下载文档原格式
精品资料基于B P神经网络的电力系统负荷预测研究........................................基于BP神经网络的电力系统负荷预测研究摘要:通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。
提出了一种基于bp神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。
在实际电力负荷预测中,该方法取得了比较高的的预测精度。
关键词:电力负荷预测神经网络bp算法引言电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件及社会影响等条件下,研究和应用一套系统处理过去负荷与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的电力负荷值。
电力系统的正确调度、规划和运行都离不开电力负荷预报,准确的负荷预报不仅对电力系统的安全、可靠、经济运行起着重要作用,同时也是潜在节约能源的方法[1]。
电力系统负荷数据预测的研究在近些年来有了很大的发展,预测的方法由过去的人工方式逐步转换成软件干预方式。
电力系统负荷预测问题的研究也越来越引起人们的注意,己经成为了现代电力系统运行研究中的重要课题之一。
早在1990年d. c.park 等人就采用人工神经网络(artificial neural networks,ann)方法对电力负荷进行预测[2]。
人工神经网络技术可以模仿人脑做智能化处理,对大量非结构性、非确定性规律具有自适应功能。
1个3层的bp神经网络就可以直接实现输入参数与电力负荷状态之间的非线性映射,无需建立系统的模型,而且这种映射结果的精度可由足够的训练样本来保证。
1 电力负荷预测的原理、步骤中期负荷预测通常是指预测未来一年(12个月)之内的电力负荷,它是电力系统运行调度中一项非常重要的内容,预测的结果将对发电机组生产计划的制定、水火电的合理配置、燃料配置、安全分析设备的维护以及电网能量的传播有着很大的影响,对于电力系统运行与控制有着非常重要的意义。
基于BP神经网络的电力负荷预测研究提出了一种有着显著优点的基于MATLAB的人工神经网络负荷预测的方法,算例分析结果充分证明了基于MATLAB的BP网络对电力负荷的中长期预测更加精确。
标签：BP神经网络;电力负荷预测;MATLAB1 引言负荷指电力需求量或者用电量,而需求量是指能量的时间变化率,即功率。
也可以说,负荷是指发电厂、供电地区或电网在某一瞬间所承担的工作负荷。
对用户来说,用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗功率之和。
在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的负荷数值,称为负荷预测。
本文主要针对BP神经网络应用于电力系统中长期负荷预测做了进一步的研究,并通过MATLAB程序设计BP神经网络。
通过实例运行BP网络证明,本文所提供的预测方法具有较好的预测精度,我们得到的预测的结果与实际值相差很小,并在与其他方法预测的结果相比较可知,基于MATLAB的BP网络对于电力负荷的预测更加精确。
2 电力负荷预测的原理、步骤2.1 负荷预测的基本原理负荷预测工作是根据电力负荷的发展变化规律,预计或判断其未来发展趋势和状况的活动,因此必须科学地总结出预测工作的基本原理,用于指导负荷预测工作。
主要有以下几个方面:可知性原理,可能性原理,连续性原理,相似性原理,反馈性原理,系统性原理。
2.2 负荷预测的基本步骤对电力负荷的预测,一般可按下列步骤进行。
(1)确定负荷预测的目标即近、中、远期负荷预测;(2)收集和分析历史数据,对电力系统的历史数据及有关信息加以整理,排除偶发事件的有关信息,为电力负荷预测提供可靠的原始资料;(3)建立预测模型,根据预测目标和资料,选择合适的电力负荷预测方法,建立相应的数学模型;(4)对预测结果进行分析,评价各因素对电力负荷预测结果的影响及预测结果的可信度。
科技信息0.引言由于各种因素的影响，电力负荷需求是不断变化的。
电力系统负荷预测就是对电力负荷需求的预测。
根据电力负荷需求的预测，对发电、输电和电能等方面做合理安排，对电力系统的安全、经济运行与国民经济的发展具有非常重要的影响。
做好负荷预测已成为电力系统管理现代化的重要手段。
预测结果的准确与否直接影响到电力部门的经济效益，而传统的方法往往达不到所要求的预测精度。
神经网络是模拟人脑结构的具有自我学习能力的系统模型。
BP （Back Propagation）算法是在多层前馈神经网络上学习的。
BP网络由输入层、输出层及隐藏层组成，隐藏层可有一个或多个，每层由多个神经元组成。
其特点是：各层神经元仅与相邻层神经元之间有连接；各层内神经元之间无任何连接；各层神经元之间无反馈连接。
输入信号先向前传播到第一层隐藏结点，经过变换函数之后，把第一层隐藏结点的输出信息传播到下一层隐藏结点，直到传播到输出结点，经过处理后再给出输出结果。
而BP算法的学习过程（即误差的修正过程）是从输出层向着输入层进行的。
负荷预测模型的好坏与所用的数据有很大关系。
与电力系统负荷预测有关的数据集种类繁多、格式多样、数据来源广泛、具有不完整性等。
为准确利用这些数据进行负荷预测，对数据做预处理。
基于数据挖掘的电力系统负荷预测包括负荷预测挖掘的需求定义、数据收集与预处理、执行负荷预测挖掘、挖掘结果的输出与评估。
基于数据挖掘的电力系统负荷预测的过程如图1。
图1基于BP算法的电力负荷预测系统体系结构在负荷预测挖掘需求定义阶段，应确定基于BP算法的电力负荷预测的要求，比如电力负荷预测的类型（最大负荷功率、负荷电量及负荷曲线的预测）、目的（超短期、短期、中期和长期）等。
数据收集及预处理阶段主要是确定相关属性、收集数据、进行预处理，在此基础上建立数据仓库。
负荷预测挖掘阶段主要是构建神经网络模型、用BP算法进行训练，并用训练好的模型进行预测。
1.数据预处理及数据仓库的建立1.1数据收集及预处理（1）相关属性的确定与电力系统负荷预测有关的条件属性和目标属性包括气象属性、节日属性、日期时间属性和电力属性等。
基于BP神经网络的负荷预测模型研究第一章：引言负荷预测在电力系统运行和规划中扮演着重要的角色。
准确地预测负荷变化可以有效地优化电力系统的运行调度和资源分配，提高电力系统的可靠性和经济性。
近年来，随着电力系统规模的不断扩大和发展，负荷预测变得越来越复杂。
传统的负荷预测方法，如统计方法和时间序列方法，在处理非线性和时变特性方面存在一定的局限性。
因此，基于人工智能的方法逐渐成为研究的热点。
第二章：BP神经网络的基本原理BP神经网络是一种常用的人工神经网络，其具有非线性映射能力和适应性优势。
BP神经网络由输入层、隐藏层和输出层组成，通过前向传播和反向传播算法来实现训练和预测的过程。
输入层接收负荷预测的相关特征，隐藏层进行特征转化和映射，输出层输出负荷预测结果。
第三章：负荷预测模型的构建在构建基于BP神经网络的负荷预测模型时，首先需要选择合适的输入变量。
常用的输入变量包括历史负荷数据、天气数据、节假日等。
接下来，需要对数据进行预处理，包括数据归一化、去除异常值等。
然后，将数据集划分为训练集和测试集，用于模型的训练和评估。
接着，选择适当的网络结构和参数，如隐藏层数、神经元个数和学习率等。
最后，通过对训练集的训练和优化，得到预测模型。
第四章：负荷预测模型的实验与分析本章将通过实验对基于BP神经网络的负荷预测模型进行验证和分析。
首先，采集真实的负荷数据和相关特征数据，构建实验数据集。
然后，将数据集按照一定的比例划分为训练集和测试集。
接着，使用BP神经网络模型对训练集进行训练，并对测试集进行预测。
最后，根据实验结果进行分析和评估。
第五章：模型性能评价指标为了评估基于BP神经网络的负荷预测模型的性能，需要引入合适的评价指标。
常用的评价指标包括平均绝对百分比误差(MAPE)、均方根误差(RMSE)和相关系数等。
通过对实验结果进行评价指标的计算和比较，可以对模型的预测精度进行客观的评估。
第六章：讨论与展望本章将对基于BP神经网络的负荷预测模型进行讨论和展望。
BP神经网络在短期电力负荷预测中的应用短期电力负荷预测是有效保障电力系统稳定运行的前提和基础，因此进行短期电力负荷研究是具有重要意义的。
本文介绍了短期电力负荷预测的主要研究方法，给出了基于BP神经网络的组合预测方法，并给出了进一步的研究方向。
关键字：短期电力负荷预测，BP神经网络，组合预测1 短期电力负荷预测概述短期的电力负荷预测作为电力负荷预测中非常重要的组成部分，其主要用来预测某日内的每个时刻的负荷值或日用电量，其研究的意义主要体现在以下几个方面[1]：（1）短期的电力负荷预测能为供电系统相关部门合理制定购电计划提供依据，同时也能为发电系统相关部门合理规划发电计划、合理安排发电机组启停和检修提供依据。
（2）在电力系统逐步走向市场化的趋势下，只有制定出的实时电价具有较强的竞争力，才能使发电公司获得比较好的经济效益。
（3）当供电部门和发电部门所处地区不相邻时，往往需要由连接其所在区域的中间电网来承担电力的转运业务，短期电力负荷预测的结果可以为合理制定转运调度计划提供依据。
（4）由于电价和负荷的使用情况有一定的关系，当用电负荷达到高峰时，电价会相应的高一些，反之，当用电负荷处于低谷时，电价相应的会低一些。
2短期电力负荷预测研究现状从二十世纪六、七十年代到现在，随着人们对电力负荷预测重要性的逐步认识，很多的方法和模型被运用到了短期电力负荷预测领域，这些方法及模型大致可分为三类：（1）传统预测方法以数理统计和微积分等传统数学理论为基础，在较严格的条件限制和严谨的数学推导的基础上，建立起數据间的主观模型，据此主观模型来进行相关的计算和预测。
传统的预测方法主要包括回归分析法、时间序列法等[2-3]。
（2）现代预测方法以人工智能、新兴的信号分析方法等相关理论为基础，这类预测方法的预测精度更高、也更智能。
现代预测方法主要包括：人工神经网络、专家系统、支持向量机、混沌时间序列、小波分析法等[4-6]。
（3）基于组合思想的预测方法组合预测的概念大致可分为两种：一种是通过加权平均的方法对几种不同预测方法得到的预测结果进行综合。
基于BP神经网络的短期电力负荷预测摘要：本论文首先对短期电力负荷预测进行了概述，在详细分析bp神经网络原理的基础上，通过对某市历史负荷数据的分析，应用bp神经网络，建立了短期负荷预测模型，应用matlab 6.5软件进行实际建模仿真。
关键词：电力负荷bp神经网络预测建模仿真1.引言由于电力的生产与使用具有特殊性，即电能是不能储存的，这样就要求系统发电出力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量，重则危及系统的安全与稳定。
随着电力系统的商品化和市场化，电力负荷预测的准确性对电力系统安全经济运行和国民经济发展具有重要意义。
正确地预测电力负荷，既是为了保证供应国民经济各部门及人民生活以充足的电力需要，也是电力工业自身发展的需要。
2.输入层和输出层的设计在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。
由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。
所以这里将前一天的实时负荷数据作为网络的样本数据。
此外，由于电力负荷还与环境因素有关，如最高和最低温度等。
因此，还需要通过天气预报等手段获得预测日的最高和最低温度。
这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。
因此，输入变量就是一个26维的向量。
显而易见，目标向量就是预测日当天的24个负荷值，即一天中每个整点的电力负荷。
这样一来，输出变量就成为一个24维的向量。
获得输入和输出变量后，要对其进行归一化处理，将数据处理为区间[0，1]之间的数据。
归一化方法有许多种形式，本文采用如下公式：在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。
由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。
如果从提高网络精度的角度出发，一方面可以增加网络训练样本的数目，另一方面还可以增加输入向量的维数。
目前，训练样本数目的确定没有通用的方法，一般认为样本过少可能使得网络的表达不够充分，从而导致网络外推能力不够；而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。
基于BP神经网络的短期负荷预测基于BP神经网络的短期负荷猜测摘要：基于人工神经网络原理，设计了一个三层的BP网络来实现电力系统的短期负荷猜测。
经过仿真验证，利用BP神经网络进行电力系统短期负荷猜测是可行和有效的，其预告结果正确性很高。
要害词：短期负荷猜测；BP神经网络；电力系统0前言电力系统负荷猜测是电力生产部门的重要工作之一，通过正确的负荷猜测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。
很多学者对此进行了研究，提出了很多种猜测方法，并且及时地将数学上的最新进展应用到猜测中去，使猜测的水平得到迅速提高，负荷猜测研究取得了很大的进展。
1负荷的分类及其短期猜测的方法1.1负荷的分类负荷猜测按猜测时间可以分为长期、中期和短期负荷猜测。
其中，在短期负荷猜测中，周负荷猜测（未来7天）、日负荷猜测（未来24小时负荷猜测）及提前小时猜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猜测的结果为依据，负荷猜测的结果的正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。
1.2负荷短期猜测的方法电力系统负荷短期预告问题的解决办法和方式可以分为统计技术、专家系统法和神经网络等3种。
统计技术中所用的短期负荷模型一般可归为时间系列模型和回归模型。
时间系列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。
并且为了获得比较精确的预告结果，需要大量的计算，这一方法不能处理气候变量和与负荷之间的非平衡暂态关系。
专家系统法利用了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符合预告精度得到了提高。
但是，把专家知识和经验等正确地转化为一系列规则是非常不轻易的。
众所周知负荷曲线是与很多因素相关的一个非线性关系函数。
对于抽取盒逼近这种非线性函数，神经网络是一种合适的方法。
• 197•程等，这样可以不必多次请求后台服务器，减轻了后台系统的压力。
（3）数据存储模块:用来记录用户行为和系统数据，此模块要求做到数据的准确性和及时性，能够在用户行为产生和系统数据变更时快速的响应。
（4）用户个人中心模块:在用户点赞和购买课程的时候，后台系统都会记录下这一行为，并且在用户需要的时候提供给用户。
（5）后台管理模块:通过BootStrap构建，以便能够适应不同分辨率的屏幕。
处于安全考虑在访问页面是加入了身份验证，验证不通过则会被打回到后台登录页面，这样做可以防止不怀好意的人在地址栏直接输入后台管理员系统页面url，做一些对系统用户有害的事情，保证系统的安全。
（6）课程管理模块:该模块提供了丰富的课程管理功能，包括课程的检索，课程修改，添加课程等等操作，同时可对课程的视频和课件进行维护。
2.推荐模块:此模块依据访问模块提供的数据(用户信息、课程信息、评分等)通过计算得到结果，最后将结果传递给数据存储模块。
即后台通过记录用户在访问页面时的评分行为，对行为产生的数据进行计算分析生成推荐表，在用户学习的时候推送给用供分供其选择。
4 结束语本文采用协同过滤算法对用户访问网络课程的历史记录和行为喜好进行计算分析，得出用户课程信息推荐表，并针对不同的用户进行推荐，提高了查找效率。
作者简介：董涛（1998—），男，西安人。
韩利凯（1961—），男，西安人，通信作者。
电力经济作为我国经济建设、国家安全、居民生活的重要组成部分，如何精确的把握电力负荷预测对对保障生产和生活用电方面具有十分重要的意义。
但是电力负荷预测过程复杂的，包含着不规则事件、季节类型、天气因素等非数字型的定性因素的影响，如何改进负荷预测模型，提高预测精度是电力公司目前亟需解决的问题。
因此，本文提出了一种基于BP神经网络的电网负荷预测方法，旨在结合大数据挖掘技术和BP神经网络技术，实现电力负荷协同预测，能够进一步提升预测精度，更好的服务于电力生产、生活活动。
基于人工神经网络的负荷预测
1.人工神经网络概述
人工神经网络类似于一个“多输入－多输出”的黑匣子，由一些能并行操作的简单单元组成，整个网络的功能是由单元之间的互连所决定的。
人工神经网络是通过“训练－调整－再训练－再调整”的过程，使得一个特定的输入能够通过网络得到一个特定的输出，其实质是通过调整单元之间的相互影响参数。
其结构如下图1：
图1 神经网络结构图
2.题目要求及说明：
以广东某城市的2004年7月20日到7月30日的负荷值以及2004年7月
21日到7月31日的气象特征状态作为网络的训练样本，来预测7月31日的电
2.程序源代码
P=[0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 0.2415 0.3027 0;
0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2385 0.3125 0;
0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156 0.2216 0.2701 1;
0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2352 0.2506 0.5;
0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2542 0.3125 0;
0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2601 0.3198 0;
0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217 0.2579 0.3099 0;
0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126 0.2301 0.2867 0.5;
0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956 0.2234 0.2799 1;
0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756 0.2314 0.2977 0]';
T=[0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325;
0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156;
0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825
0.7825 0.7895;
0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025;
0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221;
0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217;
0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126;
0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956;
0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756;
0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136]';
%创建一个新的BP前向神经网络
%newff—生成一个新的BP前向神经网络
net=newff(minmax(P),[10,12],{'tansig','logsig'},'trainbr');
%设置训练参数
net.trainParam.show=10; %每10代显示一次
net.trainParam.lr=0.05; %训练速率
net.trainParam.mc=0.9; %动量因子
net.trainParam.epochs=1000; %训练的代数
net.trainParam.goal=0.0001; %目标误差
%训练BP前向神经网络
[net,tr]=train(net,P,T);
%仿真
T1=[0.2119 0.1215 0.1621 0.2161 0.6171 0.6159 0.7115 0.7201 0.7243 0.7298 0.8179 0.8229]';
P1=[ 0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136 0.2317 0.2936 0]';
A1=sim(net,P1) ;
x=1:12;
figure,plot(x,T1,':r',x,A1,'b');
title('31日负荷预测与实际比较曲线,');
legend('实际负荷情况','预测负荷情况');
%计算仿真误差
E=T1-A1;
SSE=sse(E);
figure,plot(x,E);
title('误差曲线');
3.预测结果
A．31日负荷预测与实际比较曲线
B．误差曲线
通过实验得到的误差在误差范围内，所以此次负荷预测较为准确，具有可行性。
