（电力系统及其自动化专业论文）模糊聚类分析与神经网络代数算法相结合的短期负荷预测.pdf

b e ( h u n a nu n i v e r s i t yo ft e c h n o l o g y ) 2 0 0 8 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro fs c i e n c e e l e c t r i c a lp o w e rs y s t e ma n di t sa u t o m a t i o n i nt h e g r a d u a t es c h o o i o f h u n a nu n i v e r s i t y s u p e r v i s o r a s s o c i a t ep r o f e s s o rj i a n gy u e c h u n a p r i l ，2 0 11 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 刁虏 日期：沙年，月矽e l 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“、”) 作者签名：励崖 导师签名：；2 岳杏 日期：沙打年，月7 尹日 日期溯f 1 年岁月万日 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 摘要 短期负荷预测对电力系统的安全生产和经济运行起着重要的作用，是制定发 电计划和输电方案的重要依据，短期负荷预测精度直接影响到电力系统运行的稳 定性、经济性和供电质量。随着我国电力市场化进程不断的深入，短期负荷预测 的重要性也越来越受到重视。本文围绕这一课题进行了研究和探讨，提出了模糊 聚类分析与神经网络代数算法相结合的短期负荷预测组合方法，充分发挥了人工 神经网络处理非线性问题、自主学习的优势和模糊聚类分析处理不确定性等模糊 特征的能力。针对影响电力负荷变化的因素众多，将天气因素、温度、日类型等 主要的影响因素考虑到预测模型中，使得预测结果更加贴近实际。 首先，本文综述了短期负荷预测的研究背景和意义、国内外的发展现状，分 析了现有负荷预测方法的特点，明确了论文的主要研究内容。 其次，通过对负荷预测基本理论的阐述，重点分析了负荷的影响因素、负荷 预测原理和预测过程，并将天气因素、温度、日类型等主要影响因素考虑到预测 模型中。介绍人工神经网络的基本理论，详细描述了b p 神经网络算法的基本原 理、学习过程、存在的不足之处及相应的改进方法。针对b p 神经网络算法存在 网络学习收敛速度慢、容易陷入局部最小和无法在训练之前确定隐含层神经元个 数等缺陷，本文引入代数算法来优化b p 神经网络算法，简称神经网络代数算法， 并阐述了该算法的基本原理、学习过程和优点，从根本上克服了b p 神经网络算 法的缺点。 然后，本文引入了模糊聚类分析方法，对历史数据、天气因素、温度、日类 型等原始数据进行了归一化处理，建立模糊等价矩阵对样本集进行聚类，找到与 预测日相似的类别作为神经网络的输入样本，进而进行神经网络训练，实现对未 来一天( t 作日或者周末预测模型) 2 4 小时整点的电力系统负荷进行预测。 最后，以广东某市负荷数据为例，分别对b p 神经网络算法、神经网络代数 算法和本文提出的预测方法三种预测方法的预测结果相比较，证明该预测方法具 有较高的预测精度，取得了令人满意的结果，同时也验证了该方法的可行性和有 效性。 关键词：电力系统；短期负荷预测；b p 神经网络算法；神经网络代数算法：模糊 聚类分析 r 硕：t 学位论文 a b s t r a c t t h es h o r t t e r ml o a df o r e c a s t i n g ( s t l f ) o fp o w e rs y s t e mp l a y sa ni m p o r t a n tr o l e i nt h es a f e l ya s s i g n i n ga n de c o n o m i c a l l yr u n n i n g ，a l s oi sa ni m p o r t a n tb a s i so fp o w e r d i s p a t c h ，e l e c t r i cp u r c h a s i n ga n dt r a n s m i t t i n gp l a n t h ep e r c i s i o no ff o r e c a s t i n gw i l l d i r e c t l ya f f e c tt h es t a b i l i t y ，e c o n o m i cr u n n i n ga n dt h eq u a l i t yo fs u p p l y i n gp o w e ri n p o w e rs y s t e m a st h ed e v e l o p m e n to fp o w e rm a r k e t ，t h ei m p o r t a n to fs t l fa r em o r e a n dm o r et a k e ni n t oa c c o u n t t h i sp a p e rw i l ls t u d ya n dd i s c u s st h es u b j e c t ，a n d p r e s e n tac o m b i n e dm e t h e df o rs t l fb a s e do nf u z z yc l u s t e r i n ga n a l y s i sa n dn e u r a l n e t w o r ka l g e b r aa l g o r i t h m i tf u l l yc a r r i e so u tt h ec h a r a c t e r i s t i c so fa r t i f i c i a ln e u r a l n e t w o r k s ，t h a ti s ，i tc a na p p r o a c ht oa n yn o n l i a n e a rf u n c t i o na n ds e l f - s t u d y b a s i d e s ， f u z z yc l u s t e r i n ga n a l y s i si sg o o da td e a l i n gw i t hu n c e r t a i n t y ，i n a c c u r a c yp r o b l e m a s t h ee l e c t r i cp o w e rs y s t e mi sa l w a y si n f l u e n c e db ym a n yf a c t o r s ，t h e r e f o r et h i ss y s t e m t a k e st h ee l e m e n t so ft e m p e r a t u r e ，d a t et y p e ，w e a t h e rs t a t u sa n ds oo ni n t ot h e f o r e c a s t i n gm o d e l ，t h ef o r e c a s t i n gr e s u l t ss h o wt h a t t h ep r o p s e dm e t h o di sm o r e a c c u r a t e f i r s to fa l l ，t h ep a p e ri n t e r p r e t st h eb a c k g r o u d ，s i g n i f i c a n c ea n dd e v e l o p m e n to f s l t f v a r i o u sa l g o r i t h m sa r ed i s c u s s e d ，a l s od e c i s et h em i a nc o n t e n to ft h ep a p e r s e c o n d l y ，t h r o u g ht h ea n a l y s i so ft h eb a s i ct h e o r y ，t h ef a c t o r so fi n f l u e n c i n gt h e l o a da n dt h ef o r e c a s t i n gp r o c e s s ，i tt a k e st h em i a nf a c t o r ss u c ha st e m p e r a t u r e ，d a t e t y p e ，w e a t h e rs t a t u si n t ot h el o a df o r e c a s t i n gm o d e l i ti n t r o d u c e st h eb a s i cp r i n c i p l e o ft h ea r t i f i c i a ln e u r a ln e t w o r k ，a l s od e s c r i b e st h ep r o c e s so fs t u d y ，t h ed e f i c i e n c i e s a n dt h ec o r r e s p o n d i n gi m p r o v e m e n tm e t h o do fb a c kp r o p a g a t i o n ( b p ) a l g r i t h m a st h e d e f e c t so fs l o wl e a r n i n gc o n v e r g e n c e ，e a s i l yf a l l i n gi n t ol o c a lm i n i m u ma n dc a nn o t d e t e r m i n et h en u m b e ro fh i d d e nn o d eb e f o r et r a i n i n ga n ds oo ne x i s t si nt h eb p a l g r i t h m ，t h ep a p e ri n t r o d u c e sn e u r a ln e t w o r ka l g e b r aa l g o r i t h ma n dd i s c u s s e st h e b a s i ct h e o r y , t h ep r o c e s so fs t u d ya n dt h ea d v a n t a g e so ft h i sa l g r i t h m ，i tc o m p l e t e l y o v e r c o m e st h es h o r t c o m i n go ft h eb pa l g o r i t h m t h i r d l y , t h ep a p e ri n t r d u c e sf u z z yc l u s t e r i n ga n a l y s i s i tn o r m a l i z e st h eh i s t o r i c a l d a t a ，t h e ne s t a b l i s h st h ef u z z ye q u i v a l e n tm a t r i xi no r d e rt oc l u s t e rt h es a m p l e si n t o s e v e r a lc a t e g o r i e sa n df i n d so u tt h ec a t e g o r yc o i n c i d e n tw i t ht h ed a i l yl o a dt ob e f o r e c a s t e d t h es a m es a m p l e si su e s da st h ei n p u to fn e u a ln e t w o r k ，a n dt r a i n sb yt h e n e u r a ln e t w o r ka l g e b r aa l g o r i t h mt of o r e c a s th o u r l yl o a do fw o r k i n gd a ya n dw e e k e n d 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 d a y l a s t l y , t h er e s u l t so fb pn e u r a ln e t w o r ka l g o r i t h m ，n e u r a ln e t w o r ka l g e b r a a l g o r i t h m a n dt h em e t h o dp r o p o s e di n t h i sp a p e ra r ec o m p a r e d t h ef o r e c a s t i n g r e s u l t ss h o wt h a tt h ep r o p o s e dm e t h o dp o s s e s s e sb e t t e rf o r e c a s t i n ga c c u r a c ya n dt h e f o r e c a s t i n g i ss a t i s f a c t o r y i ta l s ov e r i f i e st h ev a l i d i t ya n dp r a c t i c a b i l i t yo ft h e p r o p o s e dm e t h o d k e yw o r d s ：p o w e rs y s t e m ；s h o r t t e r ml o a df o r e c a s t i n g ；b a c kp r o p a g a t i o na l g o r i t h m ； n e u r a ln e t w o r ka l g e b r aa l g o r i t h m ；f u z z yc l u s t e r i n ga n a l y s i s i v 硕士学位论文 目录 学位论文原创性声明和学位论文版权使用授权书i 摘要i i a b s t r a c t i i i 插图索引一v i i i 附表索引i x 第1 章绪论1 1 1 课题的研究背景和意义1 1 2 电力系统短期负荷预测的国内外发展及研究现状2 1 2 1 短期负荷预测技术综述一2 1 2 2 传统负荷预测技术3 1 2 3 现代智能预测技术4 1 3 短期负荷预测的难点6 1 4 本文主要研究工作7 第2 章电力系统负荷预测基础理论一9 2 1 负荷预测概述9 2 1 1 负荷预测的概念9 2 1 2 负荷预测的原理9 2 1 3 负荷预测的特点1o 2 2 负荷预测的分类1 1 2 3 负荷预测的基本要求1 2 2 4 影响负荷变化的主要因素一1 3 2 5 负荷预测的基本流程一1 5 2 6 电力负荷特性分析，16 2 6 1 负荷的周期性l6 2 6 2 负荷的随机性l7 2 7 负荷预测误差分析1 7 2 7 1 产生误差原因1 8 2 7 2 预测误差分析1 8 2 8 本章小结19 第3 章人工神经网络2 0 3 1 人工神经网络概述一2 0 v 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 3 1 1 人工神经网络的发展现状2 0 3 1 2 典型神经元模型21 3 2b p 神经网络算法2 2 3 2 1b p 神经网络算法概述2 2 3 2 2b p 神经网络算法的学习方式2 3 3 2 3b p 神经网络算法的学习过程2 3 3 2 4b p 神经网络算法的局限2 6 3 2 5b p 神经网络算法的改进方法2 6 3 3 神经网络代数算法2 8 3 3 1 神经网络代数算法概述2 8 3 3 2 隐含层神经元个数的确定2 9 3 3 3 自由权哌的选取和待求权彤的确定3 0 3 3 4 常用的类支集函数3l 3 3 5 神经网络代数算法的学习过程3 2 3 3 6 神经网络代数算法与b p 算法比较一3 3 3 4 本章小结3 4 第4 章模糊聚类分析与神经网络代数算法相结合的短期负荷预测3 5 4 1 预测原理3 5 4 2 预测模型3 5 4 3 模糊聚类分析一3 6 4 3 1 模糊聚类分析概述3 6 4 3 2 建立模糊等价关系矩阵3 7 4 3 3 分类识别4 4 4 4 建立神经网络模型4 5 4 4 1 输入样本的选择4 5 4 4 2 网络参数的确定一4 6 4 5 预测结果的反归一化一4 6 4 6 本章小结4 6 第5 章实例分析4 7 5 1 短期负荷预测结果与分析一4 7 5 2 本章小结5 4 结论5 5 参考文献j 5 7 附录a 攻读学位期间所发表的学术论文目录一6 1 附录b攻读学位期间所参加的科研项目6 2 v l -_-_11_1_，_，ji 硕士学位论文 致谢6 3 v 玎 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 插图索引 图3 1 典型神经元模型图2 1 图3 2b p 神经网络结构示意图2 2 图3 3b p 神经网络算法的学习过程2 5 图3 4 三层神经网络拓扑结构图2 8 图3 5 神经网络代数算法的学习过程3 2 图4 1 本文提出的预测模型3 6 图4 2 模糊聚类传递闭包法分类图4 4 图5 1 三种预测方法的预测结果比较曲线图( 工作日) 5 3 图5 2 三种预测方法的预测结果比较曲线图( 周末) 5 4 硕士学位论文 附表索引 表4 1 天气因素量化系数表4 l 表5 1 工作日2 4 小时预测结果与精度对比( 模型一) 4 7 表5 2 周末2 4 小时负荷预测结果与精度对比( 模型一) 4 8 表5 3 工作日2 4 小时预测结果与精度对比( 模型二) 4 9 表5 4 周末2 4 小时预测结果与精度对比( 模型二) 5 0 表5 5 工作日2 4 小时预测结果与精度对比( 模型三) 5 1 表5 6 周末2 4 小时预测结果与精度对比( 模型三) 5 2 表5 7 三种预测模型的预测结果对比情况5 3 硕士学位论文 第1 章绪论 1 1 课题的研究背景和意义 随着人类社会的发展和电力市场化改革的不断深入，电力工业已经成为国民 经济建设和人民日常生活工作中不可缺少的重要组成部分，同时社会经济的不断 发展和人民生活水平的提高，对电能的需求量越来越大，依赖性越来越强，直接 关系着当地的经济发展和社会稳定。电力系统的主要任务就是为广大用户源源不 断的提供安全、可靠和优质的电能，满足各类用户的用电要求。由于电能不能大 量储存，它的生产、输送、分配、消费都是同时进行的，这就要求在任何时候电 力系统都要满足发电功率与负荷需求之间的动态平衡，即任何时候发电企业送出 的电量应该满足各类用电负荷的需求量，如果不能满足的话，就会影响电力系统 的安全、稳定和经济运行。 为了能够准确了解未来的负荷变化情况，帮助调度部门制定出合理的发电计 划、燃料供应计划，满足各类用电负荷的需求量，就需要通过电力系统负荷预测 来实现。系统在负荷预测的基础上调整和管理负荷，保证系统内可用发电容量在 任何时候都能满足负荷的总需求。如果系统内发电容量不够，可采取新增发电机 组或者向邻网购买等措施来增加发电容量；相反，发电容量过剩，可以选择性的 停机或者向邻网输出多余的功率i i 】。因此，进行电力系统负荷预测是电网调度部 门和规划设计部门的日常工作之一，也是电力系统经济运行的必要保证。 准确、合理的短期负荷预测是电网调度部门制定发电计划、燃料供应计划的 基本依据，有利于合理安排电网内部发电机组的启停，减少不必要的旋转储备容 量，制定出合理的运行和调度方案，确保电网的安全、稳定、经济运行，同时也 保证了人们的正常生产和生活，有效的降低发电成本，减少资源浪费，提高经济 效益和社会效益。因此，研究电力系统负荷预测是非常有意义和价值的课题【2 】。 随着电力市场化改革的不断深入，电力系统短期负荷预测的重要性越来越受 到重视，对电力系统的安全、稳定和经济运行有着重要的意义。主要体现在p j ： 1 对用户用电情况的影响 现阶段电网采用分时电价，同一用户在不同的时间段用电，供电成本也不同， 因此电价也不同。用户为了节约用电成本，也会主动调整用电时间。同时电网也 鼓励有些企业把生产时间由白天的用电高峰调整到深夜的用电低谷，这样不仅有 利于提高企业的经济效益，而且起到削峰填谷的作用。准确的短期负荷预测结果， 可以让用户了解到各时段的电价，合理安排用电情况，节约电费。 ，( i 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 2 对电价制定的影响 由于各时刻的负荷不同，供电成本不同，电价也会不同，因此负荷预测的准 确性影响着电价的制定。为了能够取得更好的经济效益，发电企业必须要获取准 确的负荷预测结果，制定出有竞争力的上网电价，占据有利条件，取得较多的市 场份额。 3 对系统充裕性评估的影响 电力系统充裕性评估是根据供电平衡和系统安全情况来评定，是为了让电力 市场成员了解到电力系统的实时状态，合理安排供电、用电及设备检修，这个工 作是由电力调度中心负责的。短期负荷预测的结果为系统充裕度的评估提供基础 依据。 4 对转运业务的影响 转运业务架起了电网的发电侧和需求侧之间的沟通桥梁，是电网的一项基本 功能，可以给电网带来较大的经济效益。根据各发电机组的运行情况和负荷预测 的结果，制定出合理的发电计划、燃料供应计划和调度计划，因此准确的负荷预 测有利于电网执行转运业务，促进发、输、配电三方的协调。 5 对合同电量分配的影响 在电力市场初级阶段，实行“厂网分开、竞价上网政策，发电企业脱离电 网，引入竞争机制。所有发电企业都在电力市场中进行电量交易，只有在电费结 算的时候才考虑合同电量，因此短期负荷预测的准确性对合同电量分配越来越重 要。如果预测结果不准确，会造成发电企业违约，甚至电量不足或过剩的问题， 造成资源浪费。 1 2 电力系统短期负荷预测的国内外发展及研究现状 1 2 1 短期负荷预测技术综述 电力系统负荷预测方法的研究可以追溯到2 0 世纪二十年代初，当时的电网规 模不大，也没有专门的科学理论研究，只能依赖调度人员的运行经验完成预测。 二十世纪六、七十年至八十年代末，采用的是传统负荷预测技术，理论知识 成熟，采用的数学模型比较简单，但影响负荷变化因素的多样性、突发性和随机 性，因此，不能及时、准确的进行参数的估计和调整，不能体现负荷变化的影响 因素，无法满足精度要求。不过至今仍有使用，作为参考对象，用来校验其他预 测方法的可行性和准确性。典型的预测方法有时间序列法【4 j 、回归分析法1 5j ，、趋 势外推法i 们、灰色预测法【卜m j 等。 八十年代以后，随着现代科学技术的快速发展，负荷预测技术的研究不断深 化，进入了负荷预测技术发展的第二个阶段：现代智能预测技术，这些方法考虑 2 硕士学位论文 了各种不确定因素对负荷变化的影响，如天气因素、日类型、温度等。在实际的 负荷预测过程中，把这些因素考虑到预测模型中，提高了负荷预测的精度，使得 预测结果更贴近实际，这是传统负荷预测技术无法做到的。常用的现代智能预测 技术有人工神经网络算法【1 1 1 ”、模糊预测理论【m 16 1 、小波分析预测法【1 7 1 们、专 家系统预测法【2 0 2 1 】等。 1 2 2 传统负荷预测技术 1 时间序列法 时间序列法是根据负荷过去的统计数据，找到其随时间变化的规律，建立数 学模型，对未来的负荷进行预测的方法，大致可分为确定型和随机型两大类。由 于电力系统负荷受到各种因素的影响，负荷变化是一个随机变量，干扰也是时刻 存在，确定型时间序列法忽略了随机变动分量的影响，将其作为模型残差用于估 计预测区阎的太小，得到一个平稳的时间序列。随机型时间序列法考虑了负荷变 化的随机变化特性，比较贴切实际的负荷变化趋势，是比较常用的负荷预测方法。 时间序列法主要包括4 种基本的时间序列模型：自回归模型( a r ) 、动平均模型 ( m a ) 、自回归动平均模型( a r m a ) 和累积式自回归动平均模型( a r i m a ) 。 时间序列法的优点是所需要的历史数据少，工作量小，缺点是只致力于数据的拟 合，对负荷变化规律的处理不足，没有考虑其他影响负荷变化的因素。一般情况 下，如果影响负荷变化的环境和社会问题等因素不发生突变，采用时间序列法能 够得到较好的预测结果，但是这些因素发生变化时，就会产生很大的误差，不能 满足精度的要求。因此，时间序列法比较适合负荷变化比较均匀的短期负荷预测。 2 回归分析法 回归分析法是通过分析历史数据的变化规律，寻找自变量和因变量之间的回 归方程式，建立参数方程来预测未来的负荷。这种方法依赖于影响因素其本身预 测值的准确度，而影响负荷变化因素的多样性和某些因素的不确定性，如社会经 济、政治、人口、气候等，无法得到相关的准确数据，使得回归分析法在某些情 况下受到限制。回归模型主要有一元线性回归、多元线性回归、非线性回归等预 测模型，目前广泛采用多元线性回归模型。回归分析法的优点是预测精度较高， 适用于中、短期负荷预测，缺点是影响负荷变化的因素比较多，并且随机变化， 无法得到准确的历史数据，导致不能进行有效的分析。 3 趋势外推法 趋势外推法是利用现有的历史数据拟合成一条反映负荷变化趋势的曲线，再 根据这条曲线的发展趋势在未来时间段上的延续，给定一个时间值，就可以得到 对应曲线上时刻序列的未来值，也就是未来的负荷值，这种方法是一种确定趋势 外推。如果把负荷考虑为时问、温度等因素的函数，所得到的就是随机外推。常 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 用的拟合曲线有：指数曲线、双曲线、几何曲线、s 曲线等。 采用趋势外推法进行预测时，必须满足两个必要的假设条件：( 1 ) 假设电力 系统负荷没有跳跃式的变化，也就是说负荷变化比较缓和；( 2 ) 假设电力系统负 荷的发展因素也决定了未来负荷的发展趋势，其条件是负荷基本不变或变化幅度 较小。选择一种合适的趋势拟合模型进行电力系统负荷预测是采用趋势外推法的 关键。外推法一般有水平趋势预测法、线性趋势预测法、多项式趋势预测法、季 节型趋势预测法、增长趋势预测法等几种典型的预测方法。趋势外推法的优点是 只通过对历史负荷数据的趋势拟合进行预测，预测所需的数据量较少，但是精度 不高，适用于负荷变化缓慢的地区。 4 灰色预测法 在灰色系统理论f 2 2 】的研究中，将各种信息分为信息完全已知( 白色) 、信息 完全未知( 黑色) 和信息不完全( 灰色) 三类。电力系统中存在着很多的不确定 性和可能性，正好构成了系统的灰色特性，所以采用灰色理论来描述是非常适合 的。灰色预测法的基本原理是对现有历史负荷数据组成的时间序列进行递增或者 递减生成处理，得到一组新的时间序列，再以某一种数学模型模拟这一组时问序 列数据，从而对这一时间序列的将来值进行预测，最后进行反递增或递减还原为 原始时间序列的将来值。它具有要求样本数据少、不考虑分布规律或变化趋势、 原理简单、运算方便快捷、预测精度高、可检验等优点，得到了人们的广泛认同， 但有一个致命的缺点是其微分方程指数解比较适合子具有指数增长趋势的负荷指 标，对于具有其他不同发展趋势的指标则会出现拟合灰度较大，精度难以提高的 困境。 1 2 3 现代智能预测技术 相对于传统负荷预测技术，现代负荷预测方法考虑了负荷预测系统的鲁棒性， 能够拟合出负荷的复杂、多变、非线性关系。常用的现代负荷预测技术有： 1 人工神经网络算法 人工神经网络可以模仿人脑的智能化处理，具有并行计算、分布式存储、非 线性自适应处理能力、自主学习能力等特点，特别是其自学习和自适应功能是传 统预测算法所不具有的，是当前应用最普遍、最有发展潜力的一种短期负荷预测 方法。人工神经网络模型大致可分为前馈性人工神经网络( 如b p 神经网络、r b f 神经网络) 、自组织竞争人工神经网络( 如a r t 神经网络、k o h o n e n 神经网络) 和反馈性人工神经网络( 如h o p f i e l d 神经网络) 三种。 误差反向传播算法( b p 神经网络算法) 是应用最多、最广泛的训练算法，它 采用简单的三层网络结构，有效的求得非线性目标函数的最优解。该模型的特点 是利用误差函数的反向传播，修改网络权值阀值，实现神经网络的自学习功能。 4 硕士学位论文 但是人工神经网络算法也有自己的弊端，无法利用现有的信息确定初始值， 容易陷入局部最小；神经网络的训练过程比较慢，学习收敛速度慢，不能保证一 定收敛；无法在训练开始之前确定神经网络的结构、输入变量的选择、隐层神经 元的个数。 2 模糊预测理论 1 9 6 5 年l a z a d e h 教授提出了模糊理论，利用模糊性原理解决实际应用问题， 适合描述广泛存在的不确定性。由于电力系统中负荷变化的不确定性和影响因素 的不确定性问题，因此，引入模糊理论应用到电力系统负荷预测来处理这些不确 定性问题。模糊理论具有强大的非线性映射能力，能够在任意精度上逼近非线性 函数的求解问题，找出事物之间的相似性，这些特点正好是进行短期负荷预测所 需要的。 虽然模糊理论在电力系统负荷预测中取得了令人满意的预测结果，但模糊理 论存在着学。习能力比较差、当映射区划分不够充分时，映射输出比较粗糙等不足 之处。 3 专家系统预测法 专家系统是一个汇集大量该领域专家的知识进行程序设计建立起来的计算机 系统，运用这些知识提出相关的规则，并按照一定的规则推理预测的方法。但当 各种引起负荷发生变化的可能情况，与专家系统内部的规则不同时，需要预测人 员具有丰富的经验与判断力，协助完成预测工作。事实证明，精确的负荷预测不 仅需要高新科学技术的支持，同时也需要融合人类本身的经验和智慧，因此，专 家系统预测法也是一种较先进的预测方法。 一个典型的专家系统应该包括以下6 个部分： ( 1 ) 知识库作为专家系统最重要的部分，储存大量专家学者的知识和规则， 也是求解问题的关键，根据不同的知识块可以处理不同的问题。 ( 2 ) 全局数据库，也叫做工作存储器，能够存储大量的计算机程序和数据， 也可存储求解问题的初始数据和一些求解过程中产生的中间信息。 ( 3 ) 推理机是实际问题求解的执行者，由大量的调度程序和解释程序组成推 理出问题的结果。 ( 4 ) 知识获取机制是把专家学者的知识转换到知识库的机构，为求解问题提 供推理依据和规则。 ( 5 ) 解释机制是随时对问题求解的过程和当前的求解状态进行说明，是一个 非常重要的机构，可以提供用户咨询、应答等功能。 ( 6 ) 用户界面是用户跟计算机之间的人机交流和信息交换的工具。 如何把专家的知识和经验转化为数学规则，求得实际问题的最优解，建立完 整和有效的知识库是采用专家系统进行负荷预测的关键。 5 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 4 小波分析预测法 小波分析【1 9 】( w a v e l e t ) 是2 0 世纪数学研究成果中最杰出的代表，它作为数 学学科的一个重要分支，吸取了现代分析学中泛函分析、数值分析、f o u r i e r 分析、 样条分析、调和分析等众多分支的精华，并继承了他们的特色。由于小波分析在 理论上的完美性以及在应用上的广泛性，在短时间内得到了科学界、工程界的高 度重视，被广泛应用到信号处理、图像处理、模式识别、地震预报、故障诊断、 状态监视、c t 成像、语言识别、雷达等十几个科学领域中。 电力系统负荷具有特殊的变化规律，主要有逐渐增长的趋势和以天、周、年 为周期发生波动两种不同的趋势，而小波分析可以将各种交织在一起的不同频率 的混合信号分解成不同频带上的分块信号。对负荷序列进行小波变换，可以得到 不同的频带代表的不同子负荷序列，然后根据各自的特点选择适当的预测方法建 立预测模型，对预测结果进行小波重构，就可以得到最终的负荷预测结果。 小波分析的优点是可以随信号频率的不同自动调节采样的步长，从而可以聚 焦到信号的任何细节，特别是对奇异信号的敏感程度很高，能很好地处理微弱信 号或突变信号，其目标是将一个信号的信息转化成小波系数，方便处理、存储、 传递、分析或被用于重建原始信号，这些优点决定了小波分析可以有效地运用于 负荷预测中。 5 组合预测法 无论是传统的负荷预测方法还是现代智能预测方法，单一的数学模型还是无 法得到满意的效果，都存在算法本身的缺点和适用范围，所以吸取各种预测模型 优点的组合预测方法【2 3 - 2 6 1 得到人们越来越多的关注。面对同一个实际问题，不同 的预测方法采用的信息不同，如果简单的把预测效果不好的方法舍弃，将会丢失 一些有用信息，而组合预测法是建立在最大信息利用的基础上，对多种单一模型 所包含的信息进行择优，得到较好的预测效果。因此把几种不同的预测方法组合 在一起，吸取各种方法的优点，避免其缺点的组合预测方法，不仅可以提高负荷 预测精度，而且得到令人满意的结果。 当单一预测模型不能准确的描述预测量的变化规律时，组合预测法可以作为 一种有效的补救方法。当然，如果能够找到一个很好的反映实际发展规律的负荷 预测模型可能会优于组合预测方法的预测效果。 6 其他预测方法 像模拟退火方法1 2 刀、人工鱼群算法【2 引、粒子群算法1 3 , 2 9 1 、遗传算法1 3 0 l 等其他 现代智能预测方法也都被应用到电力系统负荷预测中，取得了一定的预测效果。 1 3 短期负荷预测的难点 短期负荷预测对电力系统是否具有指导性作用和参考价值，关键就在预测精 6 硕士学位论文 度的高低，因此，如何能够有效的提高负荷预测精度是当前进行短期负荷预测研 究的重点和难点。总结分析整个负荷预测过程，要得到准确、合理的预测效果必 须解决以下几个主要问题。 1 影响负荷预测的因素 负荷预测是根据电力负荷现有的历史资料推测未来的负荷值，因此，历史数 据的准确性和全面性对负荷预测的影响很大。由于历史数据往往存在一些计量、 人为等因素造成的缺失和异常数据，不利于预测人员了解负荷的变化趋势，加大 了负荷预测的难度，所以在使用历史数据之前，必须对这些不良数据进行剔除、 补充和修正处理。 在电网的实际运行中，影响负荷变化的因素比较多，如天气因素、温度、湿 度、经济情况、重大节假日等。这些因素对负荷变化的作用效果不同，也无法全 部考虑到预测模型中，只能选择部分影响较大的因素进行预测，自然会对预测精 度的准确性有一定的影响。 2 负荷预测方法的选择 进行负荷预测的核心问题就是选择合适的预测方法，建立预测数学模型，这 也是最重要的一步。随着负荷预测技术的不断发展，各种各样的预测方法都被应 用到电力系统中，从传统的时间序列法、回归分析法到现代新兴的神经网络算法、 模糊理论等，都有各自的使用条件和预测优势，目前还没有一种通用的预测方法， 适合任何一个地区。为了得到准确、合理的预测精度，就必须根据实际情况选择 适合的预测方法进行负荷预测。 。 3 电力市场环境下的负荷预测 随着电力市场改革的不断深入，市场因素对短期负荷预测的影响也越来越大， 如需求侧管理、电价因素等。现在的预测方法中都很少考虑到这个问题，但它对 负荷预测的影响又是不能不面对的问题，因此，如何在电力市场环境下进行负荷 预测是一个值得深入研究的热点问题。 1 4 本文主要研究工作 本文深入学习了电力系统负荷的特点、影响负荷变化的各种因素等基础理论 知识，详细研究了b p 神经网络算法存在的缺点，其根源主要是随机选取输入样 本和网络的初始连接权值、阀值造成的。因此，引入代数算法来优化b p 神经网 络，能够提前确定网络结构和初始连接权值、阀值，并利用模糊聚类分析对样本 集进行聚类，找到与预测同相似的类别作为神经网络的输入样本。综合考虑了天 气因素、温度、同类型等影响负荷变化的主要因素，本文提出了模糊聚类分析和 神经网络代数算法相结合的预测方法进行短期负荷预测，充分发挥了两种算法的 各自的特点和优势，克服了b p 神经网络算法存在的缺点，提高了预测精度，加 模糊聚类分析与神经网络代数算法相结合的短期负荷预测 快了预测速度。 本文的工作主要有以下几个方面： 第一章分析了本课题研究的背景和意义，阐述了国内外负荷预测方法的发展 和研究现状，详细介绍了传统预测方法和现代智能预测方法的种类和特点。 第二章系统阐述了负荷预测的概念、基本原理、基本要求、负荷特性、影响 负荷变化的因素、基本程序等，其中重点分析了影响负荷变化的因素，并确定将 天气因素、温度、日类型等考虑到负荷预测模型中。 第三章介绍了人工