并给出了利用本文设计的模型的周、日负荷预测的测试结果，表明该方法实用有效，精度满足实用要求。本文主要介绍短期负荷预测的算法，本文第2部分简单叙述B P 神经网络的一般原理，第3 部分介绍模型的输入量选择，第4 部分介绍模型的分类，第j 部分介绍神经网络的训练，第6 部分介绍模型的测试结果和讨论，第7 部分对本文进行总结。2 应用于负荷预测的B P 神经网络利用神经网络进行负荷预测是近几年来才开始广泛使用的负荷预测方法，其优点是对大量的非结构件、非精确性规律具有自适应功能，预测被认为是人工神经网络最有潜力的应用领域之一。由于B P 神经网络的强
11、非线性拟合能力，尤其是时预测中天气、温度等因素处理方便，而且学习规则简单，便于计算机实现所以目前多利用B P 学习算法来进行神经网络的训练，如图l 所示。输入神绎元层l抻经元层2艟啊图l三层神经网络示意图F i g，1N e u r a ln e t w o r ks t r u c t u r eB P 神经网络一般为三层结构，隐层中的神经元一般采用s i g m o i d 函数，输出层采用纯线性变换函数学习算法可以概括为反复进行前向汁算、反向计算、修正权值的过程，采用B P 神经网络进行训练实际r 是一种非线性拟合的方法，经过训练的神经网络，对于不在样本集中的样本集附近的输人也能给出合适
12、的输出，也就是利用B P 神经的泛化能力(g e n e r a l l z a t i o n)，介绍B P 神经网络的文献很多，具体的学习步骤可以参见文献 7 ，在此不予赘述。预测模型的设计主要分为两部分：(1)决定模型的特征输入量的选择和隐层节点数以及隐层的层数(隐层数一般取为一层)。(2)对根据预测问题的性质，进行适当的分类，构造不同的模型。以下分别予以介绍。3 预测模型的输入量选择在利用B P 神经网络进行预测时，关键是输入因素的选择，它直接关系到j!匿测结果的好坏。日前各种关于I P 神经网络进行负荷预测模型，差别主要在于输入元素的选择以及隐层节点数的确定。由于当前神经网络用于预测
13、的推广能力丰要是通过实验确定，输入变量选择也是以经验判断为主。本文中通过相关分析技术来选择输入量采用的输人主要有三类：历史负荷数据、温度和曲线特性因素，它们也是影响未来负荷水平的主要因素。具体介绍如下：(1)历史负荷数据历史负荷数据主要是指历史上每天的实际负荷大小。它反映一段时期内的负荷水平。根据相关性分析在负荷预测中预测日的相邻口即预测廿的前一天和一周以前(上星期的同一天)的负荷相关性比较好，在历史负荷数据的选择上，采用了提前一天的和提前一周的最大、平均负荷、对应小时以反对应小时前后各两小时的负荷。(2)负荷相关数据和负荷相关的因素有日期类型(工作U 周术，节假日)、温度，季节、其他因素(天
14、气，湿度，特殊事件等等)。日期类型和季节的不同町以通过对模型进行分类来实现。对负荷影响最大的输入应该是温度的变化在温度方面利用了预测日的天气预报温度。一般来说预测地区的地理范围比较大，预测区域内各地的温度也不同，如何选择温度输人，选择何处的输入成为预测一个难点。本文采用相关分析技术，部分地解决了这个问题，选择方法如下：1)按照经验和对预测地区特点的分析选择可供作为预测输入几处典型地点，为不失一般性，假定地点为a、b、c、d、e、f、g，取它们的历史温度记录。2)利用a、b、c、d、e、f、g 各地的每日温度和每日各个小时的负荷，以及温度之问进行相关分析。3)按照温度和负荷相关系数从大到小排序4
15、)选择和负荷相关系数较大而温度彼此之间相关系数较小的一组地点的温度作为预测模型的温度输入。图2 为某地区各个典型城市的最高最低温度与该地区总负荷大小的相关性曲线。但是，这种方法中各个城市温度的选择和最后模型中采用的温度还需委做进一步的实验，只是在某种程度上提供了一种参考的依据。表1 为某系统温夏季神经网络输入选 万方数据P o w e rS y s l e mT e c h n 0 1 0 9 y择和负荷预测结果的比较，笔者的实验表明，这种方法进行的温度选择后，预测精度有了明显的提高。蔑一刍蠖缫琴湫一j、迎歹图2 夏季各城市温度和2 刊、时负荷的相关性分析F i g 2c o r r e I
16、a t j o a n a l y s bo ft e m p e r a t u r 档n n dI 岫do ft h ec n i 船a t4c e r t a hr e g i o nms u m m e r裹l 预测结果比较T a b 1C 0 m 呻r I s o no ff o r e c a s tr 怖u l t温度输人夏季预测效果7 个城市的最大最低温度都作为输入任选其中一十温度作为输人用车文方法采用5 个温度作为箱人泛化能力相当差预测绝对误差百分数均在3，5以上顼捌绝对误差百分数为24 7(3)负荷曲线特性考虑到负荷每天的周期性变化趋势，具有明显的峰荷，腰荷和谷荷变化，在输
17、入中选择了以下几个元素作为输入，以表征曲线的变化：(c o s(2 ：缸()2 4)(s i n(2 ：硝()2 4)(s i n(2 ：()l2)(c o s(2 ：加()1 2)其中，代表对应的小时数(1 2 4)，印为圆周率。模型的输出为一个，即预测F 1 的对应小时负荷。4 预测模型的分类利用B P 神经网络进行预测，也就是利用神经网络的泛化能力这就要求预测的问题和进行神经网络训练的样本集具有尽可能相似的规律，因此，在保证有足够的神经网络训练样本的前提下，很有必要根据不同的预测时期进行分类。季节不同，负荷的特性也不同。例如，从温度对负荷的影响作用来看，一般而占，夏季的负荷随温度的升高而
18、增大，而在冬季，温度升高，负荷则会降低。模型中将全年分为三部分即：春秋季模型、夏季模型和冬季模型。在每个季节的模型中又根据预测日的星期周期变化的特点，分为7 个模型进行了训练。由于本文提出的预测系统是包括周、的短期负荷预测系统，所以按照预测的时间可以分为：提前1 天负荷预测(日负荷预测，分为上午8：o o 发布和下午l6：0 0 发布两种模型)、提前2 天负荷预测，提前3 天负荷预测、提前4 天负荷预测、提前5 灭负荷预测、提前6 天负荷预测和提前7 天负荷预测。因此，在本文的短期负荷预测系统中用到的模型数为3 8 7 1 6 8 个，根据所分类的不同选取不同的训练样本进行训练。5 神经网络的
19、训练在利用神经网络进行训练时，收敛标准并不能完全以训练误差最小作为依据，因为在训练的过程中会不可避免的遇到过拟台现象。这直接影响到神经网络的推广能力，如图3 所示。图3 误差曲线F j g3E r r o rc u r v e过拟台现象是神经网络研究中的一个值得探讨的问题，本文采用的是把所有训练样本随机地分为两部分：即训练集和测试集利用训练集的样本进行神经网络训练，利用测试集的数据进行测试。在神经网络的训练过程中，随着训练误差的不断减小如果测试集的误差增大的大小或者次数达到定的水平，则停止神经网络的训练。虽然神经网络过拟合的性质和解决办法还需要进一步的研究，本文采用的这种方法却部分地解央r 过
20、拟合的问题，而且方便实用。在本文的应用中取得了较好的效果。6 算例与讨论利用本模型对美国加州的算例进行了计算，效果良好。表2 中给出典型的算例来验证模型的准确性：表2 中，S D E 为标准误差，M A F 为平均绝对误 万方数据第2 6 卷第2 期电网技术差M A P E 平均绝对百分误差。以上训练结果均采用了防止过拟合的早停技术。从上述的预测结果看，采用分模型方法对较难以预测的夏季负荷进行预测以提高预测的精度取得了较好的效果。表3 中对1 9 9 9 年各个季节的月份进行了预测，测试结果表明，月平均误差不超过2 5，说明模型有较好的适应性，达到了实用的要求；对于较难预测的夏季负荷，本方法的
21、预测结果优于加州l s O 发布的预测结果，如图4 所示。表2 加州电力市场1 9 9 9 年8 月2 日负荷预测T a b2L o a df o 代c a s tf o rC a l i f o r n i ae l e c t r i c i t，m a r k e to n1 9 9 8 8 27 结论表3 每周7 个模型训练结果T a b 3T r a i nr e s u I t so f7m o d e I saw e e k星期一模型训练次数：l5 6星期二模型!竺竖墼：!M A EM A P F训练集3 9 85 2 7 7 6 23 0 l，6 2 5 1 1 3 7一校验集
22、5 6 50 8 7 0 5 l3 8 3 1 11 l2 8o u l4 44 5星期五模型训练次数：2 6 9S D EM A E训练集2 7 04 4 8 6 2 82 舢7 3 67 儿校骑集3 5 9 6 5 5 5 0 72 7 3 3 6 7 4 6 0M A P F1 9 蜉年8 月备个小时图41 9 9 9 年8 月每个小时的预测误差F i g 4H o u r I yf o r e c a s te r r o rf o rA u g 1 9 9 9负荷预测是电力系统运行、规划中一项非常重要的工作，和经济调度密切相关的日负荷预测更是得到广泛的重视。随着电力市场的发展，必将对
23、负荷预测甚至电价预测提出更高的要求，研究适应电力市场情况下的预测系统是瞳为必要的。本文通过对B P 神经网络应用与负荷预测进行具体的分析和设计，并对其中的一些问题比如模型的构造、训练过程中过拟合的防止进行了训论，提出了一种实用的预测模型。通过本文的研究可以看出在保证足够的训练样本的前提下对模型进行适当分类和防止训练的过拟合可以提高预测的精度。本文(下转第1 8 页c o n t i n u e d 帅p a 2 e1 8)万方数据P。w e rS y s t e mT e c h n o I o g y容也是E M s 系统建模的发展方向。本文提出r 一种高效的全自动拓扑生成算法与原始的方法相
24、比在计算速度上有着数量级的提高。电网拓扑分析的实质是生成图的全部树，本文摒弃了传统的采用深度优先的拓扑方法，提出了一种基于节点融合的快速拓扑方法，不仅提高了效率而且简化了程序。利用本文提出的电网拓扑的对象结构，采用c+开发了拓扑程序。并利用本文开发的拓扑程序，实现了s c A D A 的动态着色和D T s 中的通用的谰度操作校核等应用。参考文献1 邛佑满，张伯明，相年蕾：n gY o u m a“g，z h a o g 如g，x l a“gN l a n d e)层次模型下的电力网络拓扑分析(At o p d o g ya n a l y s l 8h o db a 靶d h l 盯a r
25、c h ym。d e】)c 重庆：垒耳高校电力系统及其自动化专业第九届学术年会，1 9 9 3，l o：z 3 5z 1：2：里文传，张伯明，孙宏斌，荨(w u w h u 柚，z h a“gB。m i o g，s u nH o“g b i n，Hd)基于w l n d o w s N T 的s(：A 眦E M s D T S 一体化支攀平台(Aw m d 0、y sN Tb 8 s c d【n 1 镕r a【l v e，o p e dd 睁t n b u t e ds c A D A P A s D r Ss u p p o n m gs y s t e m)J 电同技术(P o w e r
26、S y s t e mT c c h n d o P y)，l9 9 9，2 3(9)：3：吴文传，张伯明，汤磊，鹏(w uw e n c h u a n t z h a“gB。m l n z，T a“gL e I，w a gP e“g)支持s c A D A P A s D T S 一体化的图形V()1 2 6N o!系统的研究与实现(T h u d ya n dl m p k m e n t a 1“g H 曲I c3 y s t e u p p u n。S c A D A P A s I)T s)J 电打系统自动化(A u I o m B e fE k c t mP fS v s t e
27、 s)，2 0 0 1，2 5 4，陈树柏，左垲，张良震(c h e nS h u b a I t z u oK 扎z h 洲g1m n gz h e n)网络罔论盈其庙崩(N e l 州kt o p o l o g ya n dI t sa p p h c aL 邮)M 北京：科哔出版社(s c P)“0 8 2段献忠，陈台富，等(r)u a nx I a n z h。“g，c h c nJ m f u 川“f)潮境计算中F A c T s 元件模型选挣研究(翱l y o d e】s。fF A c lsd e v l“p 0 岫f b k u l a t l o n)J 1 电工技术学报(T
28、r a T l 州t l o 脚fe k c t r o t c c h n d o g y 龇l y)，I9 9 9 14(3)t5 56 9 V e h s a k u IPD，D 曲b 8 9 h c h lI A p o l o g yb a s 划a l g o r l t h mf o rt r w k gn e t w o r kc o t I v“y J 1 E E ET r a n s。nP o w e rs y st e m s，F c b r u a r y19 9 5(2)：3 3 9 3 4 5K a m b a I eP，M a c h a u c rJJ 1 h
29、ed I s p a t c h e r I r a“gs 删l a t。rf。rm e t r o p。l l t a ne d i o m p a n y J I E E ET o nP。s y ht，1 9 9 6，1 1(Z)收藕日期；2 0 0 10 40 2 改回日期：2 0 0 10 62 0；作者简介：是文传(19 7 3)，讲师，在职博上生，从事E M s、m、s 和D M s 的研究和开发工作l张伯明，教授，博十生导师。(编辑扬天和)啦e l d l e 常砷鹋1 t 掣1 t c，竹口o c，啦啦o t e e l e l e l d 科书1 c K 口o c c e e
30、 神 e，口e l e e l e，种t e 鹋t c 常啦c e 啦(上接第1 3 页啪t i n u e df r o mp，g e1 3)的算法已经应用于美国加州电力市场的负荷预测中。参考文献I E E Ec 0 u m t t 瞬趾p o r t L。a dF o nB|b U o g r 8 p h y，P h a s el R I E E ET r 一(hk w c rA p p a r a t u s a n ds y s k r 惦，l9 8 0 P A s _ 9 9(1)I E E Ec。m 删”代R e p o r t L df o s tbL b l l o g r 8
31、 p h y，P h a s eI R 上I E E ET o nP o w e rA p p a r a t n ds y s t e m s t1 9 8 1，P A S _ 1 0 0(7)M 0 9 h r a mI，R a h 哪nSA n a 时s de v a l u a t l o n o fn v e s h o r p1 e r mb a df o r s t l n gt e c h n l q u e s J!I E E ET r a n s。nP w s，l9 8 9，4(4)：1 4 8 4 l4 9 1 牛末骁，等(N 儿l【b n g 枷o“)电力负荷预测技术及
32、其应用(L o a d f 删t t e c h n o l o g ya n da p p l y)M 北京：中国电力出敷杜(&L m g：c h L n aE k t r iP。P r 螂)，1 9 9 8T 艘KY c h aYT，P a r kJH S h o r t 忙r ml o a df o r t l n gu 出“g抓a n l f a in e u f a In e t w o r k J I F E E1 r a n s。nP w s 1 9 9 2，7 6 7(1)：l2 5 1 3 2L uCN，W uHT V e m u nS N ln e l w o r kb a
33、 s ds h o nt k a de o I 牲蝴i 哩 J ，I E E ET 一呻P w s t l 0 9 3 8(：3 一3 4 2张乃尧阎平凡(z h a n gN a l，Y a nP I【l g h n)神舞嘲络与模糊控制(N ln e c w o r ka n df u z z yc o n t r 0 1)r M 北京：清华大学出版杜(B e l J l o R：T s l n g h u au n l 州“yP 唧)。l9 9 4 收稿日期：2 0 0 10 50 8；政回日期：2 0 0 1071 3。作者筒介：周佃民，男，博十研究生研究方向为电力市场理论与电力市场技术
34、支持系统I臂晓宏，男，教授，博上生导师，长江学者特聘教授研究方向为电力系统优化渭度和制造系统优化调度、练合赍嚣调度与竞标、电力市场、大系统优化理论及其应用，罔络安全，孙键女，硬十研究生，主要研究方向网络信息发布与嘲络A s P 技术服务。(编辑杨无和)n口邓口山跚瑚弼 万方数据基于神经网络的电力系统短期负荷预测研究基于神经网络的电力系统短期负荷预测研究作者：周佃民，管晓宏，孙婕，黄勇作者单位：西安交通大学,陕西省,西安市,710049刊名：电网技术英文刊名：POWER SYSTEM TECHNOLOGY年，卷(期)：2002，26(2)被引用次数：72次 参考文献(7条)参考文献(7条)1.I
35、EEE Committee Report Load Forecast Bibliography,Phase I 19802.IEEE Committee Report Load forecast bibliography,Phase 19813.Moghram I.Rahman S Analysis and evaluation of five shortterm load forecasting techniques 1989(04)4.牛东晓 电力负荷预测技术及其应用 19985.Lee K Y.Cha Y T.Park J H Short-term load forecasting us
36、ing an artificial neural network 1992(01)6.LU C N.Wu H T.Vemuri S Neural network based short-term load forecasting 1993(08)7.张乃尧.阎平凡 神经网络与模糊控制 1994 相似文献(10条)相似文献(10条)1.期刊论文 赵宇红.苏泽光.盛义发.匡少滨.ZHAO Yu-hong.SU Ze-guang.SHENG Yi-fa.KUANG Shao-bin BP神经网络在电力系统短期负荷预测中的应用-南华大学学报（自然科学版）2005,19(3)电力系统短期负荷预测是电力生
37、产部门的重要工作之一,本文利用BP神经网络进行电力系统短期负荷预测时,根据影响因素确定了模型构成,并对输入变量选择进行了讨论,典型算例的计算表明该方法是有效的.2.学位论文 张宝平 基于遗传BP神经网络的电力系统短期负荷预测 2003 电力系统短期负荷预测是电力调度部门制定发电计划的依据,是市场环境下编排调度计划、供电计划、交易计划的基础。随着电力工业市场化进程的加快,电力系统短期负荷预测精度的好坏直接影响到产业部门的经济效益,是现代电力系统运行研究中的重要课题之一，它是研究电力系统规划问题、电力系统经济运行及其调度自动化的重要依据。本论文将前馈神经网络应用于电力系统短期负荷预测中，并引入遗传
38、算法对网络的初始参数进行优化，主要研究工作如下：1.电力系统负荷是一个随机非平稳过程，其负荷观测值由于受到各种因素的影响，可能会存在某些“坏数据”或“不良数据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。本文利用统计学的方法，求出某段时间内负荷序列中的均值与方差，再利用偏离率的计算公式计算出负荷序列中每一点的偏离率，并与阈值相比较，从而除去“不良数据”，为准确有效地进行负荷预测提供了保证。2.通过对历史负荷数据规律性的分析，得出负荷是以周为大周期变化，以日为小 周期变化，“大周期”中嵌套“小周期”规律变化的结论。在神经网络输入节点的选择方面，除了引入相关历史负
39、荷作训练样本外，还考虑了温度、气候敏感因素和特征日对负荷变化的影响，提高了负荷预测的精度。3.针对神经网络的收敛速度慢的缺陷，本文采用了带有变步长 和变动量因子 的改进BP算法，针对BP神经网络由于初始权值选取不当容易陷入局部极小点，本文将遗传算法引入到网络初始权值的确定中，提出了遗传算法和BP神经网络相结合遗传BP神经网络的短期负荷预测方法,与传统神经网络方法相比,该方法可以加快网络学习速度和提高学习精度。我们用遗传算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测,仿真实验结果表明该方法加快网络学习速度,并能提高负荷预测精度。3.期刊论文 宋人杰.边奕
40、心.闫淼.SONG Ren-jie.BIAN Yi-xin.YAN Miao 基于小波系数和BP神经网络的电力系统短期负荷预测-电力系统保护与控制2009,37(15)提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法.把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理.详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证.4.期刊论文 宋人杰.边奕心.孙世荣.闫淼.SONG Ren-jie.BIAN Yi-xin.SUN Shi-rong.YAN Miao 基于小波系数和BP神经网络的电力系统短期负荷预测-东北电力大学学报20
41、08,28(4)提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法.把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理.详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证.5.学位论文 张春娟 基于Web的超短期负荷预测研究与实现 2007 电力系统短期负荷预测对电力系统可靠、安全、经济运行具有重要作用，它是电力系统调度运营部门的一项重要工作，也是电力市场技术支持系统的重要组成部分。它涉及到电力系统的调度运行和生产计划，准确的负荷预测有助于提高系统的安全性和稳定性，能够减少发电成本。随着电力市场的建立和发展，短期负荷预测已成为
42、电力系统管理现代化的重要内容之一。近年来，国内电力生产运行部门，尤其是自动发电控制(AGC)的运行和实现动态经济调度都对超短期负荷预测，即预测未来几分钟至一小时的负荷数据产生迫切的要求。从长远来看，它也是电力市场的所需信息。可见，研究和开发超短期负荷预报具有重要意义和实用价值。而研究短期负荷预测理论与算法并开发高效实用的负荷预测系统己成为十分重要的课题。本文主要针对电力系统超短期负荷的预测算法及其应用软件系统的设计和开发进行了初步研究。作为EMS的一个重要模块，超短期负荷预测日益受到关注。论文介绍了电力系统负荷的组成、特点、分类，接着分析了影响负荷预测准确性的因素及数据预处理方法和误差计算方法
43、，在研究比较了各种常用短期负荷预测方法的优缺点的基础上，以太原地区历史负荷数据为背景，提出了两个预测模型BP神经网络预测模型和小波神经网络(WNN)预测模型，利用它们进行超短期负荷预测工作。应用Matlab7.0软件，我们建立了一个3层神经网络模型，并在其学习和训练过程中引进BP算法来修正网络权重，实现负荷预测。小波神经网络是用小波函数代替神经网络中的Sigmoid函数，通过利用小波变换理论里多分辨率分析的Mallat算法实现对负荷序列的分解和重构。选择合适的小波基和尺度函数，可以将负荷序列分解成一个低频分量和多个高频分量，对各分量分别建立BP神经网络预测模型，最后叠加各分量预测结果得到最终的
44、负荷预测值。典型算例表明该算法具有辨识精度高、泛化能力强、训练简单和通用性强的优势，能够满足实际应用的要求。随着电力系统信息化进程的深入与发展，电力企业信息系统的开发与应用正逐渐成为行业的热点。针对电网相关部门的实际需要，本文开发了一套基于Web的短期电力负荷预测管理系统。该系统集成于地区电网的调度自动化系统，具有较好的实时性、经济性和实用性。由于电力网络日趋复杂，传统的C/S模式暴露了其工作效率低、管理不完善、维护困难和费用高的一面，而电力系统一体化的生产、管理、调度和指挥，以及信息化、公开化和数据共享显得非常重要。因此本文采用浏览器/服务器(B/S)分布式结构，以安全、高效的MSSQL S
45、erver作为后台数据库，选用面向对象的可视化的C语言开发核心程序和系统界面。在软件设计过程中充分体现了.NET的特性和优势，通过搭建一个信息服务平台，为电力调度可视化图形数据的网络发布提供了一种解决方案，实现了负荷预测、分析统计、数据查询、考核和打印、调度信息管理等功能。该设计具有良好的开放性、互联性和可扩充性，可望提高电力企业的运行效率和管理水平。6.期刊论文 陈明华.CHEN Ming-hua 基于回归BP神经网络的短期负荷预测-企业科技与发展2008(24)负荷的形成受多方面因素的影响,在建立短期负荷预测模型时,需要综合考虑多种因素.同时,负荷是一种时间序列信号,目前的数据能够对以后的
46、数据产生重要的影响,所以文章采用回归BP神经网络模型应用于短期负荷预测.实例计算表明,该方法有效,预测精度比常规方法高,收敛性好,运算速度快.7.学位论文 刘玲 基于粒子群BP神经网络的短期负荷预测研究 2006 电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。尤其是准确的短期负荷预测更具有重要的意义。负荷预测的影响因素较多，既由负荷本身的历史因素决定，还要受众多非负荷因素的影响。非负荷因素中又以气象因素权重最大。负荷坏数据辨识是由负荷曲线聚类和坏数据曲线模式分类两个顺序的过程组成的；本文通过对Kohonen网的聚类和BP网模式分类的效果分析，设计由这两种网络组合而成的神经网
47、络模型，较好地完成了坏数据辨识的任务。本文讨论了影响负荷的各种因素。建立了充分考虑各种因素的短期负荷预测模型，在输入变量中考虑了临近日负荷特点，以及各种气象因素，对输入负荷值进行归一化处理，对温度、降雨和光照等因素进行了量化处理。针对BP神经网络由于初始权值选取不当容易陷入局部极小点的问题，本文将粒子群算法引入到网络初始权值的确定中。与传统神经网络方法相比，本文提出的粒子群算法和BP神经网络相结合的短期负荷预测模型可以加快网络学习速度和提高学习精度。论文用粒子群算法来训练网络参数，直到误差趋于一稳定值，然后用优化的权值用于BP算法。仿真实验结果表明该方法能加快网络学习速度，并提高负荷预测精度。
48、8.期刊论文 蒙新华.欧阳伟.MENG Xin-hua.OUYANG Wei 基于BP神经网络短期负荷预测的实现-有色冶金设计与研究2009,30(1)介绍了基于BP神经网络的负荷预测方法.并通过结合一些理论方法(预测前的数据预处理;模糊逻辑对气温、天气变化等影响因素的量化处理;预测后对少量数据的修正),使BP网络预测模型达到较理想的精度.最后,以预测南昌某变电站一日的负荷为例,验证该方法是可行的.9.期刊论文 梁海峰.涂光瑜.唐红卫.LIANG Hai-feng.TU Guang-yu.TANG Hong-wei 遗传神经网络在电力系统短期负荷预测中的应用-电网技术2001,25(1)为了克
49、服传统BP神经网络中存在的一些缺陷，实现准确、快速预测电力系统负荷的目的，作者通过将遗传算法与神经网络结合，构造了一种遗传神经网络来进行电力系统短期负荷预测。方法的思路是：首先，利用遗传算法有指导地计算神经网络隐层节点数，从而确定一个较合理的神经网络结构；其次，由遗传算法从初始权值的解群中选取出一优秀的初始权值，克服初始权值选取的盲目性；最后，将得到的神经网络结构和优秀的初始权值结合起来，利用改进的BP算法进行电力系统短期负荷预测。仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。10.学位论文 沈佳 混沌算法在短期电力负荷预测中的应用 2007 当对电力系统进行在线控制时，应当用短期
50、负荷预测来实现发、供电的合理调度。短期负荷预测是电力系统安全调度、经济运行的重要依据，负荷预测精度的高低直接影响到电力系统运行的可靠性、经济性和供电质量。人工神经网络是为了研究人类的认知过程而发展起来的，它的中心问题是认知与模拟。由于人类对真实神经系统只了解非常有限的一部分，人工神经网络的完善与发展有待于神经生理学、神经解剖学的研究给出更加详细的信息和证据。混沌神经网络是近年来发展起来的一门新的科学，人们发现了脑中存在着混沌现象，混沌理论可用来理解脑中某些不规则的活动，从而，混沌动力学为人们研究神经网络提供了新的契机，对于混沌神经网络的研究也成为摆在人们面前的又一新课题。本论文针对混沌短期负荷