下载文档原格式
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摘要：随着电力系统的复杂化和电力需求的增加，准确预测电力负荷对电力系统运行和规划具有重要意义。
本文基于神经网络，对电力系统短期负荷预测进行了研究。
首先，通过分析电力系统负荷的特点，明确了研究的目标和意义。
然后，介绍了神经网络的基本原理和常用的神经网络模型。
接着，对短期负荷预测的关键问题进行了探讨，包括数据采集和预处理、输入输出变量选择以及模型训练和评估等。
最后，通过实例分析验证了神经网络在电力系统短期负荷预测中的应用效果，并对未来的研究方向进行了展望。
1. 引言电力负荷预测作为电力系统运行和规划的基础，对于保障电力供需平衡和提高电力系统经济性具有重要意义。
然而，由于电力系统的复杂性和外部环境的不确定性，短期负荷预测一直是一个具有挑战性的问题。
目前，随着人工智能技术的不断进步，神经网络作为一种强大的预测模型受到了广泛关注。
因此，本文将基于神经网络对电力系统短期负荷进行预测研究。
2. 神经网络的基本原理神经网络是由大量神经元相互连接而成的计算模型，其模拟了人类神经系统的工作过程。
神经网络由输入层、隐藏层和输出层组成，其中隐藏层包括多个神经元，可以进行信息处理和特征提取。
神经网络通过学习算法不断调整权重，以实现输入与输出之间的映射关系。
常用的神经网络模型包括前馈神经网络、循环神经网络和卷积神经网络等。
3. 短期负荷预测的关键问题3.1 数据采集和预处理电力负荷预测需要大量的历史负荷数据作为训练样本，因此需要建立完善的数据采集系统并进行数据预处理。
数据采集系统需要具备稳定、精确和实时的特点，可以通过传感器和智能电表等设备进行实现。
数据预处理包括数据清洗、缺失值处理、异常值检测和特征归一化等步骤，旨在提高数据的质量和可用性。
3.2 输入输出变量选择选择合适的输入输出变量对于负荷预测的准确性和泛化性能具有重要影响。
常用的输入变量包括历史负荷数据、天气数据、节假日等，输出变量为未来某个时间段内的负荷值。
基于ＢＰ神经网络的电力系统负荷预报高尚春（荆州电力调度通信中心，湖北荆州４３４０２０）［摘要】研究Ｔ．－￥－ｆ－ＢＰ网络在中电力负荷预测中的应用，通过神经网络对训练样本的学习，自动提取影响中长期电ｈ负荷的诸多因素。
从训练速度、预测误差等方面分析对比了两种神经网络预测能力。
仿真和实例数据表明了两种神经网络在中长期电力负荷预测方面的可行性和良好效果。
［关键词］ＢＰ神经网络；电力系统；负荷预报１引言电力负荷预报在实时控制和保证电力系统经济、安全和可靠运行方面起着重要的作用，它已经成为电力系统中现代能量管理系统的一个主要组成部分，尤其是短期负荷预报对于系统运行和生产费用具有非常重大的影响。
负荷预报的误差将导致运行和生产费用的剧增，因此，如何提高短期预报的精度有着至关重要的作用。
负荷预测对电力系统控制、运行和计划都有着重要意义。
ＢＰ网络是系统预测中应用广泛的一种网络形式，本文采用ＢＰ神经网络对负荷值进行预报，着重介绍神经网络算法在日负荷预测中的应用。
２用电负荷的样本在预测日的前一天，每隔２小时对电力负荷进行１次测量，这样～天共测得１２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。
所以将前一天的实时负荷数据作为网络的样本数据。
目标向量是预测日当天的１２个负荷值，即一天中每个整点的电力负荷，输出变量就成为一个１２维的向量。
输入向量为预测日前一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地训练。
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。
即或者增加每天的测量点，或者把预测日前几日的负荷数据作为输入向量。
总之，样本的选取过程需要注意代表性、均衡性和用电负荷的自身特点，从而选择合理的训练样本。
３ＢＰ神经网络理论３．１ＢＰ神经网络的概念典型的ＢＰ神经网络结构如图１所示，它是一个由输入层、隐含层和输出层构成的三层前馈阶层网络，是网络的输入、输出向量。
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预测0. 引言随着工业化和城市化的快速发展，电力负荷的准确预测成为了能源管理和电力系统规划的重要问题之一。
短期负荷预测可以帮助电力系统进行合理的调度和运营，从而提高能源利用效率和经济性。
BP神经网络（Backpropagation Neural Network）作为一种常用的人工神经网络模型，在短期负荷预测中展现了其优异的性能和广泛的应用前景。
1. BP神经网络模型BP神经网络是一种典型的前馈神经网络模型，由输入层、隐藏层和输出层组成。
输入层接受各种负荷预测的输入特征，隐藏层用于提取输入特征的非线性组合和抽象表示，输出层给出对负荷预测值的估计。
BP神经网络通过不断调整网络中的权重和阈值，利用误差反向传播原理实现对负荷预测模型的训练和优化。
2. 数据预处理在进行短期负荷预测之前，需要对原始数据进行预处理。
具体而言，包括数据清洗、特征提取和数据标准化等步骤。
数据清洗主要是为了去除异常值和缺失值，确保数据的完整性和准确性。
特征提取是为了从原始数据中提取出能够反映负荷变化规律的有效特征。
数据标准化是为了将不同尺度和量纲的数据转化为统一的范围，以便于神经网络的训练和比较。
3. 网络训练和优化网络的训练和优化是短期负荷预测的核心步骤。
首先，需要将原始数据集划分为训练集和测试集，其中训练集用于网络的权重和阈值的调整，测试集用于评估网络的预测性能。
接下来，利用误差反向传播算法，不断更新和调整网络中的权重和阈值，以最小化网络在训练集上的误差。
在训练过程中，需要设置合适的学习率和动量因子，以避免网络陷入局部最小值的问题，并提高网络的收敛速度和稳定性。
4. 模型评估和预测在网络训练完成后，需要对模型的性能进行评估和预测。
评估指标包括均方根误差（RMSE）、平均相对误差（MRE）和均方相对误差（MSRE）等，用于评价网络的预测误差和准确性。
通过与其他传统的负荷预测方法进行比较，可以验证BP神经网络在短期负荷预测中的优势和有效性。
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。
ｄｏｉ:１０ ３９６９/ｊ ｉｓｓｎ １００８￣０１９８ ２０２０ ０２ ０１６基于神经网络ＢＰ算法的局部电网短期负荷预测系统邹治锐ꎬ高坤ꎬ朱伟ꎬ姚境ꎬ唐伟斌(国网湖南省电力有限公司常德供电公司ꎬ湖南常德４１５０００)摘㊀要:电网负荷受天气㊁节假日㊁生活方式等多方面影响ꎬ短期呈现随机性ꎬ长期来看ꎬ又有一定的规律可循ꎮ选择合适的短期负荷预测模型ꎬ将有利于提高短期负荷预测的准确率ꎬ极大方便调度机构的短期负荷预测工作ꎮ本文基于神经网络ＢＰ算法的局部电网短期负荷预测ꎬ通过采集局部电网数据样本ꎬ获得大量数组ꎬ再使用神经网络ＢＰ算法进行自适应学习ꎬ获取各因素与负荷之间的非线性关系ꎬ预测局部电网负荷变化趋势ꎬ提前调控电网方式ꎬ降低局部电网主变㊁线路运行风险ꎬ确保电网安全运行ꎮ关键词:短期负荷预测ꎻ局部电网ꎻ神经网络ꎻＢＰ算法ꎻＭＡＴＬＡＢ中图分类号:ＴＭ７１４㊀㊀文献标志码:Ｂ文章编号:１００８￣０１９８(２０２０)０２￣００７４￣０４收稿日期:２０１９￣１１￣２８㊀改回日期:２０２０￣０２￣１８ＤｅｓｉｇｎａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＳｈｏｒｔ￣ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇＴｏｏｌＢａｓｅｄｏｎＢＰＡｌｇｏｒｉｔｈｍｏｆＮｅｕｒａｌＮｅｔｗｏｒｋｉｎＬｏｃａｌＧｒｉｄＺＯＵＺｈｉｒｕｉꎬＧＡＯＫｕｎꎬＺＨＵＷｅｉꎬＹＡＯＪｉｎｇꎬＴＡＮＧＷｅｉｂｉｎ(ＳｔａｔｅＧｒｉｄＣｈａｎｇｄｅＰｏｗｅｒＳｕｐｐｌｙＣｏｍｐａｎｙꎬＣｈａｎｇｄｅ４１５０００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔｈｅｌｏａｄｏｆｐｏｗｅｒｎｅｔｗｏｒｋｉｓｉｎｆｌｕｅｎｃｅｄｂｙｗｅａｔｈｅｒꎬｈｏｌｉｄａｙｓａｎｄｌｉｆｅｓｔｙｌｅꎬｗｈｉｃｈｉｓｒａｎｄｏｍｉｎｓｈｏｒｔｔｅｒｍａｎｄｒｅｇｕｌａｒｉｎｌｏｎｇｔｅｒｍ.Ｃｈｏｏｓｉｎｇａｓｕｉｔａｂｌｅｓｈｏｒｔ￣ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｗｉｌｌｈｅｌｐｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｓｈｏｒｔ￣ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇａｎｄｇｒｅａｔｌｙｆａｃｉｌｉｔａｔｅｔｈｅｓｈｏｒｔ￣ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｗｏｒｋ.Ｉｎｔｈｉｓｐａｐｅｒꎬｓｈｏｒｔ￣ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｔｏｏｌｂａｓｅｄｏｎＢＰａｌｇｏｒｉｔｈｍｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｕｓｅｄｔｏａｃｑｕｉｒｅａｌａｒｇｅｎｕｍｂｅｒｏｆａｒｒａｙｓｂｙｃｏｌｌｅｃｔｉｎｇｄａｔａｓａｍｐｌｅｓｆｒｏｍｌｏｃａｌｐｏｗｅｒｎｅｔｗｏｒｋ.Ｔｈｅｎｏｎ￣ｌｉｎｅａｒｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｅａｃｈｆａｃｔｏｒａｎｄｌｏａｄｉｓｏｂｔａｉｎｅｄｂｙｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋＢＰａｌｇｏｒｉｔｈｍｓｅｌｆ￣ａｄａｐｔｉｖｅｌｅａｒｎｉｎｇ.Ｔｈｅｃｈａｎｇｉｎｇｔｒｅｎｄｏｆｌｏａｄｉｎｌｏｃａｌｐｏｗｅｒｎｅｔｗｏｒｋｉｓｐｒｅｄｉｃｔｅｄꎬｔｈｅｍｏｄｅｏｆｐｏｗｅｒｇｒｉｄｉｓｒｅｇｕｌａｔｅｄｉｎａｄｖａｎｃｅꎬｔｈｅｒｉｓｋｓｏｆｍａｉｎｔｒａｎｓｆｏｒｍｅｒａｎｄｌｉｎｅｏｐｅｒａｔｉｏｎａｒｅｒｅｄｕｃｅｄꎬａｎｄｔｈｅｓａｆｅｏｐｅｒａｔｉｏｎｏｆｐｏｗｅｒｇｒｉｄｉｓｅｎｓｕｒｅｄ.Ｋｅｙｗｏｒｄｓ:ｓｈｏｒｔ￣ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇꎻｌｏｃａｌｐｏｗｅｒｎｅｔｗｏｒｋꎻｎｅｕｒａｌｎｅｔｗｏｒｋꎻＢＰａｌｇｏｒｉｔｈｍꎻＭＡＴＬＡＢ㊀㊀短期电网负荷受天气变化㊁节日类型㊁社会生活方式等各种因素影响ꎬ这些因素大部分看似呈现随机性ꎬ长期看却有一定规律可循[１]ꎮ随着科学技术的发展ꎬ天气预报准确率逐步提高ꎬ加之电力系统大数据信息的逐步完善ꎬ选择合适的短期负荷预测模型将有利于提高短期负荷预测的准确率ꎬ极大方便调度机构的短期负荷预测工作ꎮ常德电网在夏大㊁冬大运行方式下ꎬ负荷增长迅猛ꎬ可能对其供电局部区域即局部电网的主变㊁线路造成运行风险ꎬ相关主变㊁线路面临过载风险ꎮ为了确保设备安全运行ꎬ负荷增长不超过其承载力ꎬ需要提前对局部电网的主变㊁线路负荷进行智能预判ꎬ根据预判结果及时调节局部电网方式ꎬ保证主变㊁线路运行方式能随负荷变化做相应合理的变更ꎬ更好地提高设备利用率和供电可靠性ꎬ确保安全生产ꎮ因此ꎬ通过局部电网短期负荷预测ꎬ对常德电网迎峰４７ ㊀第４０卷第２期㊀湖㊀南㊀电㊀力㊀ＨＵＮＡＮＥＬＥＣＴＲＩＣＰＯＷＥＲ㊀２０２０年０４月度夏㊁迎峰度冬以及重要保电时期工作开展具有重要指导意义ꎮ１㊀局部电网短期负荷预测基本原理ＢＰ(ＢａｃｋＰｒｏｐａｇａｔｉｏｎ)算法人工神经网络(ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓꎬ简写为ＡＮＮｓ)模型是一种按误差逆传播算法训练的多层前馈网络数学模型ꎬ利用反向传播的方式不断调整网络的权值ꎬ将网络的误差平方和调整至最小[２]ꎮ模型通过自组织㊁自学习ꎬ不断调整内部大量节点之间相互连接的关系ꎬ适应环境㊁总结规律㊁完成某种运算㊁识别或过程控制ꎬ从而达到处理信息的目的[３]ꎮＢＰ神经网络模型拓扑结构有三层ꎬ分别为输入层㊁隐层和输出层ꎬ关系如图１所示ꎮ图１㊀ＢＰ神经网络结构局部电网短期负荷预测就是基于人工神经网络ＢＰ算法ꎬ将对局部电网负荷产生影响的历史负荷㊁气温㊁节假日等因素作为因子ꎬ并结合未来天气预报ꎬ达到预测局部电网负荷甚至单个变电站或线路负荷的效果ꎮ２㊀局部电网短期负荷预测功能实现２ １㊀系统结构局部电网短期负荷预测系统采用多层体系架构ꎬ如图２所示ꎬ具体体现为五个层次ꎮ图２㊀体系架构图展现层:包含了用户视图页面ꎬ嵌入式ＡＰＩꎬ视图和服务通过底层的ＳＤＫ和后端服务进行交互ꎮ整体架构基于ＭＶＶＭ＋思想设计ꎮ业务逻辑层:作为Ｖｉｅｗ层和ＶｉｅｗＭｏｄｅｌ层中间层对上提供数据给Ｖｉｅｗ层展示ꎬ对下负响应用户的交互ꎮ对象持久化层:负责系统业务数据封装ꎬ对上层提供业务封装后的接口提供数据实体支撑ꎮ数据层:采用ＳＱＬＩＴＥ数据库ꎮ服务层:通过ＭＡＴＬＡＢ工具包ꎬ对数据进行拟合计算ꎬ从而获得最佳拟合公式ꎮ软件框架基于成熟的ＳｐｒｉｎｇＢｏｏｔ架构ꎬ性能稳定㊁效率ꎮ数据接入采用持久化架构ꎬ能够接入多种主流数据库ꎮ２ ２㊀ＢＰ神经元网络设计利用ＭＡＴＬＡＢ编写ＢＰ神经元网络算法[４]ꎬ使用历史负荷数据㊁气温数据作为训练数据ꎬ不断训练ＢＰ神经元网络ꎬ从而训练出误差最小㊁符合预期范围内的ＢＰ神经元网络ꎮ设计过程分为六个步骤实现ꎮ步骤一:采集具有典型意义的且足够多的历史负荷数据ꎬ对历史负荷数据进行预处理ꎬ从中选出经过处理后的数据作为数据样本ꎮ对于常德电网每天最大㊁最小负荷数据用归一化处理后ꎬ加上后一天的天气特征值这样就形成一组历史数据样本ꎬ样本格式如:(常德电网某某变或设备Ｘ月Ｗ日最大负荷㊁最小负荷ꎬ常德电网某某地区Ｘ月Ｙ日最高温度㊁最低温度ꎬ星期几或节假日)ꎮ步骤二:创建ＢＰ神经网络模型ꎬ确定好学习速率㊁学习速率下降比例因子及训练次数等ꎮ步骤三:将上述一组数据样本分别代入到隐藏层的输出方程和输出层的输出向量方程ꎬ求出隐藏层输出量和输出层输出向量的值ꎬ完成人工神经网络的顺序传播过程ꎮ步骤四:由误差函数得出实际输出值与期望输出值之间的误差ꎬ再利用反向传播函数ꎬ对人工神经网络各层的连接权值进行校正ꎬ而后刷新所有的连接权值ꎬ完成人工神经网络的误差反向传播过程ꎮ步骤五:重新另取一组数据样本ꎬ重复步骤三和四的过程ꎬ直到所选的历史数据样本全部学习完毕ꎬ得到经过历史负荷数据样本训练和学习后的人工神经网络最终权重值ꎮ步骤六:检验学习后的误差是否满足要求ꎮ若５７ 第４０卷第２期㊀邹治锐等:基于神经网络ＢＰ算法的局部电网短期负荷预测系统２０２０年０４月不满足则重复上述过程ꎬ满足则保存人工神经网络经过训练与学习后的各层权重值ꎬ并形成最终的负荷预测模型ꎬ过程如图３所示ꎮ图３㊀人工神经网络训练与学习过程２ ３㊀Ｂ/Ｓ软件集成ＢＰ神经元网络设计局部电网短期负荷预测系统采用Ｂ/Ｓ集成模式ꎬ安装在服务器端上ꎬ负荷预测人员只要管理维护服务器即可ꎬ简单方便ꎮ将ＭＡＴＬＡＢ训练完成的ＢＰ神经元网络集成进ＪＡＶＡ软件[５]ꎮ用ＭＡＴＬＡＢ编写ｆｕｎｃｔｉｏｎ函数ꎬ调用训练完成的ＢＰ神经元网络ｍａｔ文件ꎬ将ｆｕｎｃｔｉｏｎ函数打包为ｊａｒ包ꎬ集成进ＪＡＶＡ软件ꎬ以供调用ꎮ２ ４㊀功能实现结合局部电网或变电站或线路历史负荷数据㊁历史气温数据㊁节假日等因素ꎬ综合运用文字ꎬ图表等手段ꎬ使信息展现具有良好的可视化效果ꎮ首页集中展现神经网络负荷以及历史负荷等方面信息ꎬ作为数据引导ꎬ其中包括:１)以电站为条件筛选ꎮ２)过去１０天的负荷实际值与预测值ꎮ３)过去１０天的气温实际值ꎮ４)未来５天的负荷预测值ꎮ５)未来５天的气温预测值(数据来自手动导入天气预报数据)ꎮ６)以ｋ线图的方式展示过去１０天以及未来５天的数据(其中包括预测负荷值)ꎬ图表导出ꎮ根据近１０天的负荷数据ꎬ调用ＭＡＴＬＡＢ神经网络算法预测未来５天的负荷ꎬ历史负荷㊁气温数据㊁预测值数据查询均可用图表化展示ꎮ３㊀应用效果以常德电网１１０ｋＶ中区变电站为例ꎬ利用局部电网短期负荷预测工具的ＢＰ神经元网络对历史负荷以及最高㊁最低气温进行因果关系训练ꎬ得到相应的控制因子ꎬ同时考虑节假日㊁工作日㊁休息日对负荷的影响ꎬ有针对性地调整节假日对负荷的影响力ꎬ针对每个变电站均需训练一个模型ꎬ保证负荷预测测的准确率ꎮ通过使用最近１０天的的负荷数据及气象数据ꎬ在根据未来的天气以及节假日信息ꎬ进过神经网络计算后ꎬ得到未来５天的负荷预测曲线ꎬ如图４所示ꎮ图４㊀负荷预测流程如图５所示ꎬ通过负荷预测工具的节假日管理模块提前录入节假日信息ꎬ选择所要预测的日期(如２０１９年８月６日)ꎬ读取该预测日期前１０天的历史实际负荷数据及历史实际气温数据ꎬ输入查询日期未来５天的最高㊁最低气温(手动导入天气预报数据)ꎮ图５㊀读取历史数据及输入预测气温值㊀㊀㊀㊀㊀(底纹部分)点击神经网络预测按钮ꎬ程序会搜索该日期是否为节假日并将日期自动转化为星期用以区分工作６７ 第４０卷第２期㊀湖㊀南㊀电㊀力２０２０年０４月日与休息日ꎮ通过神经网络算法计算后ꎬ获得预测日期５天负荷预测数据ꎮ如图６所示ꎬ实线表示预测负荷数据ꎬ虚线表示已经产生的实际负荷数据ꎬ通过对比发现预测数据与实际数据比较接近ꎮ当然也存在一定误差ꎬ这种误差没有严格的规律性ꎬ但从图中可以看出一般情况下越靠前的预测日期负荷预测相对精准写ꎬ误差相对较小ꎬ图中预测数据符合常德电网实际(一般情况下ꎬ工作日气温越高负荷相对越高ꎬ休息日在同等气温下负荷低于工作日)ꎬ从而检验了局部电网短期负荷预测工具具有实际可用性ꎮ(ａ)最高负荷预测值与实际值对比(ｂ)最低负荷预测值与实际值对比图６㊀负荷预测数据图表展示４ 结语基于神经网络ＢＰ算法的局部电网短期负荷预测系统对于气象预测的准确度依赖较大ꎬ在预测气温相对精准的情况下能较准确预估小区域电网内的负荷情况ꎮ若负荷预测区域的气温预测不够精准ꎬ将可能导致预测负荷误差较大ꎮ虽然该系统存在一些不完善的地方ꎬ但对调度机构人员日常工作仍有一定使用价值ꎮ该工具通过对于局部电网负荷甚至一个变电站或一条线路负荷变化趋势开展预测ꎬ可以方便调度机构人员提前预估设备是否存在重过载风险ꎬ为调度机构合理安排检修计划㊁及时调整电网方式提供参考ꎬ从而有效预控可能带来的风险ꎬ保障电网安全经济运行ꎮ参考文献[１]张雪峰ꎬ杨琪ꎬ邱仕义.电力负荷预测方法在地区供电部门的应用[Ｊ].湖南电力ꎬ２００３ꎬ２３(２):１１￣１３.[２]谢培元ꎬ曾次玲.基于神经网络的短期电价预测[Ｊ].湖南电力ꎬ２００４ꎬ２４(２):９￣１１.[３]杨洪明ꎬ白培林.基于遗传算法的人工神经网络负荷预报模型[Ｊ].湖南电力ꎬ２０００ꎬ２０(１):１５￣１６.[４]韩力群.人工神经网络理论㊁设计及应用[Ｍ].北京:化学工业出版社ꎬ２００２:４３￣５４.[５]李西泉ꎬ陈辉华ꎬ朱军飞ꎬ等.提高湖南电网短期负荷预测准确率的分析与思考[Ｊ].湖南电力ꎬ２００６ꎬ２６(２):１￣４.作者简介邹治锐(１９９０)ꎬ男ꎬ湖北鄂州人ꎬ工程师ꎬ硕士研究生ꎬ从事电网调度运行工作ꎮ７７ 第４０卷第２期㊀邹治锐等:基于神经网络ＢＰ算法的局部电网短期负荷预测系统２０２０年０４月。
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。
基于神经网络的短期电力负荷预测研究摘要：随着电力供需关系的日益紧张和新能源的广泛应用，短期电力负荷预测变得至关重要。
传统的统计模型在电力负荷预测中存在一定的局限性，而神经网络作为一种非线性建模方法，具有较强的适应性和预测能力。
本文基于神经网络的方法，研究了短期电力负荷预测问题，并通过实证分析验证了该方法的有效性。
1. 引言短期电力负荷预测是电力系统调度和运营中的重要任务，是合理安排电力资源、保障电力供应的关键。
传统的统计模型如ARIMA、SARIMA等在电力负荷预测中得到了广泛应用，但这些模型往往无法很好地捕捉到非线性关系和复杂的动态变化，导致预测精度有限。
神经网络作为一种自适应非线性建模方法，通过学习样本中的模式和规律来预测未知数据的值，具有很强的适应能力和非线性拟合能力，因此在短期电力负荷预测中具有潜力。
本研究旨在探究基于神经网络的短期电力负荷预测方法，并通过实证验证其预测效果。
2. 神经网络模型神经网络是由多个神经元以及它们之间的连接构成的一个网络系统。
本研究使用多层感知器（MLP）作为预测模型，它是一种常见的前馈神经网络模型。
MLP包括输入层、隐藏层和输出层，其中隐藏层的数量和神经元的个数可以根据实际问题进行调整。
在本研究中，输入层的节点表示历史负荷数据和其他相关因素，输出层的节点表示未来一段时间内的电力负荷。
隐藏层的神经元使用激活函数对输入进行非线性变换，通过学习样本数据的特征来对未知数据进行预测。
3. 数据处理和模型训练为了建立短期电力负荷预测模型，首先需要收集和处理相关的数据。
常见的输入因素包括历史负荷数据、温度、季节性等。
本研究选择了历史负荷数据和温度作为输入因素。
然后，将数据集划分为训练集和测试集。
训练集用于模型的参数估计，测试集用于评估模型的预测能力。
为了提高模型的泛化性能，本研究采用了交叉验证的方法进行模型训练和调优。
在模型训练过程中，需要选择合适的损失函数和优化算法。
本研究选择了均方误差（MSE）作为损失函数，用于衡量模型的预测误差。
基于MIGA-BP神经网络的短期电力负荷预测王帅哲;王金梅;王永奇;马文涛【摘要】准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同“岛屿”进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.【期刊名称】《宁夏大学学报（自然科学版）》【年(卷),期】2019(040)002【总页数】6页(P145-150)【关键词】多岛遗传算法;遗传算法;BP神经网络;负荷预测【作者】王帅哲;王金梅;王永奇;马文涛【作者单位】宁夏大学物理与电子电气工程学院,宁夏银川 750021;宁夏大学物理与电子电气工程学院,宁夏银川 750021;宁夏大学宁夏沙漠信息智能感知自治区重点实验室,宁夏银川 750021;宁夏大学物理与电子电气工程学院,宁夏银川 750021;宁夏大学物理与电子电气工程学院,宁夏银川 750021【正文语种】中文【中图分类】TM71准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.随着中国制造“2025”的稳步推进和城镇化不断发展，工厂生产和人们生活对电力的需求越来越大，确保供用电之间关系的协调变得更加重要.而准确的短期电力负荷预测是确保供用电之间关系协调的重要内容.目前,国内外针对短期电力负荷预测主要分传统预测法和智能预测法[1].随着近几年我国在人工智能技术(AI)领域的快速发展，人工神经网络在负荷预测中得到广泛应用.文献[2]使用改进的混沌神经网络对短期电力负荷进行预测，结果表明,改进的混沌神经网络对短期水电负荷数据预测有较好的拟合能力，预测误差较小.文献[3]使用RBF神经网络对电力负荷数据进行预测，结果表明,RBF神经网络能较准确预测负荷数据.文献[4]利用Elman神经网络具有动态记忆功能、在时间序列预测的优势，对短期电力负荷数据进行预测，仿真结果表明了该方法的可行性.文献[5]用改进的广义回归神经网络对短期电力负荷数据进行预测，预测结果表明改进后的模型预测精度更高.文献[6]用遗传算法优化BP神经网络，建立GA-BP神经网络预测模型，仿真结果表明，优化后预测模型的预测精度更高.针对GA-BP神经网络预测模型存在局部搜索能力差、易陷入早期收敛的缺点，提出多岛遗传算法优化的BP神经网络(MIGA-BP).通过使种群在不同“岛屿”进化与迁移提高物种多样性，避免遗传算法早期收敛现象发生,并加入气温、湿度、天气状况、日期类型因素，将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型.通过MATLAB仿真研究验证控制变量相同时，MIGA-BP预测模型具有较高的预测精度.1 MIGA算法遗传算法(genetic algorithms,GA)是模拟自然界生物进化机制而形成的一种人工系统算法[7—8]，其基本思想：将个体进行二进制编码，通过选择、交叉、变异操作丰富物种多样性，筛选保留适应度值高的优秀个体[9—10].遗传算法具有全局搜索能力强、收敛速度快等优点，但也存在局部搜索能力较差、易陷入早期收敛的“早熟”现象等缺点[11—14].针对传统遗传算法局部搜索能力较差的缺点，提出多岛遗传算法(multi-island genetic algorithm, MIGA，)即一种伪并行遗传算法.它建立在传统遗传算法基础上，并在种群进化过程中引入“岛屿”的概念，即将总的种群分为几个不同的子群，分别在不同的岛屿上进行选择、交叉和变异进化操作，个体按一定概率在各个岛屿间迁移.迁移过程涉及迁移率和迁移间隔2个参数，迁移率指在一次迁移过程中，岛屿上迁移个体所占的比例;迁移间隔指相邻两次迁移的代数间隔.多岛遗传算法个体迁移如图1所示，其中k为个体数量，mn为迁移间隔.图1 多岛遗传算法个体迁移多岛遗传算法因个体在岛屿间的迁移提高了物种多样性和搜索全局最优解的机会，避免其陷入早期收敛的“早熟”现象，该算法的流程：Step1 种群初始化，将每个个体进行二进制的染色体编码.Step2 构造适应度函数并计算个体适应度值，作为选择优秀个体的根据.Step3 判断是否满足收敛条件：种群中个体平均适应度是否达到预先设定值或达到最大迭代次数，若满足则输出最优个体解码得到最优解，结束计算，否则继续进行下一步.Step4 将种群P1(t)分为不同子群P12(t)，P13(t)，P14(t)等，并迁往不同岛屿. Step5 子种群分别在不同岛屿进行传统遗传算法的选择操作，个体适应度值越高，被选中进行下一步的概率越大.该操作采用比例选择算子，首先计算个体适应度之和f：(1)再计算个体相对适应度Pn:Pn=f(Xn)/f,k=1,2,…,mr.(2)Step6 按设定的概率Pc进行遗传算法的交叉操作，即将染色体编码的部分片段进行交换，以产生更优秀个体，该操作流程如图2所示.图2 交叉操作原理Step7 进行变异操作，按设定好的变异概率Pm选择个体染色体的一点或多点位置进行随机变异，以增加物种多样性，操作如图3所示.图3 变异操作原理Step8 根据轮盘赌法确定个体被选中次数.Step9 对Step8产生的个体在岛屿间按迁移率q进行迁移，产生孙种群P21(t)，P22(t)，P23(t)等.Step10 计算产生的孙种群个体适应度，判断是否满足收敛条件，若满足条件则输出最优个体并解码得到最优解，否则转入Step4,继续算法直至满足收敛条件.2 MIGA-BP神经网络的预测模型2.1 BP神经网络BP神经网络即采用误差反向传播算法(error back propagtion,BP)训练的多层前馈网络，由输入层、隐含层、输出层组成[15—17]，具有自学习能力、非线性函数映射能力、鲁棒性强等特点[18—20].考虑天气因素权重输入的BP神经网络结构如图4所示.图4 BP神经网络BP神经网络学习可分为2个阶段：第一阶段，首先设置输入层、隐含层和输出层的节点个数、迭代次数、目标误差等参数，再输入归一化后的训练数据和天气因素影响权重.数据经输入层、隐含层向输出层传播，经过非线性变换产生输出数据.第二阶段，误差沿着减小的方向从输出层经隐含层向前传播，期间修正网络权值、阈值[21—22].随着网络训练次数的不断增加，最终误差越来越小，当达到设定目标误差或最大迭代次数时终止训练.用得到最优权值、阈值的网络预测输出.2.2 天气因素影响权重为提高短期负荷预测的准确性，增加气温、湿度、天气状况、日期类型影响因素权重，通过不同的数据区间和类型归类权重大小，将得到的权重作为负荷预测中天气因素影响的重要参考(表1).2.3 MIGA-BP神经网络的预测模型用MIGA算法优化BP神经网络的初始权值、阈值，得到优化后的MIGA-BP神经网络预测模型.将天气因素影响权重和归一化后的负荷数据输入该模型对目标负荷数据进行预测，能有效降低预测误差.MIGA-BP神经网络预测模型的预测输出流程：表1 不同因素的权重气温/℃湿度/%天气状况日期类型15～305～14-5～4<-5>30<3030～5051～7071～80>80晴多云阴小雨/雪大雨/雪周一至周五周六周日一般节日重大节日0.20.40.60.80.90.20.40.60.80.90.20.40.60.80.90.20.40.60.80.9Step1 归一化处理负荷数据，避免奇异样本导致网络训练时间增加和数据间数量级的差别.用最大、最小法进行归一化处理，归一化计算公式:xn=(xn-xmin)/(xmax-xmin).(3)归一化后的部分负荷数据如表2所示：表2 某地2014-07-01—07-31部分归一化负荷数据t/h1 d2 d3 d4 d (30)d10.2700.2880.2800.291…0.28520.2230.2020.2390.232…0.22430.1790.1710. 1570.189…0.16940.1260.1320.1170.122…0.112︙︙︙︙︙︙︙240.4610.4430.4400.452…0.433Step2 创建BP神经网络，设置输入层5个节点、输出层1个节点,隐含层节点m 根据经验公式(4)计算：m=2×y+1,(4)式中,y为输入层节点数.可得m=11.Step3 种群初始化，随机将BP神经网络权值、阈值表示为MIGA算法个体染色体二进制编码.编码长度由求解精度决定，文中求解精度为3位小数，编码长度为12位.部分染色体编码如表3所示.表3 部分染色体编码染色体编码A1110001010011B1101000101101C1100111010000D1100001010001E110 0010000100︙︙Step4 解码得到BP神经网络初始权值、阈值并赋予BP神经网络.Step5 用归一化后的训练数据和天气因素权重训练BP神经网络，并将BP神经网络预测输出值和实际值的误差平方和倒数作为个体适应度F：(5)式中: n 为网络输出节点；yi为BP神经网络第i个节点的期望输出； ai为第i个节点的预测输出；k为系数.部分个体适应度值如表4所示.表4 个体适应度值个体FA52.1B55.6C56.3D53.5E52.0F55.2Step6 进行1中的Step3.Step7 将种群P1(t)分为不同的子群P12(t)，P13(t)，P14(t)等，并迁往不同岛屿进行选择、交叉和变异操作.Step8 将Step7中产生的种群在岛屿间按设定好的迁移率和迁移间隔迁移，产生新的孙种群P21(t)，P22(t)， P23(t)等.Step9 判断Step8产生的孙种群是否满足收敛条件，若满足条件则将解码得到的最优解作为BP神经网络初始权值、阈值，否则转入Step4中进行解码权值、阈值操作.Step10 将归一化后的训练数据和天气因素影响权重输入已优化初始权值、阈值的BP神经网络.Step11 计算Step10中的输出误差.Step12 判断误差是否满足设定值或达到最大迭代次数，若满足条件则用训练好的BP神经网络预测输出，否则更新权值、阈值并转入Step8继续训练网络，直至满足条件.MIGA-BP神经网络预测模型的预测输出流程如图5所示.图5 MIGA-BP预测模型的预测输出流程3 仿真为验证改进后MIGA-BP预测模型对短期电力负荷数据的预测效果，对改进前的GA-BP预测模型和BP预测模型进行仿真对比.将表1～2中数据输入MIGA-BP预测模型进行训练，用第31 d的24 h负荷数据作为测试数据，测试MIGA-BP预测模型的预测精度.为确保3个预测模型在相同条件下预测输出，进行变量控制，设置共同部分为相同参数(表5).表5 算法参数的设置BPGAMIGA迭代次数(200)种群规模(60)迁移率(0.3)学习率(0.2)交叉概率(0.5)迁移间隔(4)目标误差(0.000 1)变异概率(0.01)岛屿数目(10)设置好程序参数后，在MATLAB环境下进行仿真，具体步骤：打开MATLAB，加载程序，设置参数，点击运行，迭代停止，仿真结束.MATLAB程序仿真迭代界面如图6所示.图6 MATLAB仿真界面程序运行1.12 h达到设定最大迭代次数后停止.MIGA算法优化的BP神经网络部分初始权值、阈值如表6所示.表6 优化BP部分初始权值与阈值权值阈值0.547 90.266 6-0.565 10.58690.232 00.938 30.639 50.419 6-0.389 00.505 4输入训练数据训练BP神经网络，根据梯度下降法不断调整权值、阈值，当满足终止条件时停止训练，此时得到最优化权值、阈值.调用函数formwb将权值阈值保存为wb矩阵的代码：wb = formwb(net,net.b,net.iw,net.lw)部分最优化权值、阈值如表7所示.MIGA-BP神经网络预测模型的收敛曲线如图7所示.表7 BP部分最优化权值与阈值权值阈值0.650 30.853 90.778 80.569 4-0.965 40.753 50.288 60.960 10.453 90.224 1图7 MIGA-BP神经网络收敛曲线由图7可知，当迭代N=72次时，误差最小.BP,GA-BP,MIGA-BP预测模型的预测输出和实际负荷对比如图8～10所示.图8 BP预测模型的预测输出图9 GA-BP预测模型的预测输出图10 MIGA-BP预测模型的预测输出3个预测模型的预测输出、实际值、预测误差对比如图11～12所示.由图11可知，3个曲线与真实值的拟合度，MIGA-BP大于GA-BP，BP预测模型的，说明MIGA-BP预测模型的预测更接近真实值.由图12可知，BP模型的预测误差曲线波动较大，GA-BP模型的预测误差曲线比BP有所改善，波动有所减小.MIGA-BP 模型的预测误差曲线波动最小且较为稳定.说明对于短期电力负荷预测误差，MIGA-BP预测模型小于GA-BP，BP的.图11 3个预测模型的预测输出对比图12 3个预测模型的预测误差对比以归一化平均相对误差(eav)、归一化均方根误差(e)和平均相对误差eav大于3%的时刻个数(eav>3%)为判据，判断3个预测模型的预测效果(表8).eav,e计算公式如下：(6)(7)式(6)～(7)中，o为测定值，p为预测值.表8 3个预测模型的误差对比模型eav /%e /%N(eav >3%)/个BP2.921.7611 GA-BP2.071.496MIGA-BP1.261.271由表8可知，对于eav，e,N， MIGA-BP预测模型小于GA-BP,BP的，说明MIGA-BP模型的预测误差最小.4 结论MIGA-BP神经网络预测模型的预测误差最小，其平均相对误差比GA-BP的降低0.81%，均方根误差降低0.22%，平均相对误差大于3%的时刻个数减少5个.说明MIGA-BP预测模型对短期电力负荷的预测误差最小，更有优势.参考文献：【相关文献】[1] 潘超,鲁宝春,孙丽颖,等.电力系统负荷预测方法综述[J].辽宁工业大学学报：自然科学版,2016,36(5):296-299.[2] 王冰山,周步祥,肖贤,等.基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测[J].电工电能新技术,2014,33(6):7-12.[3] 张智晟,于道林.考虑需求响应综合影响因素的RBF-NN短期负荷预测模型[J].中国电机工程学报,2018,38(6):1631-1638.[4] 于道林,张智晟,韩少晓,等.计及需求响应的Elman-NN短期负荷预测模型研究[J].电工电能新技术,2017,36(4):59-65.[5] 邹红波,伏春林,喻圣.基于Akima-LMD和GRNN的短期负荷预测[J].电工电能新技术,2018,37(1):51-56.[6] 刘波，张焰，陈煜，等.基于GA-改进BP神经网络算法在大电网短路电流预测中的应用[J].电工电能新技术,2006,25(4):43-46．[7] 黄宏运,朱家明,李诗争.基于遗传算法优化的BP神经网络在股指预测中的应用研究[J].云南大学学报：自然科学版,2017,39(3):350-355.[8] 高玉明，张仁津.基于遗传算法和BP神经网络的房价预测分析[J].计算机工程,2014,40(4):187-191.[9] 张代磊,黄大年,张冲.基于遗传算法优化的BP神经网络在密度界面反演中的应用[J].吉林大学学报：地球科学版,2017,47(2):580-588.[10] 袁圃,毛剑琳,向凤红,等.改进的基于遗传优化BP神经网络的电网故障诊断[J].电力系统及其自动化学报,2017,29(1):118-122.[11] GONG Xuedan, LIAO Dunming, CHEN Tao, et al. Optimi-zation of steel casting feeding system based on BPneural network and genetic algorithm[J].ChinaFoundry,2016,13(3):182-190.[12] 严旭,李思源,张征.基于遗传算法的BP神经网络在城市用水量预测中的应用[J].计算机科学,2016,43(11A):547-550.[13] 张丽秀,夏万磊,李界家,等.基于遗传神经网络的电主轴表面温度预测[J].控制工程,2016,23(2):243-248.[14] 马广慧,马豆豆,邵秀丽.基于遗传BP神经网络的三七价格预测[J].天津师范大学学报：自然科学版,2017,37(6):76-80.[15] 李奎,李晓倍,郑淑梅,等.基于BP神经网络的交流接触器剩余电寿命预测[J].电工技术学报,2017,32(15):120-127.[16] LI Zhaokun, ZHAO Xiaohui. BP artificial neural networkbased wave front correction for sensor-less free spaceoptics communication[J]. Optics Communications,2017,385:219-228.[17] 荣雅君,杨伟,牛欢,等.基于BP-EKF算法的电动汽车电池管理系统SOC精准估计[J].电工电能新技术,2015,34(9):22-28.[18] YU Xiaohan, XIONG Shengwu, HE Ying, et al. Research on campus traffic congestion detection using BP neural network and Markov model[J].Journal of Information Securityand Applications,2016,31.[19] 苏学能,刘天琪,曹鸿谦,等.基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法[J].中国电机工程学报,2017,37(17):4966-4973.[20] 赵东雷,李丹华,库巍,等.基于神经网络的电力系统短期负荷预测[J].华北电力技术,2017(9):22-27.[21] 王吉权,王福林,董志贵,等.基于改进BP神经网络的电力负荷预测[J].数学的实践与认识,2017,47(9):276-28[22] 唐承娥.基于交变粒子群BP网络的电力系统短期负荷预测[J].计算机科学,2017,44(S2):133-135.。
引言电力系统短期负荷预测对未来1日至1周的负荷进行预测。
短期负荷预测是随着电力系统EMS的逐步发展而发展起来的，现已经成为EMS必不可少的一部分和为确保电力系统安全经济运行所必需的手段之一。
随着电力市场的建立和发展，对短期负荷预测提出了更高的要求，短期负荷预测不再仅仅是EMS的关键部分，同时也是制定电力市场交易计划的基础。
电力系统负荷预测为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。
因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义。
短期负荷预测技术经过几十年的发展，人们提出了许多的预测方法。
现有的预测方法大体可以分为2类：经典的数学统计方法以及上世纪90年代兴起的各种人工智能方法。
经典的数学统计方法包括线性外推法、多元线性回归法、时间序列法和状态空间法等。
人工智能方法包括人工神经网络法、专家系统方法和模糊推理方法、小波分析等。
在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于BP神经网络的短期负荷预测方法。
其中首先根据实际经验将一周的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；然后建立相应的人工神经网络模型用以预测负荷归一化系数；最后通过最小二乘法预测日最大负荷和日最小负荷。
利用相应的BP神经网络方法对未来24小时负荷进行短期预测，该方法充分发挥了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。
实际算例表明，这种方法应用在短期负荷预测方面有较高的精度。
1、电力负荷预测综述1.1、电力负荷预测的含义电力负荷有两方面的含义：一方面是指电力工业的服务对象，包括使用电力的部门、机关、企事业单位、工厂、农村、车间、学校以及各种各样的用电设备；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量。
毕业设计：基于BP神经网络的短期电力负荷预测（终稿）西安工业大学北方信息工程学院题目:基于BP神经网络的短期电力负荷预测系别电子信息工程系专业电气工程及其自动化班级 B070307姓名宋亮学号 B07030716导师张荷芳焦灵侠2011年6月毕业设计(论文)任务书系别电子信息系专业电气工程自动化班 b070307 姓名宋亮学号b07030716 1.毕业设计(论文)题目: 基于bp神经网络的短期电力负荷预测题目背景和意义:电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济2.地提供可靠而合乎标准要求的电能，以随时满足负荷要求。
但是由于电力的生产与使用具有其特殊性，即电能是不能储存的。
这就要求系统发出电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。
电力系统负荷预测因此发展起来，成为工程科学中重要的研究领域，是电力系统自动化中一项重要内容。
在电力系统安排生产计划和实际运行的过程中，负荷预测起着十分重要的作用，主要表现在以下几个方面: (1)经济调度的主要依据。
对电力系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保系统安全的情况下尽量减少实时发电备用容量。
(2)生产计划的要求。
电力系统中，由于其可靠性的要求，各种发、供电设备都有确定的检修周期。
(3)电力系统安全分析的基础。
电力事故所造成经济损失和社会影响是巨大的，必须尽量避免。
3.设计(论文)的主要内容(理工科含技术指标): 负荷预测并达到一定误差范围之内。
4.设计的基本要求及进度安排(含起始时间、设计地点):电子系实验室1-5周;开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。
6-10周; 完成方案论证，确定设计方案。
10-15周;利用Matlab对系统做进一步的仿真分析16-18周;完成所有的设计工作，整理资料，完成毕业论文，准备答辩。
5.毕业设计(论文)的工作量要求 400机时*? 实验(时数)或实习(天数): 100天*? 图纸(幅面和张数):A4×2 ? 其他要求: 论文:15000字以上;外文翻译:5000字以上指导教师签名: 年月日学生签名: 年月日系主任审批: 年月日说明:1本表一式二份，一份由学生装订入册，一份教师自留。
2 带*项可根据学科特点选填。
1I基于BP神经网络的短期电力负荷预测摘要负荷预测技术是近年来各国潜心研究的一个新领域，它对于电力系统的规划与运行、获得最好的经济效益，有重大的意义。
特别是电力科技与其它学科发展将会更加交融和促进。
利用人工神经网络方法来对电力负荷进行短期预测是一种常用而且非常有效的一个方法。
因此，与人工神经网络相关的一些预测算法就成为预测技术发展的一个重点。
本文首先对预测技术，人工神经网络及其应用于电力系统进行了一些理论基础的介绍和探讨工作，重点介绍了BP网络在负荷预测方面的一些知识及实际应用。
本文以实例为背景，详细论述了BP网络在电力负荷预测中的实际应用，并深入研究了在实际的系统中从输入模式的划分，隐节点的选取，权值的修改，学习率的调整等实际的问题。
对于节假日的负荷，本文对其进行另外的讨论。
最后用MATLAB仿真得到预测结果并分析了预测结果。
关键词:电力系统;短期负荷预测;BP;人工神经网络1IIShort-Term Electric Power Load Forecasting Based onNeural Network MODELAbstractLoad forecasting technology is a new field in which many countries research with great concentration in recent few years. Load forecasting technology plays an important role not only in the design and running inpower system but also in the increase of economical benefit. Short-term Load prediction based on artificial neural network is a common but most efficacious method. So some forecasting algorithms attached to ANN begin to be a promising and important field in the development of prediction technology.The paper primarily explicated some algorithms about prediction in EMS. Firstly,the background and development of prediction technology are introduced and then some introduction of basic theory and research work have been done about how to apply ANN to prediction technology, during which HP network and BP network are introduced importantly and then some improvement about the application of ANN to prediction technology is given. With an example the paper explicitly discusses the application of BP network in load prediction and has a deep research in patterndivision of inputting, the selection on the number of the hidden layer, the modifying of weight, the adjustment of the speed of the study and etc. In the paper, a new and sufficient method about the selection of the training sample is proposed and also the division of inputting in festivals is operated with a new method by using interpolation. Besides, in the paper, the longest predicable time is studied theoretically and practically operated. The compare of the two kinds of network and their respective privilege and limitations is the emphasis in the paper.The paper cites chaos theory to predict technology. In the end the paper give some prospects and hypothesis on the prediction.Key words:Power System;Short-Term Load Forecasting(STLF); BP; Artificial NeuralNetwork(ANN)1III目录1 绪论 ..................................................................... ................................ 1 1.1 负荷预测的目的和意义 ..................................................................... ............... 1 1.2 国内外研究现状 ..................................................................... ........................... 1 1.3 本文主要研究内容 ..................................................................... ....................... 2 2 电力负荷预测分析 ..................................................................... ........... 4 2.1电力系统负荷预测的分类和特点......................................................................42.1.1电力系统负荷预测的分类 ..................................................................... (4)2.1.2电力系统负荷预测的特点和基本原理 (4)2.1.3电力负荷预测的影响因素 ..................................................................... (5)2.1.4电力负荷预测的要求...................................................................... ............. 6 2.2 短期电力负荷预测的主要方法及模型 ............................................................. 6 2.3 预测方法比较 ..................................................................... ..............................10 3 人工神经网络 ..................................................................... ................. 11 3.1神经网络的发展概述 ..................................................................... ................... 11 3.2 神经网络的特点 ..................................................................... ..........................12 3.3神经网络学习控制 ..................................................................... .......................12 3.4神经网络非线性控制 ..................................................................... ...................13 3.5神经网络用于预测技术 ..................................................................... ...............13 4 BP神经网络...................................................................... ................... 15 4.1 BP神经网络结构 ..................................................................... ........................15 4.2 BP神经网络的学习方式...................................................................... ............15 4.3 BP算法的数学描述 ..................................................................... .. (16)4.3.1 网络误差与权值的调整分析 .....................................................................164.3.2 BP 算法推导对于输出层 ..................................................................... .....17 4.4 BP神经网络的主要特点...................................................................... ............18 5 系统设计与实现 ..................................................................... ............. 20 5.1 具体实例分析 ..................................................................... ..............................20 5.2 输入/输出变量设计 ..................................................................... ....................21 5.3 BP网络仿真设计 ..................................................................... (22)1IV5.4 预测结果分析 ..................................................................... ..............................27 5.5 MATLAB 简介 ..................................................................... ............................27 6 结论与展望 ..................................................................... ..................... 29 6.1 结论 ..................................................................... .............................................29 6.2 展望 ..................................................................... .............................................29 参考文献 ..................................................................... . (31)致谢 ..................................................................... .. (32)毕业设计(论文)知识产权声明 .......................................................... 33 毕业设计(论文)独创性声明 (34)1V1 绪论1 绪论1.1负荷预测的目的和意义电力系统的基本作用是尽可能经济地为各类用户提供可靠且合乎标准要求的电能，适应实际负荷需求和变化。
