短期负荷预测论文：基于神经网络的短期电力负荷预测研究2336656320-（word可编辑）.doc

莁蒈薁螅芇蒇蚃羀膃蒆螅螃聿薅蒅羈羄薅薇螁芃薄蚀羇艿薃袂螀膅薂薂肅肁薁蚄袈莀薀螆肃芆薀袈袆膂虿薈肂肈芅蚀袄羄芄袃肀莂芃薂羃芈芃蚅膈膄节螇羁肀芁衿螄荿芀蕿罿芅荿蚁螂膁莈螄羈肇莇蒃螀肃莇蚆肆莁莆螈衿芇莅袀肄膃莄薀袇聿莃蚂肂羅蒂螄袅芄蒁蒄肁膀蒁薆袄膆蒀蝿腿肂葿袁羂莁蒈薁螅芇蒇蚃羀膃蒆螅螃聿薅蒅羈羄薅薇螁芃薄蚀羇艿薃袂螀膅薂薂肅肁薁蚄袈莀薀螆肃芆薀袈袆膂虿薈肂肈芅蚀袄羄芄袃肀莂芃薂羃芈芃蚅膈膄节螇羁肀芁衿螄荿芀蕿罿芅荿蚁螂膁莈螄羈肇莇蒃螀肃莇蚆肆莁莆螈衿芇莅袀肄膃莄薀袇聿莃蚂肂羅蒂螄袅芄蒁蒄肁膀蒁薆袄膆蒀蝿腿肂葿袁羂莁蒈薁螅芇蒇蚃羀膃蒆螅螃聿薅蒅羈羄薅薇螁芃薄蚀羇艿薃袂螀膅薂薂肅肁薁蚄袈莀薀螆肃芆薀袈袆膂虿薈肂肈芅蚀袄羄芄袃肀莂芃薂羃芈芃蚅膈膄节螇羁肀芁衿螄荿芀蕿罿芅荿蚁螂膁莈螄羈肇莇蒃螀肃莇蚆肆莁莆螈衿芇莅袀肄膃莄薀袇聿莃蚂肂羅蒂螄袅芄蒁蒄肁膀蒁薆袄膆蒀蝿腿肂葿袁羂莁蒈薁螅芇蒇蚃羀膃蒆螅螃聿薅蒅羈羄薅薇螁芃薄蚀羇艿薃袂螀膅薂薂肅肁薁蚄袈莀薀螆肃芆薀袈袆膂虿薈肂肈芅蚀袄羄芄袃肀莂芃薂羃芈芃蚅膈膄节螇羁肀芁衿螄荿芀蕿罿芅荿蚁螂膁莈螄羈肇莇蒃螀肃莇蚆肆莁莆螈衿芇莅袀肄膃莄薀袇聿莃蚂肂羅蒂螄袅芄蒁蒄 短期负荷预测论文：基于神经网络的短期电力负荷预测研究【中文摘要】电力负荷预测是供电部门的重要工作之一,电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。随着经济和社会的发展,高准确度的短期负荷预测越来越重要。本文首先重点分析了电力负荷特性,提出了进行负荷分析应遵循的理念,并收集了上海地区2008和2009两年1至8月份影响电力负荷特性的的各类数据,进行了统计和分析,以上海地区为代表介绍大城市的负荷特性情况。第二部分介绍了神经网络的基本理论,其中重点研究了BP模型的结构、算法,对BP算法进行改进,利用遗传算法优化BP网络,仿真结果表明优化后的BP网络改善了训练过程中的误差,且预测结果更精确。第三部分首先提出建立影响短期负荷的相关因素映射数据库,并提出了映射数据库优化处理的策略,算例分析表明经过训练的相关因素的量化映射值更加合理,预测效果和稳定性得到了进一步提高。然后进行基于相关影响因素映射数据库的神经网络短期负荷预报的实现,由仿真结果可知映射数据库的建立明显有助于提高负荷预报的准确度。接着提出一种基于天气影响因素差异度的神经网络模型,算例分析表明该模型对天气变化较大或剧烈的负荷预测更为准确。第四部分主要是在对华东某地区各种影响负荷变化的相关因素进行研究的基础上,提出针对该地区供电企业进行短期负荷预测系统开发的框架设计思路。应用效果表明,该系统负荷预测模块满足应用需求。【英文摘要】Load forecasting is one of the important tasks of the power enterprise, and the level of load forecasting has become one of the significant symbol which shows whether the management of a power enterprise has achieved modernization. With the economic and social development, high accuracy of short-term load forecasting wil be more and more important.This paper first analyzes the characteristics of the load, and the principles of load analysis should be followed. Various types of data of January to August of the last year and the year before last which affect load characteristics are collected for statistics and analysis to describe the load characteristics of large cities.The second part describes the basic theory of artificial neural networks(ANN), which focus on the BP neural network structure, algorithm and improved algorithm, and genetic algorithm is proposed to optimize the BP network. The simulation results show that the optimized BP network prediction results are more accurate. In the third part, the establishment of the concept mapping database related factors is proposed, and optimization strategy is proposed for mapping database. Example shows that the trained mapping values of quantitative factors are more reasonable , and the predicted effect and stability has been further improved. Then it studys short-term load forecasting( STLF) based on BP neural network. Comparing the simulation of the input sample which takes into account relevant factors and the input sample which doesnt take into account relevant factors, the simulation results suggest the establishment of a database significantly help to improve the accuracy of the short-term load forecasting. Last, a neural network madel based on difference degree of weather is proposed. Numerical example shows that load forecasting is more accurate when the model is used for severe weather. The last part introduces a short-term load forecasting system development ideas based on VBA and PI database. After conducting a detailed investigation in a district in the East China, the load characteristics of the region and limitations of the original loadforecasting system used in the region is detailed analyzed, a short-term load forecasting system framework is developed. The application shows that the system meets the requirements of load forecasting.【关键词】短期负荷预测 神经网络 BP 遗传算法【英文关键词】Short-Term Load Forecasting(STLF) artificial neural networks (ANN) Back-Propagmion(BP) genetic algorithm【目录】基于神经网络的短期电力负荷预测研究摘要5-6ABSTRACT6-7第一章 电力系统负荷预测概述10-151.1 负荷预测的意义和内容101.2 电力系统负荷预测的基本原理101.3 电力系统负荷预测基本步骤10-111.4 主要的负荷预测方法11-131.4.1 主要的成熟负荷预测方法11-121.4.2 短期负荷预测研究热点12-131.5 本文的主要研究内容13-15第二章 电力系统负荷特性分析15-232.1 电力系统负荷构成152.2 电力系统用户用电特点分析15-162.3 影响电力负荷变化的因素16-192.3.1 影响电力负荷变化因素的种类162.3.2 影响上海近期负荷的主要因素16-192.4 电力负荷特性分析19-222.4.1 进行负荷特性分析应遵循的理念192.4.2 上海地区电力负荷特性分析19-222.5 本章小结22-23第三章 用于短期负荷预测的改进 BP模型研究23-413.1 BP 神经网络概述23-273.1.1 神经网络概述23-243.1.2 BP 网络模型结构24-253.1.3 BP 网络的学习算法25-273.2 BP 改进算法与结构分析27-333.2.1 BP 算法存在的缺陷及改进27-323.2.2 BP 网络隐含层节点数的选择32-333.2.3 节点转移函数的选择333.3 遗传算法优化 BP 神经网络33-403.3.1 遗传算法原理33-343.3.2 遗传算法的基本要素34-353.3.3 遗传算法优化 BP 神经网络的流程353.3.4 算例分析35-403.4 本章小结40-41第四章 基于神经网络的短期负荷预测的实现41-594.1 短期负荷预测中相关影响因素的选择与处理41-444.1.1 相关影响因素映射数据库的建立41-434.1.2 基于摄动算法的映射数据库的优化处理策略43-444.1.3 算例分析444.2 负荷记录中伪数据的处理44-454.3 训练样本的选取与处理45-474.3.1 训练样本的选取45-464.3.2 训练样本的归一化处理46-474.4 基于相关因素映射数据库的正常日短期负荷预测的实现47-554.4.1 考虑日气象特征和星期类型的短期负荷预测的实现47-544.4.2 不考虑日气象特征和星期类型的短期电力负荷预测的实现54-554.5 基于天气影响因素差异度的神经网络正常日短期负荷预测的实现55-584.5.1 一种基于天气影响因素差异度的神经网络预测方法55-574.5.2 算例分析57-584.6 本章小结58-59第五章 短期负荷预测系统框架设计59-695.1 本文进行短期负荷预测系统设计的基本思想59-605.1.1 短期负荷预测的周期性595.1.2 基于同类型日思想的正常日预测的整体描述59-605.1.3 本文进行系统设计的思路605.2 关于制定负荷调整方案的研究60-655.2.1 气象特征与生活用电之间的关系60-615.2.2 重大节假日对负荷变化的影响61-645.2.3 作息时间对负荷变化规律的影响64-655.3 系统开发环境和开发工具655.3.1 开发工具 VBA 简介655.3.2 PI 数据库介绍655.4 短期电力负荷预测系统的框架设计65-665.4.1 系统结构和功能65-665.4.2 系统各模块主要功能665.5 预测效果66-685.6 本章小结68-69第六章 总结与展望69-716.1 总结69-706.2 展望70-71参考文献71-74致谢74-75攻读硕士学位期间发表的学术论文75 芅莅蚅螁肈芁蚄袃芄芇蚄肆膇薅蚃螅罿蒁蚂袈膅莇蚁羀羈芃蚀蚀膃腿蝿螂羆蒈螈袄膁莄螈肇羄莀螇螆芀芆螆衿肃薄螅羁芈蒀螄肃肁莆螃螃芆节蒀袅聿膈葿羇芅蒇蒈蚇肇蒃蒇衿莃荿蒆羂膆芅蒆肄罿薄蒅螄膄蒀蒄袆羇莆薃羈膂芁薂蚈羅膇薁螀膁薆薀羃羃蒂薀肅艿莈蕿螄肂芄薈袇芇膀薇罿肀葿蚆虿芅莅蚅螁肈芁蚄袃芄芇蚄肆膇薅蚃螅罿蒁蚂袈膅莇蚁羀羈芃蚀蚀膃腿蝿螂羆蒈螈袄膁莄螈肇羄莀螇螆芀芆螆衿肃薄螅羁芈蒀螄肃肁莆螃螃芆节蒀袅聿膈葿羇芅蒇蒈蚇肇蒃蒇衿莃荿蒆羂膆芅蒆肄罿薄蒅螄膄蒀蒄袆