基于人工神經(jīng)網(wǎng)絡(luò)和模糊集電力系統(tǒng)短期負荷預(yù)測方法

介紹了bp神經(jīng)網(wǎng)絡(luò)算法的原理以及對其采用非線性阻尼最小二乘法levenberg-marquardt進行優(yōu)化的方法。采用matlab的神經(jīng)網(wǎng)絡(luò)工具箱建立了一個單隱層的bp神經(jīng)網(wǎng)絡(luò)模型和預(yù)測流程,采用24個輸入人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測每天的整點負荷,并且討論了如何進一步通過改變網(wǎng)絡(luò)參數(shù)以提高負荷預(yù)測精度。實驗仿真結(jié)果表明,此方法預(yù)測短期電力負荷,可以得到令人滿意的訓練速度及預(yù)測精度。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

電力系統(tǒng)短期負荷對電力企業(yè)的經(jīng)濟效益和社會效益都有一定影響。因此文中建立了基于rbf神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷模型。用歷史負荷數(shù)據(jù)作為訓練樣本,用訓練好的神經(jīng)網(wǎng)絡(luò)進行電力系統(tǒng)短期負荷預(yù)測,并與bp神經(jīng)網(wǎng)絡(luò)進行對比。rbf神經(jīng)網(wǎng)絡(luò)的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡(luò)精確度較高,有利于電力系統(tǒng)合理地進行調(diào)度規(guī)劃工作。

根據(jù)微電網(wǎng)的負荷及影響負荷變化因素的氣溫、氣象特征等數(shù)據(jù),建立了基于bp(誤差反向傳播)神經(jīng)網(wǎng)絡(luò)和rbf(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)短期負荷預(yù)測模型.通過matlab仿真,對兩種模型的未來24h短期負荷預(yù)測進行比較,驗證了兩種模型的有效性和可行性.仿真結(jié)果表明,與bp神經(jīng)網(wǎng)絡(luò)相比,rbf神經(jīng)網(wǎng)絡(luò)預(yù)測方法具有較高的預(yù)測精度和較快的收縮性,更適合微電網(wǎng)的短期負荷預(yù)測.

論述了人工神經(jīng)網(wǎng)絡(luò)預(yù)測電力系統(tǒng)負荷的方法和步驟,并以bp神經(jīng)網(wǎng)絡(luò)在石嘴山地區(qū)短期負荷預(yù)測中的應(yīng)用為例,探討負荷預(yù)測的重要性。

短期負荷預(yù)測是電力調(diào)度部門的重要工作之一,負荷預(yù)測的精度直接影響到電網(wǎng)的安全、經(jīng)濟和穩(wěn)定運行。本文針對目前負荷預(yù)測中單一預(yù)測理論精度較低的問題提出采用bp神經(jīng)網(wǎng)絡(luò)與混沌理論相結(jié)合的算法,以變步長和附加動量法進行改進,同時以混沌時間序列來確定網(wǎng)絡(luò)結(jié)構(gòu),從而克服了算法對大量訓練樣本的依賴,提高預(yù)測精度和速度。對咸陽區(qū)域電網(wǎng)負荷的實際預(yù)測結(jié)果表明了該方法的有效性。

由于影響電力負荷的因素之間存在著非線性,所以采用神經(jīng)網(wǎng)絡(luò)方案來進行短期電力負荷預(yù)測。對應(yīng)用于實際的神經(jīng)網(wǎng)絡(luò)算法進行了具體處理,如數(shù)據(jù)的歸一化,輸入向量和輸出向量的選擇。仿真結(jié)果表明其有較好的預(yù)測精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小、訓練時間短、易于實現(xiàn)的優(yōu)點。

提出了一種基于灰色模型和神經(jīng)網(wǎng)絡(luò)組合的短期負荷預(yù)測方法。首先利用頻域分解消除負荷序列的周期性,然后利用灰色模型計算負荷序列的歷史擬合值和未來預(yù)測值,將其作為神經(jīng)網(wǎng)絡(luò)的輸入。在歷史數(shù)據(jù)中選擇一天作為基準日,以該基準日的量為參照,以負荷的灰色模型擬合值相對基準日的變化量,以及溫度變化量為bp神經(jīng)網(wǎng)絡(luò)的輸入,實際負荷變化量為輸出,訓練神經(jīng)網(wǎng)絡(luò)并預(yù)測待預(yù)測日負荷的變化量,加上基準日負荷后得到預(yù)測負荷。該方法綜合了灰色模型方法和神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點,仿真結(jié)果驗證了方法的有效性。

鄭州大學 碩士學位論文 電力系統(tǒng)短期負荷預(yù)測方法的研究 姓名：張德玲 申請學位級別：碩士 專業(yè)：電力系統(tǒng)及其自動化 指導教師：陳根永 20070515 電力系統(tǒng)短期負荷預(yù)測方法的研究 作者：張德玲 學位授予單位：鄭州大學 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

電力系統(tǒng)短期負荷預(yù)測方法研究分析

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負荷預(yù)測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動態(tài)神經(jīng)網(wǎng)絡(luò)進行精準預(yù)測。根據(jù)輸入輸出參數(shù)個數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個體賦給elman動態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進行網(wǎng)絡(luò)訓練，從而建立基于pso-elman的電力負荷預(yù)測模型。采用某鋼廠實測電力數(shù)據(jù)對該方法和模型進行驗證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測方法進行對比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時間的同時，具備更高的負荷預(yù)測精度和穩(wěn)定性。

基于人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計了一個三層的ｂｐ網(wǎng)絡(luò)模型。充分利用了神經(jīng)網(wǎng)絡(luò)高度非線性建模能力，實現(xiàn)電力系統(tǒng)的短期負荷預(yù)測。文中對樣本數(shù)據(jù)進行了預(yù)處理，以及在算法中引入附加沖量項，以提高訓練速度。預(yù)測仿真結(jié)果證明使用人工神經(jīng)網(wǎng)絡(luò)方法進行短期負荷預(yù)測是可行的。

為了克服傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)預(yù)測精度差,易陷入局部極值的缺陷,提出了模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)。利用模糊粗糙集通過歷史負荷數(shù)據(jù)信息的模糊化替代負荷變化的離散化,快速尋找出樣本數(shù)據(jù)間的連續(xù)屬性的信息,將其與傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)結(jié)合組成模糊神經(jīng)網(wǎng)絡(luò)對熱負荷進行預(yù)測。實驗結(jié)果表明:該模糊神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的相對誤差很小不超過2%,在短期負荷預(yù)測方面具有的優(yōu)越性。

電力系統(tǒng)短期負荷預(yù)測是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟運行提供保障，也是電力市場環(huán)境下編排調(diào)度計劃、供電計劃、交易計劃的基礎(chǔ)。因此，短期負荷預(yù)測方法的研究一直為人們所重視。

電力系統(tǒng)短期負荷預(yù)測是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟運行提供保障，也是電力市場環(huán)境下編排調(diào)度計劃、供電計劃、交易計劃的基礎(chǔ)。因此，短期負荷預(yù)測方法的研究一直為人們所重視。

電力系統(tǒng)負荷預(yù)測的重要性、分類和主要預(yù)測方法,bp神經(jīng)網(wǎng)絡(luò)算法的基本理論和預(yù)測過程,建立基于bp神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測模型,以加州24h的電力負荷預(yù)測為例進行matlab仿真,結(jié)果顯示預(yù)測精度符合電力系統(tǒng)要求。

首先在對供熱負荷預(yù)測算法的發(fā)展現(xiàn)狀主要成果闡述的基礎(chǔ)上,對影響供熱預(yù)測因素采用模糊量化的方式進行研究處理,并由此推斷將模糊神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于供熱負荷預(yù)測可以得到良好的效果.研究模型的設(shè)計核心是bp神經(jīng)網(wǎng)絡(luò),即將模糊量化后的影響因素作為系統(tǒng)的輸入值,去調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值,從而得到預(yù)測的網(wǎng)絡(luò)模型.建立預(yù)測模型和預(yù)測策略后,可以采用matlab科學計算軟件開發(fā)程序?qū)︻A(yù)測模型效果進行模擬仿真,結(jié)果表明,預(yù)測的結(jié)果能夠滿足要求,相對誤差在合理的范圍內(nèi),并且模糊神經(jīng)網(wǎng)絡(luò)算法比單純神經(jīng)網(wǎng)絡(luò)算法具有更好的預(yù)測精度和魯棒特性,從而達到節(jié)能的目的.且適應(yīng)性強,可以應(yīng)用到類似的供熱工程上.

智能工程是多層灰色神經(jīng)網(wǎng)絡(luò)中的智能算法,處理多個非線性復(fù)雜系統(tǒng)研究。

電力負荷數(shù)據(jù)管理系統(tǒng)是電力營銷技術(shù)支持系統(tǒng)的組成部分,對電力系統(tǒng)運行有著重要的輔助作用。采用神經(jīng)網(wǎng)絡(luò)預(yù)測模型,設(shè)計輸入變量和確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法和算法,可以使得從歷史樣本知識數(shù)據(jù)到最終預(yù)測模型的建模過程變得簡單明了,便于實際應(yīng)用。預(yù)測方法是使用matlab建立模型,對24個負荷點預(yù)測,采用多輸入單輸出的神經(jīng)網(wǎng)絡(luò)預(yù)測每天的整點負荷值。因為電力負荷與環(huán)境因素有關(guān),在輸入、輸出向量設(shè)計中輸入變量加入天氣特征值。根據(jù)輸入、輸出向量對bp網(wǎng)絡(luò)設(shè)計。該算法結(jié)構(gòu)簡單,最后進行短期負荷預(yù)測仿真,仿真結(jié)果表明其有較好的預(yù)測精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓練時間短的優(yōu)點,并考慮不同小時負荷差異,易于實現(xiàn),具有較高的預(yù)測精度,預(yù)測誤差在15%以下,一定程度上克服傳統(tǒng)算法收斂速度慢,容易陷入局部積小的缺點。

空調(diào)負荷是近年來增長較快的一類負荷,其特性對電網(wǎng)的電壓穩(wěn)定性影響很大。夏季影響空調(diào)負荷的因素主要是溫度和濕度的變化。為了更好的預(yù)測空調(diào)降溫負荷,研究了溫度和濕度對空調(diào)負荷的影響。利用bp人工神經(jīng)網(wǎng)絡(luò)對電網(wǎng)空調(diào)負荷進行了預(yù)測,經(jīng)過分析把日平均濕度量化成4段,和日平均濕度實際數(shù)值的模型進行計算比較,結(jié)果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調(diào)負荷之間的非線性關(guān)系,能更好的對電網(wǎng)空調(diào)負荷進行預(yù)測。

為了考慮除負荷本身外的其他因素對短期負荷的影響,提出了基于相似度與神經(jīng)網(wǎng)絡(luò)的短期協(xié)同預(yù)測模型。該模型首先通過計算負荷曲線的相似度對歷史數(shù)據(jù)進行排序,然后選擇與預(yù)測時刻相似度較相近的數(shù)據(jù)對未來時刻的負荷利用相似度進行預(yù)測,對于出現(xiàn)的誤差,通過神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進行預(yù)測糾正。實驗結(jié)果證明,該協(xié)同預(yù)測模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有較高的預(yù)測精度。

為了合理安排并優(yōu)先保證軍事基地中的電力調(diào)度問題,提出一種基于混沌時間序列和bp神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力短期負荷預(yù)測方法。根據(jù)混沌理論及神經(jīng)網(wǎng)絡(luò)方法,先基于延遲坐標相空間重構(gòu)技術(shù),再應(yīng)用互信息法和飽和關(guān)聯(lián)維數(shù)法,選擇延遲時間和嵌入維數(shù)m,然后用bp神經(jīng)網(wǎng)絡(luò)來實現(xiàn)預(yù)測,并通過對海軍某基地的電網(wǎng)的時間負荷序列進行實測仿真。仿真結(jié)果表明:相對誤差均在5%以內(nèi),且有33.3%的誤差在1%以內(nèi),證明該預(yù)測方法具有較高的預(yù)測精度和應(yīng)用價值。