《人工智能在电力系统短期负荷预测中的应用.pdf》由会员分享，可在线阅读，更多相关《人工智能在电力系统短期负荷预测中的应用.pdf（3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、人工智能在电力系统短期负荷预测中的应用第六图书馆短期负荷预测是能量管理系统(EMS)的重要组成部分。本文对人工智能在电力系统短期负荷预测中的应用,包括专家系统、模糊预测、神经网络、支持向量机,进行系统地综述和分析,指出现有各种方法的优缺点,并提出今后短期负荷预测的发展方向。短期负荷预测是能量管理系统(EMS)的重要组成部分。本文对人工智能在电力系统短期负荷预测中的应用,包括专家系统、模糊预测、神经网络、支持向量机,进行系统地综述和分析,指出现有各种方法的优缺点,并提出今后短期负荷预测的发展方向。短期负荷预测人工智能 专家系统 模糊预测 神经网络 支持向量机福建电脑黄舒宁 方瑞明华侨大学电气工程
2、系,福建泉州3620112007第六图书馆2 0 0 7年第 2期 福 建 电脑 5 7 人工智能在电力系统短期负荷预测中的应用 黄舒宁 f 华侨大学 电气工程 系 方瑞 明 福建 泉州 3 6 2 0 1 1)【摘 要】：短期负荷预测是能量管理系(E M S)O重要组成部分。本文对人工智能在电力系统短期负荷预测中的应用，包括 专家系统、模糊预测、神经 网络、支持 向量机。进行 系统地综述和分析，指 出现有各种 方法的优缺点，并提 出今后短期 负 荷预测的发展 方向。【关键词】：短期 负荷预测；人工智能；专家系统；模糊预测；神经网络；支持向量机 O 引言 短期负荷预测是能量管理 系统f E M
3、 S)I重要组成部分，主要 用于预报未来几天或几星期的电力负荷。准确的短期负荷预测 不仅可以帮助电力企业经济地安排 电网发电机组的起停。合 理 制订机组检修计划 减少不 必要 的旋转储备容量 保证电网运行 的安全稳定性：同时是建设 电力市场，实现促进 电网和供电企业 参与市场竞争 提 高电力行业经济效益和社会效益的基本工作 内容之一。鉴于短期负荷预测 的重要性。其预测结果 的误差不超 过 3。短期负荷预测技术经过几十年 的发展 研究者提 出了很多 方法和技术f 1 1。现有的预测方法大体可 以分成两类：经典 的数学 统计方法和上世纪 9 O年代兴起的各种人工智能方法。统计法 中 所用 的短期
4、负荷预测模 型一般可 归为 时间序列 模型和 回归模 型。这些方法理论成熟、算法简单，但 是它们无 法处理负荷 与各 影响因素之间复杂 的非线性关系 随着人工智能技术 的发展，陆 续 出现了专家系统法 模糊 系统和神经 网络法等新方法，它们 在 处理非线性问题上取得 了很大的进展 在过去 的十年里引起了 众多关注f 2 2 1 1。本文将首先分析短期负荷 预测 的影响因素，指 出传统数学方法的极 限性 然后对典型的人工智能方法进行综 述 总结这些方法的优缺点，并指 出未来的发展方 向。1 短期负荷预测的基本分析 通过对大量历史数据的分析表明 任 一时刻 电力 系统的负 荷都可以假设为 以下 4
5、个独立成分的线性组合 即有“)=N“)+r v(t)+(f)+v(f)f 1、式中，()，时刻 t 的系统 总负荷；()，时刻 t 的正常负荷分量；r )，时刻 t 的气象敏感 负荷分量；S r )，时刻 t 的特殊事件负荷分 量；r )，时刻 t 的随机负荷分量。从式f 1)可 以看 出，短期负荷预测 的影 响因素较为复杂。包 括：1)气象因素是对短期负荷预测 的影响尤 为重要 作 为可估 计的随机事件 气象预报 的不准确 会造成预测结果 的双重误差。而且随着生活水平 的提高 夏季降温防暑和冬季取暖负荷不断 增长 气象因素必须着重考虑。2)特殊事件的不确定性将造成负荷 预测 的较大误差。当今
6、 特殊事件阿出现趋于频繁，给预测带来 了难度。3)任何负荷预测模 型都是 以历史负荷为依 据的，通过分析 过去的情况来预测将 来的负荷变化 但 由于历史数据 的不完整 甚 至还有伪数据，从而给预测结果带来一定 的误差。4)在不同的负荷类 型中f 工作 日、周 末 日、节假 日)，负荷 的 变化规律不同。工作 日的工业负荷要大于周末 日的与节假 日的；节 假 日的生活和商业负荷高于前 者 所 以在负荷预报中必须 考 虑负荷类型的影 响 2 智能预测法 传统的基于统计学的负荷预测方法 如时间序列法、回归分 析法等 其本质都是通过对 历史 用电数据及相关 因素分析整 理，求 出负荷变化的趋势 从而借
7、 此外 推实现预测，因此对数据 的要 求很 高 特别是在历史数据残缺或存在较大误差的情况下，具有 较大的局限性。随着人工智能技术的发展，8 O年代 中后期，在人 工智能领域最为活跃的专家系统技 术在负荷预测技术中首先得 到了成功的应用fJ 1 随后陆续 出现了模糊系统 和神经 网络法等新 方法 它们在处理非线 性问题上取得了很大的进展。2 1专家系统法 专家 系统法是对人类 的不可量化的经验进行转化 的一种较 好的方法 对 于突发性事件引起的负荷变化脱离正常模式的情 况 由调度员经 验发展 而来的负荷预测专家 系统可 以避开复杂 的数值计算而使问题得 到解决。这些系统非 常简单，但通用性较 弱
8、 缺乏学习能力和利用模糊知识 的能力。若能将它与其他方 法，如模糊理论等。有机地结 合起来，构成预测系统，可以改善预 测结果。2 2模糊预测法 模糊负荷预测是九十年代初 比较热门的研究方 向。模糊控 制是在所采用的控制方法上应用了模糊数学理论。使其进行确 定性的工作 对一些无法构造数学模 型的被控过程进行有效控 制 模糊系统不管其是如何进行计算 的。从输入输出的角度讲它 是一个非线性 函数。模糊系统对于任意一个非线性连续函数，就 是 找出一类隶属 函数。一种推理规则，一个解模糊方法，使得设 计出的模糊 系统能够任意逼近这个非线性函数嘲。例如，从已知 输入输出数据对中产生模糊规则，形成一 个模糊
9、规则库，利用模 糊逻辑从组合模糊规则库中求取预测结果16 1。然 而 单纯 的 F u z z y方法对于负荷预 测，精度往往不尽人意 的 这主要因为 F u z z y没有学习能力，这一点对 于不断变化的电 力系统而言 是极为不利 的。因此，在实际应用 中，模糊预测法大 多与其他方法结合使用f 7，8 1。2 3神经网络法 神经网络方法以传 统显示 函数的 自变量 和因变量作为网络 的输入和输 出 将传统 的函数 映射关 系转 化为高维的非线性映 射 神经网络是一个 高度非线性的超大规模连续时问动力系统，可以映射任意复杂的非线性关 系 且能够识别有噪声或变形 的 样本 通 过学 习能把样本
10、隐含的特征和规律分布于神经网络 的 连接权上。而 电力系统的负荷预测从根本上讲就是 是非线性系 统的辨识问题 因此采 用神经 网络进行预测有着传统方法所没 有的优点。9 O年_代中期。国内外利用 N N进行负荷预测的研究达 到了高潮，有许多很成功的应用实例 I 唰。采用神经网络进行预测 要解决的问题 主要有以下两个：1 A N N结构确定 要保 证经过 足够多 的样 本学 习后 A N N 能够任意精确地逼近被预测 的非线 性系统，并且具有简单的结 构形式和最少的可调参数。目前，如何确定 神经 网络的结构，如 网络 的层数 每 层神经元的数量，神经元 的连接 方式仍是还没有 解决的问题 只能靠
11、 在实 际应用 中的经验或通过大量的实验获 得 现在大多文献研究的重点在于如何构成预测样本、如何构成 输入层数据等 2 A N N训练算法 的改进 基于误差反 向传播算法 的 B P神 经网络在负荷预测 中得到了广泛应用，但标准 B P算法最大的缺 点就是收敛速度慢 容易陷入局部最优解。为 了达 到更快更好 的 维普资讯 http:/ http:/ 第六图书馆5 8 福建 电脑 2 0 0 7年第 2期 预测效果，为此，许多学者做 了大量研究。文献【1 2 1 合理地考虑 了影响负荷 变化 的主要气象因素，在训 练中引人 遗忘因 子 要求 网络在训练过程 中对不 同时序 的样本 给出不同 的训
12、练精度，即对近期训练样本 的输 出精度要高 于前 期的训练样本，遗忘程度遵循”远大近小”的原则。同时采用附加 动量 法和 自适应学习速率法这 两种改进的快速 B P算法来 改善 网络的收敛过程 文献f 1 3 1 引人遗 传算法优 化网络结 构，采用 最速下降法 和 共轭梯度 法的结合对传统 B P算法进行 了改进 并采用 自适应调 整步长法 克服局部极小值的问题 同时建 立在线权值修改模型 和假 日预报模 型 仿真计算 比较表 明，该方法在 预测精度和收敛 速度方面均得 到了较大改进。文献f 1 4 1 建立 了一种新 的人工鱼群神经网络预测模 型。人工 鱼群算法是最新提出的新 型寻优策略
13、具有 良好的克服局部极 值、获得全 局极值的能力。利用人工鱼群算法训练神经网络的权 值，再将该 神经 网络用于短期负荷预测。对某电力系统进行的负 荷预测结果表 明 该方 法与传统 的 B P神经 网络预测方法相 比 具有较强 的自适应 能力 和很好 的预测效果。这也是 目前较新的 一种算法。文献 1 5 1 提 出了基 于 R B F网络和 B P网络的级联神经网络 预测方法 把天气因素和历史负荷对负荷预测值的影响分开考 虑 其中 R B F子网络用 于描述历史负荷 的影 响，B P子 网络则对 在 R B F子网络中难 以考虑 的天气 因素给出了较好 的映射关 系 最终将两个子 网络组 合为
14、一个级联神经 网络 一 系列 的研究算 例证明该 方法是快速、准确 的。文献 1 6 1 设计一 个模块化的综合智能化 电力短期负荷预测 系统 该模块集成 了 A N N预测方法、F L S预测方法和 F E S 修正 方法 这个系统已经形成软件包，并 已投入试运行。在实际应用 中，取得较好的预测结果。可 以说，这是人工智能的典型应用。2 4支持 向量机(S V M)目前 一些学者 提出将一种叫支持 向量机(S u p p o r t V e c t o r Ma c h i n e s，S V 蛐 的算法用 于电力 负荷 预测。S V M基于统计学习 理论 的 V C维理论和结构风险最小化原
15、理 根据有限的样本 信 息在模型的复杂性 和学习能力之间寻求最佳折 衷 以期获得最 好 的推广能力。随着研究地深入。原来只是针对分类问题提出的 S V M 已经推广到回归问题 中 使得 S V M 引人 电力系统负荷预测 成为可能li T m 。当用 S V M来估计 回归函数时，利用在高维空间中 定义的线性 函数集 来估计 回归 S V M 用线性最小化实现回归估 计，这里 的风险用 8不敏感损失函数来 度量，采用的风险 函数 由 经验误差 和一个 由结构风 险最小化 原理导 出的正则化部 分组 成。传统支持 向量机 的一些缺陷：l 1传统 的使 用经典 二次 规划方法 的支持 向量 机由于
16、存贮 需求大，收敛速度较慢且编程 困难。给实际应用带来了许多不 便。文献f 1 8 1 用序列极小化方法f 1 9 1 根本上改进 了这一情况。2)s V M 还有一个缺点就是 不能确定 数据 中哪些知识是冗 余 的，哪些是有用 的，哪些作用大，哪些作用小。文献【2 0 1 采用粗糙 集作为数据预处理系统，去除冗余，将该 系统应用于短期 负荷预 测 中，得到 了很高的预测精度。3)S V M算法对于预测负荷曲线较平滑的系统，能够取得较 理想 的效果。但是，对 于惯性较小、随机波动性较强的中小型电 网，其效果相对较差。文献f 2 1 1 用 F 0 u r i e r 算法将历史负荷曲线分 解
17、为平 滑曲线 和随机波 动 曲线 两部 分只采 用平滑部 分作 为 S VM的历史训练数据，取得 良好的效果。3 展 望 随着电力市场的发展，负荷预测的重要性 日益显现 并且对 负荷 预测精度的要求越来越高。通过上述对各种人工智能方法 的综 述，可以看 出：单 一的智能预测方法存 在一些弊端 综 合的 使用 不同的人工智能方法 已经成为趋势并 已成功应用。此外，目 前 较流行 的支持 向量机在 负荷预 测中也取得 了 良好的效果 与 神经 网络 方法 相比有着 显著 的优越性被认 为是神经 网络的替 代方 法。而粗糙集理论 与支持向量机的优势互补性将使短期负 荷预测得 到了很高的预测精度，可以
18、说 这将 成为短期 负荷预测 今后 发展的大致方向 参考文献：I 牛晓东。曹树隼，赵磊等 电力负荷预测技术厦其应用 北京：中国电力 出版 社 1 9 9 8 2 Er k m e n F o u r m e t h od s f o r s h o r t-t e r m l o a d f or e c a s ti n g u s ing t h e b e n e fi t s o f a r d fi c i a l in t e l ll g c n c e E l e c t r i c a l p g i n c e r in g 8 5(2 0 0 3)3 马玲 基 于专 家系
19、统的短期 负荷预测 华北电力技术 1 9 9 9(4、4 招海丹 余得伟 模糊专 家系统用 于短期 负荷预 测修 正的初步探讨 华 东 电力 2o o Of 5 5 甘 文采。王朝 晖 胡保 生，结合神经元网络和模糊 专家系统进行 电力短 期 负荷预测 西安交通大学学报，1 9 9 8 f 3)6 陈霞，安伯，陈广林 电力 负荷预测理论与方法 农村 电气化 2 0 0 4(7)：8 7 刘为 顾洁 电力 系统短期 负荷预测 的高木一关野模型研 究电力 系统 厦其 自动化学报 2 0 0 3(4)8 S Ku m is to M L e h t o k a n g u s S h o r t T
20、e r m E l e c t r i c L o a d F o r e c a s ,g Us i n g a N e u r a l Ne t wo r k wi th F u z z y Hi d d e n N e u r o n s Ne u r a l Comp ut&Ap p l i c (1 9 9 7)6：4 2-5 6 9 He mi q ue S t e inh e r z Hi p p e r t,Ca r l o s Ed u a r d o Pe d r e i r a,a n d Ke i n a l d o Ca s t r o S ou z a Ne u r
21、 a l N e t wo r k s f o r S h o r t-Tc n n L 0 a d F o r e c a s t mg：A Ke-v i e w a n d E v a l u a t i o n I EE E TR ANS ACT1 0 NS 0 N P 0 ER S YS TE M S V0 L _1 6 N0 1。F EBKUARY 2 0 0 1 1 0 Ch e n J u n，Wu J i e A Ke a l-Time S h o rt-T e r i l l L o a d F o r e c a s t i n g S y s-t e m B y Ar 6
22、 fi c i a l N e u r a l Ne t wo r k T o u m a l o f S o u th Ch i n a Un i v e x s i w o f Te c h n o l o g y No v e mb e r 1 9 9 8 1 1 I t i s l a v Dr e z g e A Ge n e r a l i z e d ANN Ba s e d M o d d F o r S h ort-t e r m Lo a d F o r e c a s t i n g Th e V i 醉 I l ia P o l y t e c h n i c I n
23、s t i t u t e a n d S t a t e Un i v e n i t y De-c e mb e r 1 9 9 6 1 2 贺蓉，曾刚，婉建刚，青志文，沈新祥，刘明清 天 气敏感型神经网络在地 区电同短期负荷预测 中的应用 电力 系统 自动 化 2 0 0 1(9 1：3 4 1 3 罗仲 达关治 洪 人 工神 经网络在电力系统短期 负荷预测中的应用 湖 南 电力 2 0 0 2(1 2 1：1 0 1 4 马建伟 张国立 人工鱼群神经 网络在电力系统短 期 负荷预测中的应 用 电同技术2 0 0 5(6)：3 6 1 5 全海峰 熊信 艮 昊耀 武 基 于级联神经 网络
24、的短期 负荷预 测方法 电 网技术 2 0 0 2(3)：4 9 5 1 1 6 招海丹。昊捷，扬苹，严华 一个综合智能化 电力短期 负荷预测 系统的 研 究 电网技术 2 0 0 0(1 2)：4 5 1 7 昊宏 晓 候志俭 基 于免疫 支持向量机的 电力系统短期 负荷预测电 网技 术2 0 0 4 n2】：4 7，4 9 1 8 赵登福 王 蒙，张讲社，王锡 凡 基 于支持向量机方法的短期 负荷预测 中国工程 电机 学报 2 0 0 2 f 4)：2 6 1 9 S K，S h e v a d e。I mp r o v e me n t s t o 出 e S M O Al g o r
25、i t h m f o r S VM K e g r e s-s i o n I E EE TR ANS ACT1 0NS 0N NEI l RI NE TW0RK SVoL _ 1 1。N o 5 S E n M BE R 2 o o O 2 O 李元诚方廷 健一种基于粗糙集理论的 s VM 短期 负荷预测方法 系统工程 与电子技术 2 0 0 4(2)：1 8 7 2 1 扬镜 非，谢 宏I 程浩忘 s vI 与 F o u r i e r算法在 电网短 期负荷 预测中的 应用 继电器 2 0 0 4(2)：1 7 (上接第 7 7页)1 罗华 刘萍 韦有华 数据挖掘 与数据仓库技术及其在保险业中的应 用 【J 徽计算机信息，2 0 0 4，(0 4)：9 4-9 5 2 孝恒杰。杨 鼎新 数 据挖掘及在 电子 商务 中的应 用研究 甘肃联合 大 学学报(自然科 学版)2 0 0 6。(2)。3 0 3 3 3 贝尔森 吏密斯 西瑞林等 构件 面向 CRM 的数据挖掘应用 MI a 京：人 民邮电出版社 2 0 0 1 4 韩 家炜。坎伯，范明 数据挖掘概念与技术 北京：机械工业出版社，2 0 0 1 5 郭崇慧数 据挖掘教 程(世界著名计算机教材精选)北京：清华大 学出版社 2 0 0 5 维普资讯 http:/ http:/ 第六图书馆