毕业设计（论文）-基于神经网络的电力系统短期负荷预测.pdf

- I 基于神经网络的电力系统短期负荷预测 摘要 基于神经网络的电力系统短期负荷预测 摘要 短期负荷预测是实现电力系统优化运行的基础。准确的负荷预测有助于提 高系统的安全性和经济性，能够减少发电成本。因此，寻求合适的负荷预测方 法以期最大限度的提高预测精度具有重要的应用价值。 电力系统负荷变化具有明显的周期性，是一个受多种因素影响的量，可以 将其分为周期性的基本负荷和受多种因素影响的变动负荷两部分。本文根据电 力系统负荷的特点，首先分析了影响负荷规律性变化的主要因素，并具体分析 了对短期负荷预测有重要影响的日类型和天气因素，对影响预测精度的负荷历 史数据进行预处理。本文对于周期性的基本负荷用 ANN 进行预测，采用负荷预 测中应用最广泛的 BP 算法，并叙述了 BP 模型在实际负荷预测应用中的方法和 步骤，在神经网络中，通过引进动量系数、采用变步长算法优化网络，提高了 ANN 的收敛速度；针对短期负荷预测中人工神经网络不能直接输入语言信息变 量的缺陷，本文具体阐述了模糊集理论的一般理论和意义，采用模糊集理论对 日负荷曲线预测中的天气因素、季节、日类型分别做不同的模糊处理，利用模 糊推理规则对基本负荷预测结果进行修正；预测时通过模糊聚类分析，将历史 负荷数据分成了 12 个类，对每一类建立相应的神经网络预测模型，利用相应的 神经网络预测模型预测未来一天 24 点的负荷值，通过合理选择模糊推理规则的 形式，完成对基本负荷的修正，以提高负荷预测精度。实际算例表明，本文的 预测方法方便实用、有较高的精度和较快的速度。 关键词关键词电力系统；短期负荷预测；神经网络；模糊集理论 哈尔滨理工大学学士学位论文 - II Research on electric power system short-term load forecasting using neural network Abstract The short-term power load forecasting method is the base of optimization operation for power system. Accurate load forecasting is advantageous to improving the secure and economic effect of power system and can reduce thecost of generating electricity. Finding an appropriate load forecasting method toimprove the accuracy of precision has important application value. Short-term system load variation has apparently periodicity,the load is avariable that is influenced by many kind of factors,it can be subdivided intoperiodic basic load component and variable load component.According to thecharacteristics of electric short-term load,this paper firstly analyzed the mainfactors which influence the regular variation of the load,concretely analyzed theday-types and weather factors which affect the short-term load forecasting andpre-disposal the past load data which influence the precision of load forecasting.The initial load is forecasted by artificial neural networks,this method adoptedthe BP algorithm that was used widely,this paper analyzedthemethodandproceduresofBPModelinthepracticalload forecasting,Convergence speed ofANN is improved by using momentous factors and alterable step BP arithmeticin ANN;Aim at the ANN cant input language information variables directly,this paper explains the general theory and meaning of fuzzy set theory,fuzzy the weather factors,seasons and day-types in the daily load curves forecasting using different method,update the elementary result by the fuzzy reasoning rules.During forecasting phase,the past load data sample space is reconfigured as 12 fuzzy clustering sub-spaces by fuzzy clustering analysis.Each group is modeled by a separate module based on neural networks to forecast hourly loads or the next hour to 24 hours out.Though the reasonable choice of the fuzzy reasoning rules update the elementary result to improve the accuracy ofprediction. Practical examples indicate that the forecasting method is convenient and 哈尔滨理工大学学士学位论文 - III practical,this method is more accurate and fast than conventional method. Keywordselectric system；short-term load forecasting；neural network；fuzzy set theory 哈尔滨理工大学学士学位论文 - IV 目录目录 摘要.I AbstractII 第 1 章 绪论. - 1 - 1.1 电力系统负荷预测 - 1 - 1.1.1 电力系统负荷预测的内容及意义. - 1 - 1.1.2 电力系统负荷预测的基本原理. - 1 - 1.2 国内外研究现状 - 2 - 1.2.1 传统预测方法. - 3 - 1.2.2 以人工智能为代表的负荷预测新技术. - 4 - 1.3 本文主要的研究工作 - 5 - 第 2 章 负荷预测中的影响因素分析及数据预处理. - 6 - 2.1 负荷预测中的影响因素分析 - 6 - 2.1.1 经济因素. - 6 - 2.1.2 时间因素. - 6 - 2.1.3 天气因素. - 8 - 2.1.4 随机因素. - 9 - 2.2 负荷数据预处理 - 10 - 2.3 本章小结 - 12 - 第 3 章 人工神经网络应用于短期负荷预测. - 13 - 3.1 人工神经网络概述 - 13 - 3.2 BP 网络的学习规则梯度下降算法- 14 - 3.3 误差逆传播算法（BP 算法）的网络结构及工作过程.- 15 - 3.3.1 BP 网络结构.- 15 - 3.3.2 正向传播过程. - 16 - 3.3.3 误差反向传播过程. - 18 - 3.4 BP 算法应用于短期负荷预测- 21 - 3.4.1 神经网络隐含层节点数. - 21 - 3.4.2 网络参数的选择. - 22 - 3.4.3 采用变步长的 BP 算法.- 22 - 3.4.4 算例分析. - 23 - 3.5 本章小结 - 24 - 第 4 章 模糊集理论及其在短期负荷预测中的应用. - 25 - 4.1 模糊集理论 - 25 - 4.2 负荷影响因素的模糊化 - 29 - 4.2.1 天气因素隶属函数的确定. - 29 - 哈尔滨理工大学学士学位论文 - V 4.2.2 时间类型隶属函数的确定. - 30 - 4.3 模糊推理 - 31 - 4.4 基于模糊聚类选取训练样本 - 33 - 4.5 本章小结 - 35 - 第 5 章 本文预测模型的建立及算例分析. - 36 - 5.1 基于模糊理论和 ANN 的日负荷预测建模- 36 - 5.1.1 网络输入样本的归一化处理. - 36 - 5.1.2 预测模型的建立. - 37 - 5.1.3 基于模糊推理对基本预测负荷进行修正. - 38 - 5.2 算例分析 - 40 - 5.3 本章小结 - 41 - 结论. - 43 - 致谢. - 44 - 参考文献. - 45 - 附录. - 46 - 哈尔滨理工大学学士学位论文 - - 6 第第 1 章 绪论章 绪论 1.1 电力系统负荷预测电力系统负荷预测 负荷预测是指，在考虑一些重要的系统运行特性、增容决策与自然条件的 情况下，利用一套系统的处理过去和未来负荷的方法，在一定精度意义上，决 定未来某特定时刻或某些特定时刻的负荷值。 1.1.1 电力系统负荷预测的内容及意义电力系统负荷预测的内容及意义 电力系统的作用是对各类用户尽可能经济地提供可靠和合格的电能，以随 时满足各类用户的要求。负荷的大小，无论是对于电力系统规划设计或是对于 运行研究而言，都是极为重要的因素。所以对负荷的变化，有一个实现的估 计，是电力系统发展与运行研究的重要内容。 电力系统负荷预测可以分为长期、中期、短期及超短期负荷预测。短期负 荷预测是指对未来几天、几周的负荷做出估计，目的是给各个电长安排日、周 发电计划，是电力系统最为关键的一类负荷预测。 电力系统对未来预计要发生的负荷预测是非常有必要的，系统内可用发电 容量，在正常运行条件下，应该在任何时候都能满足系统内负荷的要求。如果 负荷预测偏低，则电网实际不能满足供电要求，甚至还可能缺电，应当采取必 要的措施，来增加发电容量，比如新增发电机组或从邻网输入必要的容量；如 果负荷预测偏高，则会导致安装一些过多的，不能充分利用的发电设备，从而 引起投资的浪费，即发电机组要自始至终最经济的跟上负荷的变化。由此可 见，负荷预测可用来确定最经济的满足安全要求、运行约束、以及自然的、环 境的和设备限制的运行方案，只有用实时的负荷预测信息来实现发电容量与输 电方式的合理调度安排才能实现电力系统的经济运行。负荷预测不但是电力系 统本身增容规划所必不可少的，同时，也是为筹措建设资金和正确购置设备所 必须具有的信息。 对于任何供电部门来说，准确的负荷预报总是至关重要的，因此这决定了 系统中大部分设备特性的运行时间。而恰如其分的预报与建设投资紧紧相关， 它牵涉到投资是否正确，以及是否能及时地收回投资，并获得更大的经济收 益。 1.1.2 电力系统负荷预测的基本原理电力系统负荷预测的基本原理 电力负荷预测是根据现在和过去时刻的用电负荷情况，估计未来时刻用电 哈尔滨理工大学学士学位论文 - - 7 - 负荷的大小。因此它的研究对象是不确定事件、随机事件。而电力负荷预测要 预知负荷的发展趋势和可能达到的状况，以下介绍负荷预测的一些基本原理， 用于指导负荷预测工作。 1可知性原理 也就是说预测对象的发展规律、其未来的发展趋势和状况是可以为人们所 知道的，这是人们进行预测活动的基本依据。 2可能性原理 因为事物的发展变化是在内因和外因共同作用下进行的，内因的变化及外 因作用大小不同，因此事物的发展变化会有很多种可能。对某一具体指标的预 测，往往是按照其发展变化的多种可能性，进行多方案预测的。 3连续性原理 又称惯性原理，连续性原理是指预测对象的发展是一个连续统一的过程， 其未来发展是这个过程的继续。该原理认为事物发展变化过程中会将某些原由 的特征保持下来，延续下去。电力系统负荷的发展变化同样存在着惯性，这种 惯性正是进行负荷预测的主要依据。 4相似性原理 在很多情况下，作为预测对象的一个事物，其现在的发展过程和发展状况 可能与过去一定阶段的发展过程和发展状况相类似，因此可以根据以知发展过 程和状况来预测所预测对象的未来发展过程和状况，这就是相似性原理。目前 预测技术中使用的类推法或类比法，就是基于这个原理的预测方法。 5反馈性原理 反馈就是利用输出返回到输入端，再调节输出结果。人们在预测活动实践 中发现，当预测的结果和经过一段实践所得到的实际值存在差异时，可利用这 个差距，对远期预测值进行反馈调节，以提高预测的准确性。在进行反馈调节 时，实质上就是将预测的理论值与实际相结合，首先认真分析预测值和实际值 之间的差距及产生差距的原因。然后根据查明的原因，适当改变输入数据及参 数，进行反馈调整，使预测质量进一步提高。 6系统性原理 系统性原理认为预测对象是一个完整的系统，它本身有内在的系统，又因 与外界事物的联系形成它的外在系统。预测对象的未来发展是系统整体的动态 发展，而整个系统的动态发展与它的各个组成部分和影响因素之间的相互作用 相互影响密切相关。系统性原理强调整体最佳，只有系统整体最佳的预测，才 是高质量的预测，才能为决策者提供最佳的预测方案。 1.2 国内外研究现状国内外研究现状 负荷预测是实现电力系统优化运行的基础。预测准确与否对电力系统的安 全、优质、经济运行具有显著影响。因此，寻求合适的负荷预测方法以期最大 哈尔滨理工大学学士学位论文 - - 8 - 限度的提高预测精度具有重要的应用价值。 在过去的 40 多年中，人们对短期负荷预测问题已经进行了广泛而深入的研 究，开发了许多负荷预测技术，相继提出了一些有效的方法，如回归分析法、 指数平滑法、时间序列法、灰色预测法、卡尔曼滤波法、专家系统法、小波分 析法、神经网络法等。目前，应用于短期负荷预测的方法大致可分为两类1,即 传统预测方法和以人工智能为代表的负荷预测新技术。 1.2.1 传统预测方法传统预测方法 传统预测方法主要有趋势外推法、时间序列法、回归分析法等，这些算法 的理论相对成熟，能用标准的技术分析模型中的参数。 趋势外推法2：它是根据已知的历史资料拟合一条曲线，使这条曲线反映 负荷本身的增长趋势，继而按此增长方式，对于要求的未来某一点，从曲线上 估计出该时刻的负荷预测值。其基本形式为： 11 ( , )f t Y 其中， 1Y 为预测对象； 1 为预测误差；为待定参数。当有理由相信这 种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间 序列未来值。 外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数 曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数 据、所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。 回归分析法3：回归分析法是通过对影响因子值和用电的历史资料的拟 合，寻找相关关系的模型，预测未来负荷。该方法依赖于影响因子其本身预测 值的准确度。选用何种因子和该因子用何种表达式只是一种推测，且影响用电 因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制。 回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。目前 多采用多元线性回归模型。 时间序列法45：时间序列法是由Box-Jenkins于70年代提出并发展起来 的，时间序列法主要有自回归AR(p)、滑动平均MA(q)和自回归与滑动平均 ARMA(p,q)等。由于其只利用负荷历史数据进行负荷预报，不考虑对负荷有较 大影响的天气因素，使此方法运用简单，因此得到了广泛地应用。但其被广泛 应用的同时，也表现出很多缺陷和局限性，如预测精度不能满足实际工程的需 要，在节假日的预测效果不令人满意，加上不具备自适应和自学习的能力，预 测系统鲁棒性没有保障。 传统的负荷预测方法原理简单、比较成熟，但本质上都是线性模型方法， 用显式的数学表达式描述模型，存在很多缺点和局限性，如数值不稳定和对影 响负荷的温度和气象因素未能予以考虑等，因此遇到非线性问题就显得无能为 力了，从而在精度和速度上未能取得满意效果。 哈尔滨理工大学学士学位论文 - - 9 1.2.2 以人工智能为代表的负荷预测新技术以人工智能为代表的负荷预测新技术 随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，主要 的新的研究方法有：灰色预测法、专家系统法、模糊预测法、人工神经网络法 （ANN） 、优选组合法和小波分析法。 灰色预测法678：灰色预测是一种对含有不确定因素的系统进行预测的方 法，可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测的模 型。灰色预测具有要求原始数据少，方法简单的特点，灰色预测模型从理论上 讲可以适用于任何非线性变化的负荷指标预测，其要求负荷数据少、不考虑分 布规律、不考虑变化趋势、运算方便、短期预测精度高、易于检验。但其微分 方程指数解比较适合于具有指数增长趋势的负荷指标，对于具有其他趋势的指 标，数据离散程度大，拟合灰度大，精度难以提高。且不太适合于电力系统的 长期后推若干年的预测。 专家系统法1910：专家系统预测法是对数据库里存放的过去几年甚至几十 年的，每小时的负荷和天气数据进行分析，从而汇集有经验的负荷预测人员的 知识，提取有关规则，按照一定的规则进行负荷预测。专家系统可视为一类具 有专门知识和经验的计算机智能程序系统，能像专家们那样运用这些知识，通 过推理做出决策，最大限度地利用专家的能力，其占有的资料、信息多，考虑 的因素也比较全面，有利于得出较为正确的结论。一个完善的专家系统通常由 知识库、推理机、数据库、知识获取部分、解释部分组成，其主要缺点是知识 库的形成过程复杂，工作量大，把专家的知识和经验等精确地转化为一系列规 则难度较大，从不同的专家获得的知识可能不同，不具有自学习能力，对突发 性事件和不断变化的条件适应性差。 模糊预测法：模糊预测法是基于模糊数学理论的预测方法，适用于广泛存 在的不确定性，不精确性及噪声引起的问题，且能够从大量的数据中提取它们 的相似性，并转换为可以在计算机上运行的算法，这些特点正是短期负荷预测 所需要的或其它方法所欠缺的优势所在。模糊数学与其它预测方法相结合 111213141516，为负荷预测提供了较好的思路。模糊系统的特有优点是能将数 据信息和语言信息统一起来加以利用，又使得它有别于其它的逼近器（如神经 网络、多项式函数） 。 人工神经网络法：人工神经网络对大量的非结构性、非精确性规律具有自 适应功能，有很强的学习和映射能力，具有信息记忆、自主学习、知识推理和 优化计算的特点。可方便的拟合出任意复杂的非线性关系，很适合于电力负荷 预报问题，神经网络是一个高度非线性的超大规模连续时间动力系统，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 本隐含的特征和规律分布于神经网络的连接权上，因此，近年来在电力负荷预 测中得到了广泛的应用。但神经网络的学习过程通常较慢，对突发事件的适应 性差。目前，前馈网络方法(BP模型)和径向基函数（RBF）网络应用较广泛。 小波分析法：小波分析是本世纪数学研究成果中杰出的代表作之一，它汲 哈尔滨理工大学学士学位论文 - - 10 取了现代分析学中诸如泛函分析、数值分析、Fourier分析、样条分析、调和分 析等众多分支的精华。小波分析是一种时域频域分析，它在时域、频域同时 具有良好的局部化性质。其优点是：能对不同的频率成分采用逐渐精细的采样 步长，从而可以聚集到信号的任意细节，尤其是对奇异信号很敏感，能很好的 处理微弱或突变的信号，这些优点决定了小波分析可以有效地应用于负荷预测 问题的研究。 以上算法均有各自的研究特点和使用条件，各有优势，又各有其不可克服 的缺陷。上述算法形成的负荷预测软件在电力系统实际运行中的应用并不能适 用于所有的负荷预测模型，还有许多电力系统中存在的问题无法得到快速与精 确的结果，其主要原因在于： 1系统中的有些问题还无法建立精确切实的数学模型，包括不能完全用数 学来反映问题实质的约束条件； 2随着问题的规模和复杂程度的增加，利用现有的算法和计算机条件，无 法在较短的时间内获得满意的计算结果； 3许多问题的条件具有模糊性，对于系统的了解还不够精确，此外在求解 问题的过程中需要专家的知识经验，这些都无法用精确的数学形式表示出来。 为此，寻求合适的负荷预测方法以期最大限度提高预测精度具有重要的应 用价值。 1.3 本文主要的研究工作本文主要的研究工作 本文研究的对象是基于神经网络的电力系统短期负荷预测。在分析介绍了 现有的各种负荷预测方法基础上，采用神经网络和模糊集理论来研究模型建立 方法，考虑负荷本身的特性，用ANN对有周期性变化的负荷进行基本负荷预 测，在此基础上，考虑影响负荷变化的因素，用模糊集理论处理影响负荷变化 的模糊信息，对基本负荷预测做出模糊修正，从而得到最终的负荷预测值。 本文的主要工作如下： 1第二章对影响负荷的主要因素进行了分析，并介绍了几种常用的负荷历 史数据的数据预处理方法，为改善负荷预测的精度提供可靠的保证。 2第三章重点论述了前馈网络和它所采用的BP学习算法，采用附加动量 项和变步长的改进快速BP算法。将改进的BP算法应用于短期负荷预测中，算 例表明在保证学习精度的前提下加快了网络的学习速度。 3第四章对于模糊集合论的基本概念进行了介绍，对负荷影响因素进行了 隶属度的设计，介绍了模糊推理及其规则，并采用模糊聚类对输入样本进行聚 类分析。 4第五章利用神经网络进行基本负荷的预测，在此基础上，利用模糊推理 规则对基本预测负荷结果做出修正。 哈尔滨理工大学学士学位论文 - - 11 第第 2 章 负荷预测中的影响因素分析及数据预处理章 负荷预测中的影响因素分析及数据预处理 负荷预测的核心和实质是根据预测对象的历史数据建立相应的数学模型描 述其发展规律，精确的电力系统负荷预测工作必须建立在大量、全面及准确的 系统负荷及社会经济发展数据的基础上。系统负荷具有一定的统计规律及变化 规律，可以被预测，然而影响负荷变化的因素是多种多样的，有突发事件、经 济影响、天气因素、日期类型、季节交替等，存在着多种不确定性及难以解析 描述的非线性，因此为了使负荷预测结果可靠和准确，必须了解影响负荷变化 的因素。 2.1 负荷预测中的影响因素分析负荷预测中的影响因素分析 短期负荷预测难点在于，它不但要考虑负荷本身作为时间序列的特性，还 需要考虑各种非负荷因素对负荷的影响。要有效地提高负荷预测的精度，就必 须定量地考虑这些非负荷因素的影响。经过不断的实践过程，人们逐渐认识到 影响这种规律变化的因素大致有四种：经济因素、时间因素、天气因素和随机 因素。 2.1.1 经济因素经济因素 电力工业是社会经济的基础工业，电力工业服务于社会生产和人们生活， 而电力系统所覆盖区域的经济因素如人口、工业水平、农业方式等都反映了一 定的电力负荷需求，所有负荷的增长必然要受到社会经济发展水平和人们生活 水平的制约。随着家庭生活电气化程度的提高，居民负荷将占据越来越大的比 例。另外，负荷管理及电价政策因素等电力网络本身的管理政策也对负荷产生 影响。 经济因素对负荷一般在很长时间内（例如1年）才会发生影响，对短期负 荷影响不大，因此短期负荷预测可以不考虑经济因素。 2.1.2 时间因素时间因素 对负荷有重要影响的时间因素主要有三点：季节因素的影响、日或周的周 期性以及节假日的影响。 伴随着季节的变化会出现昼夜时间比例的变化、温度的变化、人们生活习 惯的变化等等，这些变化都会影响到负荷的变化。例如：工业负荷和城乡居民 生活用电这两类负荷随季节的波动性小；而其它事业用电及农业用电负荷所占 哈尔滨理工大学学士学位论文 - - 12 比例随季节发生显著变化，具有明显的季节性变化特点。一个地区电网是冬季 峰值型的或夏季峰值型的，常取决于季节因素。常见的季节因素有：日照时间 变化、季节需求比例结构的变化、假期生产大幅度减少。季节性事件（如开 学、重大节假日等）对负荷也有一定影响。冬季，由于取暖负荷，日最低气温 越低，居民用电负荷越大；夏季，由于防暑降温负荷日最高气温越高，居民用 电负荷越大。 不同季节可以分别建立相应的合适的映射表，比如冬季可能温度和风速是 主导的气象因素，而夏季可能主要的影响因素又变成了温度和湿度，总之主导 的气象因素可能会不同，而且相同因素的映射值在不同季节也有可能不相同。 基于负荷的季周期性，往往可以将全年的负荷模型分为春秋季模型、夏季 模型和冬季模型，如果考虑到通用性，也可以分为春、夏、秋、冬四种类模 型。因为春秋两季气候适中，没有夏天大量的供暖负荷和冬天的取暖负荷。负 荷特性受天气的影响不如夏、冬天明显。而夏季负荷一般受到降雨和高温的影 响很大，冬季供暖负荷占总负荷的1520，受温度影响同样很大。季节性 负荷趋势曲线如下图2-1： 图 2-1 季节性负荷趋势 由于社会生产方式和人们生活习惯一般都会呈现工作和休息的交替变化， 并且这种变化具有日或周的周期性，所以负荷的变化一般也会具有日或周的周 期性。星期周期的负荷行为实际是工作日休息日的负荷变化，在相当长的时 期内，负荷预测只把星期类型划分为工作日（星期一星期五）和双休日（星 期六星期日）两种类型，后来意识到星期六和星期天的预测曲线相差很大， 才把星期类型划分为工作日、星期六和星期日三种。除此之外，目前还有三种 比较典型的划分方法： 1划分为星期一、工作日（星期二星期五） 、星期六、星期日四种类 型； 2划分为工作日（星期一星期五） 、星期六、星期日三种类型； 3划分为星期一、工作日（星期二星期四） 、星期五、星期六、星期日 五种类型； 负荷的周负荷曲线如图2-2： 哈尔滨理工大学学士学位论文 - - 13 图 2-2 周负荷变化曲线 日周期反映人们一天工作和生活习惯，负荷通常在凌晨达到最低点，在傍 晚达到高峰。负荷变化在不同时段上的规律性是不同的，主要影响因素考虑越 多、越准，负荷预测越精确。 节假日（如国庆、元旦、春节等）来临时人们一般会休息很长一段时间并 伴随着大量的庆祝活动，对负荷的变化影响很大，一般情况下节假日的负荷比 正常日的负荷低很多，如图2-3，实际表明与节假日相近日期的负荷也会受到影 响。法定及传统节日的负荷明显比正常日的负荷水平低，甚至节假日前后的负 荷行为也要受影响。元旦、春节等节日的负荷与平时也有明显不同。这样诸多 因素影响的复杂性使得负荷波动频繁，呈高度非线性和随机性，难以用精确的 数学模型加以描述，因此电力系统短期负荷预测的预测问题一直是负荷预测中 的难点。 图 2-3 节假日负荷与正常日负荷的比较图 2.1.3 天气因素天气因素 哈尔滨理工大学学士学位论文 - - 14 天气因素对负荷行为有重要影响，由于许多负荷（比如空调、农业灌溉 等）都与天气因素有关，所以天气因素也是影响系统负荷大小的主要因素，天 气因素对系统负荷大小的影响主要表现为负荷大小的突然变化。其对负荷的作 用主要体现在对短期负荷的影响上。 天气因素有很多，如湿度、风速、阴晴、雨、雪、雾、霜等，但主要指气 温和湿度，随着生活用空调器具的普及，气温对系统负荷的影响越来越大，近 年来的城市生活用电以近30的速度增长，生活用电比例呈逐年增加的趋势， 这种趋势在我国许多大中城市的电网中已经出现。据某中等城市电网统计，当 夏季气温超过37时，温度每上升1，电力负荷便增加80MW左右，把温度 因素考虑到负荷预测里的方法有很多，也有一些文献不考虑天气因素。温度对 负荷的影响一般呈现如下图2-4曲线： 图 2-4 负荷与温度的关系 夏季连续的高温天气会导致一个夏季峰值负荷，同样，冬季的寒流也会使 负荷急剧增加。对于一个气候条件不太确定的系统，需要考虑多个温度变量和 几个区域的温度变量。除了气温，影响负荷大小的其它天气因素还有降水量、 湿度、日照时间、风速、风力、阴晴等。不同的地区受不同的气象因素影响， 且影响的程度也不一样，南方地区受降雨的影响大一些，而北方地区受日照和 风力的影响大一些。通常的预测方法中常对天气情况进行量化，如表2-1： 表 2-1天气情况量化系数 天气情况量化系数 晴0.00 多云0.30 阴0.50 雨0.80 2.1.4 随机因素随机因素 哈尔滨理工大学学士学位论文 - - 15 系统由很多独立的用户组成，不同用户选择用电的时间和方式千差万别， 他们的负荷行为是随机的，其结果表现为系统总负荷具有一定的随机性，比如 用户的照明用电、工厂机器的启停一般提前是无法预知的，因此无法对这些随 机负荷进行预测。另外，一些特殊事件，如钢厂启停、骤风袭击、大型运动 会、特殊电视节目等都对负荷有较大影响。 电力系统的负荷变化虽然有一定的规律，但各类用电负荷的时间变化规律 是不同的，由它们构成的系统负荷具有不同的变化规律。而且它受各种因素的 影响是客观存在的，如负荷构成，负荷随时间变化规律，气象变化的影响及随 机波动、季节更替、天气突然变化、设备事故和检修、大的节假日、社会状 况、电价、用电模式以及人口状况、居民收入、消费观念、国家政策以及经济 发展等，因而电网负荷是自然和社会的综合产物，这使得它的变化是一个非平 稳的随机过程。迄今为止还没有开发出一种适用于不同地区的通用方法，因此 研究适用于具体系统的短期负荷预测方法已成为电力系统调度自动化中的一个 重要课题。 综合上述，影响负荷预测的因素有以下两个特点： 1某一因素对未来负荷变化的影响，一般很难用一个准确的数学关系式表 示。 2这些因素的影响可能是彼此有关的，这使得负荷预测问题变得更为复 杂。 总的来说，一个供电系统的预测，不论采取何种方法，其基本原则是： 1选择要预测的变量、预测的水平与待预测的时间； 2收集与分析预测所必须的历史资料，采用最为有效的数据； 3决定预测可靠性指标； 4确定一个有效的数学或计算模型并进行预测； 5分析预测的准确性并改进预测模型。 2.2 负荷数据预处理负荷数据预处理 负荷预测的精度与原始数据的完善程度密切相关，任何负荷预测都是基于 原始数据的，因此，原始数据的正确与否决定预测结果的精度。原始数据的收 集和整理不仅琐碎，还十分困难。而原始数据往往都是从EMS系统实时采集 的，数据采集系统中的量测、记录、转换、传输过程的任意环节都可能出现通 道故障、拥堵等现象，相应的数据采集程序就会中断，造成了原始数据的错误 与不真实，以至与大多数观测值不一致，若不对此现象进行处理，必然会影响 预测的精度与速度。 造成原始数据的错误与不真实的情况有以下几个方面： 通道故障、拥堵而造成的数据采集程序中断这种情况是最为严重的，造成 了大量的原始数据的丢失。 哈尔滨理工大学学士学位论文 - - 16 要将数据丢失的损失减到最小的处理有两种方法：一种是从其他数据源中 摘取数据，人为补齐数据库，但是这种方式很复杂，随着采样数据步长的逐渐 减小，采集间隔的逐渐密集，数据点过多时，人为修正数据更加困难。而另一 种方法就是从相关的历史数据中选择与次日相近的数据值进行复制，虽然数据 不尽真实，但也不会出现太大的偏差，可以作为真实的数据使用。为此，本文 采用第二种方法。 另外，由于很多原因，已有相当多的不真实数据，这种情况很棘手，对于 无法修复的坏数据，程序中必须加以识别，在预测中予以剔除，这虽然使程序 的应用数据减少，但由于剔除了坏数据的负面影响，对预测也是有好处的。 对坏数据的处理方法主要在程序中自动识别，根据数据的平滑度、日常曲 线的趋势、平时负荷的分布范围等因素对数据进行识别和处理。 数据的预处理： 虽然数据采集程序采集的历史数据是真实的，但并不能完全直接应用于预 测程序。因为预测程序是从历史数据中寻找规律性的东西，而历史数据中随机 的影响都会使这些规律扭曲变形，进而影响负荷预测的精度。因此在预测之前 必须对原始数据进行预处理，去掉一些随机的影响。 具体方法就是将负荷曲线的波动性，即一些随机的冲击负荷的影响进行平 滑，去除非规律数据的影响。 至今为止，计算机方法还未解决对原始数据进行检查，找出可疑点的方 法，但根据数据的一些统计特征量，在实际负荷预测中对于待检验的历史负 荷，常用以下几类修正方法对一些可能的异常点进行剔除或修正： 1经验修正法由现场负荷预测人员根据长期积累的经验对数据进行修 正。 2Chauvenet法则Chauvenet法则是一种常用的确定可疑点的方法，在一 组样本量为N的试验数据中，把出现概率小于1/2N的数据点作为可疑数据点。 3简化方法将某一时刻的负荷值，分别与其前1天、后1天相同时刻的 负荷值进行比较，如果偏差大于某一阈值，则取平均值代替，设x (t)为实时数 据库中提取的负荷数据，对其采取如下规则： 如果 0 ( )(1)x tx t 且 1 ( )(1)x tx t ，则取 1 ( )(1)(1) 2 x tx tx t 4趋势判别法将某一时刻的负荷与其前后时刻的负荷进行比较，如果差值 大于某一阈值，则认为是负荷毛刺，然后对区间的各负荷数据进行筛选。对于 数据序列x (t)，对其采取以下规则： 如果 0 ( )x t 或 1 (1)( )x tx t 或 2 (1)( )x tx t ，则数据为正常数据，不需要处理；否则应进行 平滑。 5曲线置换法：对大事故日负荷或明显曲线异常的日负荷进行剔除或用正 常曲线置换。 哈尔滨理工大学学士学位论文 - - 17 - 本文的数据预处理采用的是简化方法。若 ( )(1) ,20,50 ( )(1) x tx t k k x tx t 则取 1 ( )(1)(1) 2 x tx tx t 2.3 本章小结本章小结 本章介绍了影响负荷的主要因素，重点对影响负荷预测的时间因素及天气 因素作了较详细的分析，并介绍了几种常用的负荷历史数据的数据预处理方 法，为改善负荷预测的精度提供可靠的保证。 哈尔滨理工大学学士学位论文 - - 18 - 第第 3 章 人工神经网络应用于短期负荷预测章 人工神经网络应用于短期负荷预测 在长期的实践中，人们发现，负荷预测是一个大的非线性且具有多种关联 输入的问题,负荷预测中天气情况这类因素对负荷的影响只能定性处理，负荷和 影响负荷的变量之间的关系难以用精确的数学模型加以描述，因此增加了模型 的复杂性。电力系统短期负荷具有一定的周期性同时受气象、节假日等不定因 素的影响较大，可以将其分为周期性的基本负荷和受不定因素影响的变动负荷 两部分，而人工神经网络不依赖于输入变量和预测负荷之间的明确的表达式， 能够在大量的不确定的历史负荷数据中发现其趋势，具有很强的学习和映射能 力，能同时处理定性定量信息,可方便的拟合出任意复杂的非线性关系，适于解 决电力负荷预测问题，因此该技术在电力系统负荷预测中的应用理论是可行 的，利用神经网络的学习推理能力可完成基本负荷分量部分的预测工作。应用 人工神经网络进行负荷预报是一个很有潜力的研究方向42，到目前为止，人工 神经网络主要用于短期负荷预测。 3.1 人工神经网络概述人工神经网络概述 人脑由大量（约 11 10个）高度互连的神经元组成，神经元是生物神经系统的 结构单元和功能单元，通过数以万计的神经元相互联系构成一个庞大而复杂的 网 络 。 神 经 网 络(Neural Network,NN)也 称 为 人 工 神 经 网 络(Artificial NeuralNetwork，ANN)，人工神经网络是对人脑结构及其功能的若干基本特征通 过工程技术手段进行的抽象和模拟。美国神经网络学家Hecht Nielsen给出的定 义是：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成 的计算机系统，该系统是靠其状态对外部输入信息的动态响应来处理信息。 早在1943年，心理学家Warren McCulloch和数学逻辑家Walter Pitts从信 息处理的角度出发，采用数学模型的方法，对生物神经细胞的动作进行研究， 提出了神经元模型，称为MP模型。通过MP模型提出了神经元形式化数学描 述和网络结构方法，证明了单个神经元能够执行逻辑功能，从而开创了人工神 经网络研究的时代。在ANN中，用“节点”或“人工神经元”仿真生物神经 元。通过大量人工神经元的相互连接便构成ANN。因此具有很强的逼近功能和 自学习、自适应性，能够描述系统内在的非线性特征。人工神经元模型描述了 一个典型生物神经元对信息聚合和处理的完整过程。图3-1为一个神经元结构 模型示意图。 哈尔滨理工大学学士学位论文 - - 19 图 3-1 神经元结构模型失意图 人工神经网络的模型43主要有反向传播(BP,back propagation)网络，径向基 函数(RBF,radial basis function)神经网络，PID(比例，积分，微分)神经网络，连 续型Hopfield网络等等。其中，基于误差反向传播理论的前馈网络方法(BP模 型)是一种比较成熟又比较简单和有效的方法。BP算法概念简单，形式对称， 理论基础坚实，所得网络误差曲线较平滑，用BP算法进行负荷预测，应用最为 广泛，本文即用BP算法进行负荷预测。 3.2 BP 网络的学习规则网络的学习规则梯度下降算法梯度下降算法 梯度下降法(Gradient decent method)的基本思想是在每个迭代点均沿着目标 函数的负梯度方向、使目标函数值下降最快的方向前进，逐步走向最优点，梯 度法简介如下： 将函数f(x)在 kx 点展开泰勒级数： ( )()()() kkk f xffx xxx 1 1 ( ) (1)! () n n k n f x x （3-1） 并取一阶近似： ( )()()() T kkk f xfx f xxx （3-2） E f 1 iw 1 t r 1r tx nx w w 2x 哈尔滨理工大学学士学位论文 - - 20 其中： ()() kk ff xx （3-3） 梯度法的搜索方法取为： ()() kkk ff dxx （3-4） 或 () () k k k f f x d x （3-5） 则下一个迭代点为： 1 () kkk f xxx （3-6） 此即为梯度法的迭代公式。 由此可见在梯度法中，相邻两次搜索方向（即相邻两迭代点的梯度方向） 是正交的。梯度下降法的迭代步骤如下： 1给定初始点 0x 及收敛精度。 2求目标函数的梯度向量( )f x。 3若() k f x ，停止迭代；否则转小步。 4用一维搜索方法确定步长。 5按（3-6）求得下一个点；转2） 。 3.3 误差逆传播算法（误差逆传播算法（BP 算法）的网络结构及工作过程算法）的网络结构及工作过程 数学上已经证明只含一个隐层的前馈神经网络就是一个通用的函数逼近 器，这就是说只有一个隐层就可以实现对任何函数的逼近。负荷预测问题实际 上是函数映射或拟合问题，三层结构的BP网络就能够满足一般需要。神经网络 预测的主要思想是ANN能从历史负荷数据中找出其隐含的趋势。其工作过程分 为正向和反向两个传播过程。网络输入的信息向前传播直到在输出端产生实际 输出的信号；如果网络实际输出与期望输出间存在误差，则将误差由输出端开 始逐层反向传播。 3.3.1 BP 网络结构网络结构 对于BP网络究竟取几层目前有一个重要定理，即Kolmogorov定理。实践 哈尔滨理工大学学士学位论文 - - 21 表明，采用一层中间层即三层神经网络已经足够解决电力系统的负荷预测问题 了。 定理3.1(Kolmogorov定理):给定任一连续函数:0,1fnRm，f可以精确 地用一个三层前向神经网络实现。此网络的第一层即输入层有n个神经元，中 间层有2n+1个神经元，第三层即输出层有m个神经元。 本文在用BP神经网络进行电力系统负荷预测时采用的就是一个三层网络， 如图3-2，即网络由一个输入层、一个隐含层和一个输出层构成。 利 用 该 网 络 可 实 现n维 输 入 向 量 1 ( ,) T n n xxx 到m维 输 出 向 量 1 (,.,) T m m yyy 的非线形映射。 图 3-2 三层 BP 神经网络 3.3.2 正向传播过程正向传播过程 正向传播过程中，输入信息从输入层经隐含层逐层处理后传向输出层，每 一层神经元的状态只影响下一层神经元的状态。 设 该 网 络 共l层 ， 第 一 层 为 输 入 层 ， 第l层 为 输 出 层 ， 向 量 1 ( ,.,) T n n xxx 表 示 输 入 向 量 ， 1 ( ,.,) T m m yyy 为 实 际 输 出 ， 1 (,.,) T m m ddd 为期望输出，行向量 j 表示神经元j的连接权重向量： 12 ,.,., jjjjijn ，并设在第n次迭代中，将误差函数定义为： 哈尔滨理工大学学士学位论文 - - 22 - ( )( )( ) jj j nnn yed （3-7） 定义单元j的平方误差为 21 ( ) 2 j n e ，则输出端总的平方误差的瞬时值为： 2 211 ( )( ) 22 ( ) j j cj c E nn j j nny ed （3-8） 其中c包括所有输出单元。 对某一输入 ix ，输入层的净输入：( )( ) ii