（应用数学专业论文）基于pso—bp的短期电力负荷预测研究.pdf

中文摘要 电力系统的短期负荷预测是指以周、天、小时为单位的负荷预测，它是现 代电力系统运行研究中的重要课题之一。电力系统短期负荷预测的结果是研究 电力系统规划问题、电力系统经济运行及其调度自动化的重要依据。实践证明， 在电力系统发展日趋复杂的今天，各种传统的负荷预测技术已经越来越难以满 足电力部门越来越高的负荷预测精度要求，所以应用智能算法进行电力系统的 短期负荷预测，提高负荷预测的精度和稳定性，具有十分重要的意义。 本文首先概述了电力系统短期负荷的原理、特点、研究现状及发展趋势， 分析了影响负荷预测精度的因素，对电力系统的短期负荷预测的各种传统方法 及现代方法进行了综述，并重点研究了人工神经网络在短期电力负荷预测中的 应用。针对神经网络中最常用的b p 算法所存在的收敛速度慢，容易陷入局部极 小问题，本文应用一种改进的p s o 算法来优化b p 神经网络，进行电力负荷预测。 应用某市的历史负荷数据对建立的短期负荷预测系统进行了测试验证，与 传统的b p 神经网络相比，可以看出本文所建立的基于粒子群优化算法的神经网 络预测模型能提高预测精度和速度，其预测性能明显优于基于b p 神经网络的负 荷预测，具有很好的非线性映射能力，有进一步开发并应用于实际在线预测的 良好前景。 关键词：短期电力负荷预测；神经网络；粒子群算法 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 go fe l e c t r i cp o w e rs y s t e m ，p r e d i c t i n ge l e c t r i cl o a d f o rap e r i o do fh o u r s ，d a y s ，o rw e e k s ，i sai m p o r t a n tr e s e a r c ha r e ao fc l e c t f i cp o w e r s y s t e m so p e r a t i o n i ti sa ni m p o r t a n tf o u n d a t i o no ft h es t u d yo re l e c t r i cs y s t e m p l a n n i n gp r o b l e m ，e c o n o m i c a lr u n n i n ga n dd i s p a t c h e ra u t o m a t i o n f u r t h e r m o r e ，w i t h t h ee s t a b l i s h m e n to fp o w e rm a r k e t ，s h o r t t e r ml o a df o r e c a s t i n gw i l lp l a yam o r e i m p o r t a n tr o l ei nt h ef u t u r e w i t ht h ep o w e rs y s t e mb e c o m i n gm o r ea n dm o r e c o m p l e x ，i t sd e m o n s t r a t e dt h a tt h o s et r a d i t i o n a ll o a d - f o r e c a s t i n gt e c h n o l o g i e sc a n t s a t i s f yt h er e q u i r e m e n to fl o a df o r e c a s t i n ga c c u r a c y ，w h i c hb e c o m e sm o r ea n dm o r e s t r i c t s ou s i n gi n t e l l i g e n tt e c h n o l o g i e st oi m p r o v et h ef o r e c a s t i n ga c c u r a c ya n d s t a b i l i t yo ft h el o a df o r e c a s t i n go fe l e c t r i cp o w e rs y s t e mi san e wc h a r a c t e ro f s h o r t - t e r ml o a df o r e c a s t i n gf i e l do fe l e c t r i cp o w e rs y s t e m f i r s t l y , t h ep r i n d p l e ，f e a t u r e s ，c u r r e n ts t a t u sa n dd e v e l o p m e n to ft h ee l e c t r i cp o w e r s y s t e ms h o r t t e r ml o a df o r e c a s t i n ga r eg e n e r a l i z e di nt h et h e s i s , t h ei m p a c tf u c t o r so f f o r e c a s t i n gp r e c i s i o na r ea n a l y z e d a n dt h e ni tm a k e sas u m m a r yo fm a n yt r a d i t i o n a l a n dm o d e m l o a d f o r e c a s t i n gt e c h n o l o g i e s ，e s p e c i a l l y ，i n t r o d u c e st h ea p p l i c a t i o no f a n ni ne l e c t r i cp o w e rs y s t e ms h o r t - t e r ml o a df o r e c a s t i n g i no r d e rt os o l v et h e p r o b l e m so ft h es l o wr a t eo fc o n v e r g e n c ea n df a l l i n ge a s i l yi n t ol o c a lm i n i m u mi nt i m b pa l g o r i t h m ，a ni m p r o v e dp s o b pa l g o r i t h mw a su s e di nt h ep a p e rt ot r a i nt h e w e i g h t so f a n n s i m u l a t i o nr e s u l t ss h o wt h a t , t h en e u r a ln e t w o r kf o r e c a s t i n gm o d e lb a s e do np s 0 ( p s o b e ) 口e a t e di nt h i st h e s i sc a l lg r e a t l yi m p r o v ef o r e c a s t i n gp r e c i s i o na n ds p e e d , a n di t sf o r e c a s t i n gc a p a b i l i t yi so b v i o u s l yb e t t e rt h a nt h en e u r a ln e t w o r km o d e lb a s e d o nb pa l g o r i t h m k e y w o r d ：s h o r t - t e r ml o a df o r e c a s t i n g ，n e u r a ln e t w o r k , p a r t i c l es w a r mo p t i m i z a t i o n 独创性声明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研 究成聚。尽我所知，除了文中特剐加以栎没耨致谶的地方外，论文中不包含其 毯入爨经发表或撰写逡豹黟 究戏票，遣苓镪会为获褥武汉瑾薹大学或荬它教育 机构的学位或证书丽使用过的丰孝辩。与我一同工作的弼悫对奉骄究所簸的往谤 贡献均已在论文中作了明确的说明并表示了 射意。 签名；主差缢：日期：! ! ：! ! ! 兰 关于论文使用授权的说明 本人完全了解武汉瑗工大学有关保留、使用学位论文的规定，即学校有权 僳熬、送交论文的复印髂，允诲论文被查阕秘借阕；学校可以公布论文的全部 或帮分内容，霹菰采鬻彰留、绫窝或其媳麓潮手段保存论文。 ( 缳密的论文在解密籍威遵守此规定) 签名：纽导师签名：彳孵日期：蝉 武汉理j 大学硕十学位论文 第1 章绪论 1 1 电力负荷预测的内容及意义 负荷预测是指，在考虑二一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 “ 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，有一个事先的估计， 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，目的是给各个电厂安排r 、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进行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，因为这决定了 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密相关， 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。 武汉理工大学硕+ 学位论文 1 2 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 限度的提高预测精度具有重要的应用价值。 在过去的4 0 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0 1 ，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，即 传统预测方法和以人工智能为代表的负荷预测新技术。以下是有关神经网络法 的研究现状： 1 ) b p 神经网络学习方法以及网络结构的改进方面 通常用于短期负荷的神经网络的学习方法是采用标准的b p 算法，但是它有 收敛速度慢和容易陷入局部最小点的缺陷。而且网络的隐含层比较难以确定。 文献 4 提出了一种使用人工神经网络与遗传算法相结合的方法进行负荷 预测。一方面使用拟牛顿法自适应算法改进标准的传统b p 算法，另一方面使用 改进的遗传算法解决容易陷入局部最小点的问题。 文献 5 利用遗传算法有指导地计算神经网络隐层节点数，从而确定一个较 为合理的神经网络结构，避免了选择隐含层时的无指导性，然后由遗传算法从 初始权值的解群中优选出一优秀的初始权值，克服了初始权值选取的盲目性。 文献 6 作者首次将确定性退火方法用于短期负荷预测领域。该方法的主要 优点是利用退火技巧使得神经网络学习算法有机会跳出局部极值点，同时采用 分片回归模型逼近预测函数，模型简单灵活。 2 ) r b f 神经网络的应用 径向基函数网络是一种对多输入、多输出非线性系统的辨识方法，依此建 立的神经网络可实现对非线性系统的辨识和预测，因为该类型网络的收敛速度 高于b p 网络的收敛速度，而且在预测节假同负荷具有独特的优势，因而近来也 受至广泛研究。 文献 7 提出了一种改进的径向函数网络，该方法能够体现负荷波动性和气 候对负荷的影响，收敛速度比较快，由于采用了丛聚技术调整径向基函数中心， 使得该算法有着较高的预测精度。 武汉理i = 大学硕十学位论文 3 ) 人工神经网络和小波理论的结合应用 小波变换能够将各种交织在一起的不同频率组成的混合信号分解成在不同 频带上的块信号。对负荷预测进行小波变换可以将负荷序列分别投影到不同的 尺度上，各个尺度上的序列分别代表了原序列的周期性，因此可以将小波分析 的方法用于电力系统短期负荷预测。 文献 8 使用小波分析对基于不同频段的负荷进行分类，然后对分类后的不 同频段的负荷使用人工神经网络进行训练预测。 4 ) 人工神经网络和模糊集理论的结合应用 模糊集理论适合描述广泛存在的不确定性，同时具有强大的非线性映射能 力，它可以弥补神经网络知识表达困难，难以利用调度人员经验中存在的模糊 知识，因此近来也有很多人工神经网络和模糊集理论结合用于短期负荷预测的 研究 文献 9 将负荷预测分为两步，分别为对只负荷归一化曲线的预测以及对最 高负荷和最低负荷的预测。该文根据不同的同负荷类型通过5 个不同的人工神 经网络模型预测同归一化曲线，并且通过模糊推理策略预测日负荷最大值和最 小值，最后结合两者的预测结果得到最终的负荷预测值。 文献 1 0 作者为了追求最佳的经济效益对预测点区别对待，主要减小电力 峰值时段的预测误差，对于边际发电成本高的预测点加大权值，采用了完全平 方法，固定加权因子的加权完全平方法和带动态的模糊化加权因子的加权完全 平方法进行负荷预测，结果显示模糊化加权因子的加权完全平方法的预测效果 最好，体现了模糊集理论和神经网络方法结合的优越性。 5 ) 级联神经网络的应用 级联神经网络由于可以结合不同神经网络类型发挥各自优势同时在负荷影 响因素处理上有更高的灵活性，因而也得到了很多应用。 文献 1 1 作者提出了一种双层的级联神经网络。该文作者在综合考虑天气 因素的基础上，着重考虑体现负荷特性的几个重要参数，如最高负荷、最低负 荷、日平均负荷。在第一层网络中将以上三个变量作为输出，并作为第二级网 络的部分输入。 文献 1 2 提出了一种基于r b f 网络和b p 网络的级联神经网络。该文分开考 虑天气因素以及历史负荷对预测负荷的影响，其中r b f 子网用于描述历史负荷 的影响，b p 网络子网用于对r b f 网络中难以描述的天气因素给出了较好的映射 武汉理i ：大学硕士学位论文 关系。该方法由于区别对待负荷影响因素，避免了因输入量值域的范围较大差 异而导致某些负荷影响因素在总体的映射效果中被歪曲甚至淹没，而且缩减了 网络拓扑结构，从而大大减少了预测时间。 6 ) 基于相似性原理的预测模型 普通的神经网络训练模式要求历史负荷在整体上和预测负荷有很强的相似 性。在此基础上的预测可以防止那些与预测日负荷特性偏差较大的数据的影响， 从而有效地减少了训练数据量，提高了训练精度。 文献 1 3 通过对负荷变化规律和影响因素的分析，提出了一种基于组合式 神经网络的短期负荷预测模型，该模型首先采用模糊聚类的方法将历史数据分 为若干类别，然后计对每个类别分别建立神经网络预测模型，预测的时候通过 模式识别找到和预测1 3 相符的类别进行短期负荷预测。实际应用显示该模型不 仅对普通工作日有较高的预测精度，对双休日和一些特殊的情况也有较好的预 测精度。 文献 1 4 通过对负荷变化规律和影响因素的分析，提出了一种基于组合式 神经网络的短期负荷预测模型，该模型首先采用模糊聚类的方法将历史数据分 为若干类别，然后针对每个类别分别建立神经网络预测模型：预测的时候通过模 式识别找到和预测日相符的类别进行短期负荷预测。实际应用显示该模型不仅 对普通工作日有较高的预测精度，对双休日和一些特殊的情况也有较好的预测 精度。 7 ) 其他预测模型的应用 文献 1 5 提出了一种适用于超短期负荷预测的神经网络预测模型，它主要 用于提前1 0 分钟到一个小时左右的负荷。通常使用神经网络进行短期负荷预测， 天气因素是不可忽略的重要因素，然而在超短期预测中，在如此短的时间内天 气因索的变化将变得很小，为了更好的满足预测实时的需求，预测模型的简单 显得更加重要。该预测模型不必考虑大气因素，使用神经网络计算预测负荷和 历史负荷的差量，模型简单，数据量很少，计算快速，适用于在线预测，在美 国某地的实际应用结果表明它的优越性。 文献 1 6 1 分别对每小时的负荷进行预测，并且用己知当天小时负荷和一个 差量之和来表示对应的待预测的小时负荷。在预测的时候以该差量为神经网络 的预测输出，然后加上当天该小时负荷得到预测只所对应的小时负荷。由于这 个差量本身比较小，主要体现了天气等因素的影响，而作者在训练网络的时候 一a 一 武汉理工大学硕十学位论文 充分考虑天气因素，因此经过仿真论证神经网络针对这较小的差量有很好的映 射作用，从而得到较理想的结果。 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 本文所做的主要工作 电力系统负荷预测，特别是短期负荷预测随着电力体制向市场的转变而越 来越具有更加重要的现实意义，并成为近年来人们研究的热点。短期负荷预测 的核心问题是利用现有的历史数据( 历史负荷数据和气象数据等) ，采用适当的 数学模型对预测的负荷值进行估计，因此有效地进行短期负荷预测需要具备两 方面的条件，一是可靠的历史数据，二是预测方法和相应的软件。由于现在电 力系统调度运营部门管理信息系统的逐步建立以及气象部门气象预测水平的提 高，各种历史数据的获取已不再困难，因此短期负荷预测的核心问题是预测模 型的水平高低。 本文对基于模糊小波网络模型的短期负荷预测进行了研究，所做工作主要 有以下几点： ( 1 ) 在阅读大量中外文献的基础上，全面了解了电力系统负荷预测研究的发展及 现状，对应用于电力系统短期负荷预测的各种传统及现代方法进行了综述，这 些工作是对电力系统短期负荷预测一个比较完整的总结。 ( 2 ) 仔细学习和研究了人工神经网络，粒子群理论的基本理论知识，综述了人工 武汉理= 大学硕士学位论文 神经网络及粒子群的基本原理和特点。 ( 3 ) 利用本文提出的短期负荷预测模型对某市电网的负荷预测进行了实例仿真， 验证了该模型是可行而实用的，与神经网络预测模型相比，具有更快的收敛速 度，更高的预测精度，能更好地预测电网负荷。 ( 4 ) 最后分析了电力系统短期负荷预测研究中存在的问题，并给出了自己的一些 想法，有待于进一步研究及实现。 武汉理j ：大学硕十学位论文 2 1 引言 第2 章电力负荷预测概述 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 2 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 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有 武汉理：f 大学硕士学位论文 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，因此可以根据已知发展过 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副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 相互影晌密切相关。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。 2 3 电力系统负荷预测的特点 由于负荷预测是根据电力负荷的过去推测它的未来数值，所以负荷预测工 作所研究的对象是不确定事件。只有不确定事件、随机事件才需要人们采用适 当的预测技术，推知负荷的发展趋势和可能达到的状况。这就使负荷预测具有 以下明显的特点： ( 1 ) 负荷预测的不准确性 预测学本身就是一个研究不确定问题的理论与方法，在当今科学界，也是 一个新的、正在探索的领域，因此，其预测的结果应该是一个概率的值。电力 - 8 一 武汉理l ：大学硕十学位论文 负荷未来发展是不肯定的，它要受到多种多样复杂因素的影响，而且各种影响 因素也是发展变化的，这就决定了预测结果的不准确性或不完全准确性；在负 荷预测系统中，针对各类不同的负荷预测都有一定的精度要求。长期的负荷预 测允许误差在4 - 1 5 以内，中期负荷预测的允许误差为5 ，而短期的日负荷预 测的误差一般不能超过3 。 ( 2 ) 负荷预测的条件性 各种负荷预测都是在一定的条件下做出的。在很多情况下，由于负荷未来 的发展的不肯定性，所以需要一些假设条件，如当长时间不下雨，排灌负荷将 保持较高的数值等。而这些条件不是毫无根据的凭空假设，而应根据研究分析， 综合各种情况而来。赋予预测结果一定的前提条件，更有利于电力部门使用预 测结果。 ( 3 ) 负荷预测的时问性 因为负荷预测属于科学预测的范畴，因此，要求有比较确切的数量概念， 往往需要指明预测的时间，如超短期负荷预测在线预测的预测速度要求不大于1 分钟，短期负荷预测要求预测速度小于1 0 分钟，日负荷预测时差不大于1 5 分 钟，日负荷谷荷的预测时差不大于3 0 分钟等。 ( 4 ) 负荷预测的多方案性 负荷预测的机理是一个数学建模的过程，而不同的数学模型的使用条件有 一定的限制，不是万能地，而预测本身又具有不准确和条件性，所有有时对负 荷在各种情况下的发展状况进行预测，会得到各种条件下的不同预测方案，所 以需要考虑不同的负荷条件建立模型。 ( 5 ) 负荷预测的地区效应 在不同负荷预测的范围内，负荷的构成比重不同，因此影响负荷的因素有 所不同。一般来说，大电网( 网、省级) 负荷变化有较强的统计规律性，预测 结果较准确，而地区级电网的预测精度则相对低一些。 2 4 电力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 武汉理工大学硕士学位论文 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 4 1 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。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 4 2 时间因素 对负荷有重要影响的时日j 因素主要有三点：季节因素的影响、且或周的周期性 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 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：日照时问 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( 如丌学、 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r 最高气温越高，居民用电负荷 越大。 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r 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n ”： 武汉理j ：丈学硕十学位论文 ( 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、星期同三种类型； ( 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； 同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，主要影响因素考虑得 越多、越准，负荷预测越精确。 节假只( 如国庆、元旦、春节等) 来i 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 正常只的负荷低很多，实际表明与节假同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只的负荷水平低，甚至节假r 前后的负荷行为也 要受影响。元旦、春节等节只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。 2 4 3 天气因素 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。把 因素考虑到负荷预测里的方法有很多吖列，也有一些文献不考虑天素嘲1 矧。 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。 2 4 4 随机因素 系统由很多独立的用户组成，不同用户选择用电的时自j 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 武汉理1 ：大学硕士学位论文 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，负荷随时问变化规律，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问； 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 5 电力负荷预测步骤 2 5 1 明确负荷预测的内容和要求 当对电力系统的负荷进行预测时，首先要了解负荷预测的内容和要求，进 而确定属于哪类预测、应满足哪些标准、是定性预测还是定量预测及应满足的 预测精度等。根据不同地区、不同时期的具体情况，确定合理的预测内容和预 武汉理f 大学硕士学位论文 测指标。 2 5 2 资料的搜集和整理 资料是进行预测的依据，应根据负荷预测的内容和要求，搜集进行负荷预 测时所需用到的各种资料。尽量使搜集的资料系统全面，避免用臆想的数据去 填补负荷预测数学模型中所缺少的资料。同时，对搜集来的各种资料进行分析、 加工整理，并对搜集的资料去伪存真，提高资料的可信度。对于尚缺的必要资 料，则应想方设法加以搜集。 2 5 3 对资料进行分析 画出所搜集资料中历史数据的折线图或散点图，从图形中观察资料中数据 变动的轨迹，以便选择恰当的预测模型，特别注意历史数掘的异常值和转折点， 找出异常值产生的原因，查明异常值的原因后对其加以处理。这样，历史数据 序列趋于平稳，容易找出负荷的变化规律，且规律性比较强 2 5 4 选择预测模型 负荷预测模型是统计资料轨迹的概括，它反映的是经验资料内部结构的一 般特征，与该资料的具体结构并不完全吻合。模型的具体化就是负荷预测公式， 由公式可以得出与观察值有相似结构的数值，这就是预测值。负荷预测的模型 是多种多样的，以适应于不同的负荷变化规律。 因此，正确选择预测模型是负荷预测中最关键的一步，如果模型选择不当， 造成预测误差过大，就需要改换模型。必要时，可同时采用几种数学模型进行 运算，以便对比、选择。 在预测中常用的预测方法有多种，如组合预测法、人工神经网络预测法等 多种方法。各种预测方法均有其不同的特点和适用范围。实践证明，没有一种 方法在任何预测场合下均可以保证获得满意的预测结果。因此，必须根据对资 料的占有情况，以及预测目标、预测期限、预测环境、预测结果的准确度、预 测模型的特点、预测模型的适用范围和负荷历史数据的散点图或折线图所反应 的历史数据的变化规律等进行权衡，以便做出合理的选择。 模型的选择对预测精度有很大的影响。在选择预测模型时，应考虑三个主 要的问题：即合适性、费用和精确性。任何一种预测模型都是建立在一定的假定 条件之上的，而任何一种假定条件都无法囊括影响负预测的所有因素。因此， 必须考虑模型的适用条件。 2 5 5 负荷预测 武汉理工大学硕十学位论文 随着科学技术的发展，预测理论有了很大的进步，各种预测方法出不穷， 使得预测手段对计算机的依赖性越来越强。依据选择的预测型，根据所掌握的 历史数据，运用负荷预测软件进行预测，可以获得人工方法更高的预测精度， 更好的满足电力部门对预测精度的要求。 2 5 6 分析预测结果 根据预测模型得到的预测结果并不一定与实际情况完全相符，这由于所建 立的预测模型是对实际情况的近似模拟，在计算和推测过程难免会产生误差。 因此，需要对预测结果进行分析和评价，以确定预测结果是否可信。如果超出 了误差的允许范围，就要分析产生误差的原因，决定是否需要对预测模型和预 测结果加以修正，使之更接近于实际。 武汉理i ：大学硕士学位论文 第3 章基于负荷预测模型的理论基础 3 1b p 神经网络 3 1 1 人工神经网络及其特点简介 人工神经网络，也简称为神经网络( n n ) 或称作连接模型( c o n n e c t i o n i s t m o d e l ) ，是对人脑或自然神经网络( n a t u r a ln e u r a ln e t w o r k ，n n n ) 若干基本 特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础，其目的在 于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研 究专家，第一家神经计算机公司的创立者与领导人h e c h t 删i e l s e n 给人工神经 网络下的定义就是；“人工神经网络是由人工建立的以有向图为拓扑结构的动态 系统，它通过对连续或断续的输入作状态响应而进行信息处理。”这一定义是恰 当的。人工神经网络的研究，可以追溯到1 9 5 7 年r o s e n b l a t t 提出的感知器 ( p e r c e p t i o n ) 模型。它几乎与人工智能( a r t i f i c i a li n t e l l i g e n c e ，a i ) 同时 起步，但3 0 余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时 日j 的萧条。直到8 0 年代，获得了关于人工神经网络切实可行的算法，以及以v o n n e u m a n n 体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们 才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研 究方法上已形成多个流派，最富有成果的研究工作包括：多层网络b p 算法， h o p f i e l d 网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络 是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但 远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。 人工神经网络的特点和优越性，主要表现在三个方面： 第一，具有自学习功能。例如实现图像识别时，只需先把许多不同的图像 样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢 慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的 人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前 途是很远大的。 第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联 武汉理 ：大学硕- f ：学位论文 想。 第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需 要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计 算机的高速运算能力，可能很快找到优化解。 3 1 2 即神经网络的基本原理咖嘲 采用b p 算法的多层前向神经网络模型一般称为b p 网络，它由输入层、中 间层和输出层组成。中间层也就是隐含层可以是一层或多层。 下图是典型的前馈神经网络模型： b p 网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时， 输入信息从输入层经隐单元层处理后传向输出层，每一层神经元的状态只影响 下一层的神经元状态。如果在输出层得不到期望的输出，则转入反向传播，将 误差信号沿原来的神经元连接通路返回。返回过程中，逐一修改各层神经元连 接的权值。这种过程不断迭代，最后使得信号误差达到允许的范围之内，因此， b p 算法又称为误差反向传播算法( e r r o rb a c k p r o p a g a t i o n ) 算法步骤如下： ( 1 ) 置各权值或阈值的初始值：z 。( 0 ) ，b ，( o ) 为小的随机数值。 ( 2 ) 提供训练样本：输入矢量以，k t l ，2 ，p ；期望输出d 。，七一l ，2 ，p ； 对每个输入样本进行下面( 3 ) 到( 5 ) 的迭代。 ( 3 ) 计算网络的实际输出及隐层单元的状态： 吼。 ( 啄吼+ 6 ，) ( 4 ) 计算训练误差： - 0 一吼m 一吼) ， ( 输出层) ； 吩一( 1 一吼) 6 。m 州， ( 隐含层) ； ( 5 ) 修正权值和阈值： 仃p ( f + 1 ) 一万f ( f ) + 叩6 ，吼+ 口【口o ) 一留f ( f 一1 ) 】， b f ( f + 1 ) 一b j o ) + 可6 ，+ 口【6 ，( f ) - b ，o - 1 ) 】。 ( 6 ) 当七每经历1 至p 后，判断指标是否满足精度要求： e r r o rsf ； 占：精度。 ( 7 ) 结束。 3 3 标准b p 算法的缺陷和原因 武汉理工大学硕十学位论文 标准b p 算法存在着收敛速度缓慢和陷入局部极小值的严重缺陷。陷入局部 极小值是由于目标函数在权值空问的极度不规则且存在多个局部极小点而造成 的。收敛速度慢的主要原因有： ( 1 ) b p 算法利用梯度信息来调整权值，在误差曲而的平坦处，偏导数值较小 使得权值调整幅度较小，从而误差下降很慢；在曲面曲率大处，偏导数值较大 使得权值调整幅度较大，会出现跃冲极小点现象，从而引起振荡。 ( 2 ) 神经元的总输入偏离阀值太远时，总的输入就进入激活函数非线性特性 的饱和区。此时，着实际输出与期望输出不一致，激活函数较小的导数值就将 导致算法难以摆脱“平台”区。 ( 3 ) 由于网络结构的复杂性，不同权值和阀值对同一样本的收敛速度不同从 而使得整体学习速度缓慢。 3 1 4 阴算法的若干改进 为克服标准b p 算法收敛速度缓慢的缺陷，人们往往采取一些算法本身以外 的措施，如样本的筛选、样本的归一化处理、优化初始权值、选取不同的激活 函数和目标函数等。一些基于算法本身的启发式算法对于克服缓慢收敛也很有 效，如加动量项的b p 算法，调整学习率的d e l t a - d e l t a 规则和d e l t a b a r d e l t a 规则等方法。它们的出发点都是使调整量的幅度自适应地满足误差曲面的所有 部分，从而加快收敛速度。下面介绍几种简单的提高收敛速度的方法： 1 ) 附加动量法 传统的b p 算法实际上是一种简单的最速下降静态寻优算法，在修正权值 w ( k + 1 ) 时，只是按照k 时刻的负梯度方向进行修正，而没有考虑以前的积累， 从而往往使学习过程发生振荡，收敛缓慢。 附加动量法就是使网络在修正其权值时，不仅考虑误差在梯度上的作用， 而且考虑在误差曲面上变化趋势的影响，其作用如同一个低通滤波器，它允许 网络忽略网络上的微小变化特性。 该方法是在每一个权值的变化上加上一项正比于前次权值变化量的值，并 根据反向传播法来产生新的权值变化。带有附加动量项的权值调节公式为： a w o ( h + 1 ) ( 1 一m c ) ，7 嗔x ，+ m c a w o ( _ i l ) 其中，h 为学习次数，m 为动量因子，通常o m c l 。 ( 2 ) 学习率自适应法 b p 算法的有效性和收敛性，在很大程度上取决于学习率r 的值。柙的最优值 武汉理工丈学硕十学位论文 与具体问题有关，没有对任何问题都适合的，值。即使对某一特定问题，也很难 找到一个自始至终都适合的，值。如果选择的过大，会导致网络在稳定点附近振 荡，降低网络的稳定性：如果选择的过小，会使权值的修正量过小，导致过长的 训练时间。因此，为加快b p 算法的收敛速度，应对学习率r l 进行动态调整。 变学习率等效于对权进行了变换，即改变了目标函数的误差曲面的形状。 以下为自适应学习算法的计算公式： w i i 伪+ 1 ) 一w o ( h ) + r l ( h ) t l x ， ，7 ( ) 一2 “町( - 1 ) a a s i g n d 陋) d ( | i l 一1 ) 1 ，o ( h ) 一4 ( ) 薯 从上式可以