（电力系统及其自动化专业论文）基于粒子群模糊径向基网络的电力系统短期负荷预测.pdf

a bs t r a c t s h o r t t e r ml oa df o r e c a s t i n g ( s t l f ) i np o w e rs y s t e mi sa ni m p o n a n tb a s i so f s 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 t h ep r e c i s i o no ff 0 r e c a s t i n gw i l ld i r e c t l y a 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 np o w e r s 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 ，n e wf o r e c a s tt h e o r i e sa n dm e t h o d sw h i c h h a v eh i g h e rp r e c i s i o na n dq u i c k e rs p e e da r em o r ea n dm o r et a k e ni n t oa c c o u n t i nt h et h e s i s ，t h em a i ns h o n t e r ml o a df o r e c a s t i n gm e t h o d sa r es u m m a r i z e da t f i r s t t h ec h a r a c t e r i s t i c so fl o a dh i s t o r i c a ld a t ai ns p e c i a la r e ai ss t u d i e d ，i n c l u d i n g p e r i o d i c i t y ，i n s t a b i l i t yo fs t l fa n dt h er e l a t i o n s h i pb e t w e e nl o a da n di t si n n u e n c e f a c t o r s i n t r o d u c e st h eb a s i cp r i n c i p i eo ft h en e u r a ln e t w o r k ，a n dp o i n t so u ts o m e p r o b l e m so ft h en e u r a ln e t w o r ki na p p l y i n g ，a n dd i s c u s s e st h em e c h a n i s ma n dp r e s e n t s i t u a t i o no ft h er e s e a r c ho fp a r t i c l es w a r mo p t i m i z a t i o n ；i n t r o d u c e st h es t e p so ft h e p a r t i c l es w a r mo p t i m i z a t i o n ( p s o ) ，a n dd i s c u s s e sa l lk i n d so fi m p r o v e dp a r t i c l es w a r m o p t i m i z a t i o ni nd e t a i l s i nt h i sp a p e r ，as h o r t - t e r ml o a df o r e c a s t i n gm o d e lf o rs t u ? b a s e do np a r t i c l es w a r mf u z z yr a d i a lb a s i sf u n c t i o nn e t w o r ki sp r e s e n t e d t h ev a r i o u s f u z z yf a c t o r sa r et h ei n p u to ft h en e u r a ln e t w o r kt oc o n s i d e rt h o r o u g h l yt h ei n f e r e n c e s o ft h ev a r i o u sf - a c t o r st ot h ec h a n g eo fl o a d t h en u m b e ro fh i d d e nn o d ei nn e u r a l n e t w o r kh a sb e e ng e n e r a l l yd e p e n d e do ne x p e r i e n c ea n de x p e r i m e n t si nt h ep a s t ， h o w e v e r ，t h i sp a p e rp r e s e n t sam e t h o dw h i c hc a nd y n a m i c a l l ya d j u s tt h en u m b e ro f h i d d e nn o d ei nn e u r a ln e t w o r k t h ec e n t e rp o s i t i o no fr a d i a lb a s i sf u n c t i o nc a nb e f j x e db ys u b t r a c t i v ec l u s t e r i n gm e t h o di ft h en u m b e ro f h i d d e nn o d ei sf i x e d ，t h e nt h e c e n t e r sa n dw i d t ho ft h er a d i a lb a s i sm n c t i o na n dc o n n e c t i o nw e i g h t so fn e t w o r kc a n b eo p t i m i z e db yt h en i c h ep a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h m i ft h es e tp r e c i s i o ni s a r r i v e d ，t h en e t w o r kt r a i n i n gc a nb ef i n i s h e d ；i fn o t ，t h en u m b e ro fh i d d e nn o d es h o u l d b ea d i u s t e da n dt h et r a i n i n gs h o u l dc o n t i n u e t h ei m p l e m e n t e dp r o g r a mb a s e do nt h ep r o p o s e dm e t h o di su s e df o rt h es t l fi n t h ea c t u a ln e t w o r k ，a n dt h et e s t i n gr e s u l t si l l u s t r a t et h a tt h ef 0 r e c a s t i n ga c c u r a c yi s s a t i s f y i n g ，a n dv e r i f yt 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 em 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 ；f u z z y r a d i a if u n c t i o n n e t w o r k ；p a r t i c l e s w a r m o p t i m i z a t i o n ； s u b t r a c t i v e c l u s t e r i n g m e t h o d 长沙理工大学 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。 作者繇上中 日期1 年厂月力一日 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。本人授权长沙理工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“) 名：旦 ，- 翩虢杯 玎 母 ， 卜 年 车、咔 泸 少 期 期 第一章绪论 电力系统的负荷是指电力需求量或用电量，即功率，电力系统的负荷大小是 影响电力系统安全稳定运行的重要因素，这是因为电力系统正常运行的首要约束 条件就是要保持功率平衡，即所发功率应满足负荷的需求量。负荷预测2 ，可以为 满足和保证这一平衡提前做好准备。电力系统可以在负荷预测的基础上进行负荷 的调整和管理。电力的生产和消费必须同时进行的特点决定了电力工业与其他产 业的不同，电能对于国民经济各个行业和人民生活的重要性，特别是在一个时期 内的供需矛盾，使得负荷预测尤为重要。电力负荷预测已成为电力系统调度、计 划、用电、规划等管理部门的重要工作内容之一，高精度的负荷预测有利于机组 检修计划，有利于节煤、节油和降低发电成本，有利于制定合理的电源规划，有 利于提高电力系统的经济效益和社会效益。 1 1 负荷预测的意义及研究背景 我国电网调度机构分为五级，分别是国调、网调、省调、地调和县调，各级调 度机构对各自调度管辖范围内的电网进行调度，维护国家安全和各利益主体的利 益。电网调度的首要任务是保障电网安全和稳定，调度的另一重要任务是保证电 能质量，即保持频率、电压合格。保持发电和用电的时刻瞬时平衡，即保持供需 时刻平衡，从而要求调度必须提前预测社会用电需求，并依次进行事前的电力平 衡，编制不同时段的调度计划和统一安排电力设施的检修和备用。按照预测时间 的长短和应用场合的不同，电力系统负荷预测可分为超短期、短期、中期及长期 负荷预测。 ( 1 ) 超短期负荷预测：指下一小时或者未来数小时内负荷的变化，也可能讨 论几分钟以后的负荷变化。其意义在于可对电网进行计算机在线控制，实现发电 容量的合理调度，满足给定的运行要求，同时使发电成本最小。 ( 2 ) 短期负荷预测：指一年以内以月为单位的负荷预测，还指以周、天、小 时为单位的负荷预测，通常预测未来一个月、未来一周、未来一天的负荷指标， 也指预测未来一天2 4 小时的负荷。其意义在于：帮助确定发电燃料供应计划；对 运行中的电厂提出预告，使对发电机组出力变化得以事先估计。对于装机容量不 大的孤立电网，短期负荷是必要的，它可以经济合理地安排本网内各机组的启停， 使系统在安全范围内保持必要的旋转储备容量的耗费为最小，可以在保证正常用 电的情况下合理安排机组检修计划。 ( 3 ) 中期负荷预测：指五年左右并以年为单位的预测。长期和中期负荷预测 的意义在于电网的规划，即新的发电机组的安装( 包括装机容量的大小、形式、 地点、时间) 与电网的扩容和改建，均取决于对未来若干年后的负荷预测。 ( 4 ) 长期负荷预测：指十年以上并以年为单位的预测，主要用于电源发展规 划及网络发展规划。 现代能源管理系统( e m s e n e r g ym a n a g e m e n ts y s t e m ) 有效运行依赖于短期负 荷预测的准确性。随着我国电力需求量的迅猛增长，电力紧缺的局面进一步加剧， 各大电网用电峰值屡创历史新高，这使得负荷预测的重要性更加突出。由于对发、 配电的安全和经济有重大意义，无论从经济角度还是安全角度来讲，短期负荷预 测工作都是十分重要的。短期负荷预测是电力系统调度运营部门的一项重要日常 工作，是制定发电计划和输电方案的主要依据。所以短期负荷预测是对电力系统 最为重要的负荷预测。我国开始推行电力市场的工作对负荷预测提出了更高要求， 这也成为进一步改进电力系统负荷预测工作的一个重要原因。由于短期负荷预测 是电力市场中的一项经济信息，是各级电力市场的重要组成部分，它对应建立电 量计费系统、实行峰谷分时电价和建立模拟电力市场等均有深刻影响。随着我国 电力市场的进一步发展，短期负荷预测在电力系统的经济运行方面的影响愈来愈 明显，尤其对发电市场侧有深远影响，主要表现在： 1 短期负荷预测对用户用电情况的影晌 由于负荷的随机变化，或发、输、配电设备的故障，电能的供、需情况是不断 变化的，供电成本也是随之变化的。即使是同一用户在不同时间用电，对其供电 的成本也是不同的。为了反应这种差别，电力市场要促进用户合理用电，采用分 时电价的措施，鼓励用户将高峰期的负荷移至低谷期。短期负荷预测结果的出现， 使用户可以了解负荷高峰和低谷出现的时间，以便合理安排用电情况，选择低电 价时段用电，以此来节约电费。 2 短期负荷预测对实时电价制定的影响 为了体现电力市场的竞争性和开放性，电价就成了电力市场的杠杆和核心内 容，而电价的制定是在未来给定电价计算期的负荷预测的基础上完成的。因此， 发电企业要保证其电价的竞争力并且盈利，就必须获得较精确的负荷预测，才能 定出既有竞争力又能保证盈利的电价。 3 短期负荷预测对系统充裕性评估的影响 电力系统充裕性评估由电力调度中心负责，主要内容是分析预测中、短期系 统供需平衡和系统安全情况，目的是让市场成员了解信息，安排系统的供电、用 电及设备检修，进行发电报价决策，以尽可能减少电力调度中心的干预。 虽然负荷预测方法发展至今，积累了不少经验，但是电力系统的负荷受到很多 因素的影响，如负荷构成、负荷随时间变化的规律、气象变化及负荷随机波动等， 情况比较复杂。一个地区负荷往往由几种负荷类型构成，不同的负荷有着不同的 2 变化规律，比例不同；各类用电负荷的时间变化规律不同，所以由他们构成的系 统负荷具有不同的变化规律；负荷还受到气象因素的影响，气温、阴晴、降水和 风力都会引起负荷的变化，然而各个电网对各种气象因素的敏感程度是不同的， 这是负荷预测研究的重要内容；某些未知的不确定因素引起的负荷变化称为负荷 的随机波动，对各电网来说电网随机波动负荷大小是不同的。因此，研究适用于 具体系统的短期负荷预测方法就称为电力系统调度自动化中的一个重要课题，同 时也是电力市场发展的必然要求。 4 短期负荷预测对转运业务的影晌 提供转运业务是电力市场中电网的一项基本功能，是电力市场平等竞争的必要 条件，可以给电网带来巨大的效益，而电网在执行转运业务时，将根据负荷预测 的数据及各发动机的运行参数，制定发电计划和调度计划，所以准确的负荷预测 将促进供、运、用电三方的协调。 5 短期负荷预测对合同电量分配的影响 由于在初级发电市场，所有电量统一进行竞价，只在电费结算时考虑合同电量， 按照差价合约结算，由于电费结算按时段进行，需将合同电量按负荷预测曲线分 配至各时段，在最后是按短期负荷预测曲线将日合同电量分到各时段，所以不准 确的短期负荷预测将导致违约，甚至引起电量分配的不合理，造成电量不足等问 题。 1 2 预测技术简介 借助于对过去、现在数据的分析，得到对未来的了解，这就是预测，即对目前 尚不明确的或尚未发生的事进行预先的估计和推测。科学的预测方法和预测手段 称为预测技术。它是从过去和现在已知的情况出发，通过对历史情况的分析研究， 探索事物的内在联系和发展规律，推测出未来将要发生的结果。科学预测的基本 原理在于利用事物发展过程中各种因素之间的规律性。一般的预测技术都是基于 以下预测原则的： 1 可知性原理：又称为规律性原理，是关于预测对象服从某种发展规律的原 理。它认为预测对象的发展规律可以被人们所掌握，其未来发展趋势和状态可以 被人们所知晓。 2 相似性原理：作为预测和研究对象的一个事物，它现在的发展过程和发展 状况往往与一个已知过去事物的一定阶段的发展过程和发展状况类似，相似性原 理就是反映这种情况的原理。预测者可以根据一个事物后来的发展过程和状况， 预测另一个事物的未来发展过程和状况。 3 可控性原理：作为人们预测对象的大量事物，其未来发展过程往往具有可 以调节和控制的可能性。将预测到的未来信息传递给可以影响、调节和控制研究 对象未来发展的人或其他因素，就可以通过人的行为或其他因素的变化来达到调 节和控制研究对象发展的目的。只要研究大学的网络发展趋势是可以调节、控制 的，就可以通过对它的调节和控制来使它朝着符合人类目标和需要的方向发展。 4 可能性原理：预测对象在内因和外因的共同作用下其未来发展趋势和状态 呈现出不同的可能性，但预测对象演化到不同结果的可能性大小不同。对预测对 象所作的预测，就是对它未来发展的可能性进行预测。 5 连续性原理：预测对象的发展是一个连续的、统一的过程，其未来的发展 是这个过程的延续。它总是从过去发展到现在，又从现在发展到未来。预测对象 发展过程中的过去、现在和将来是处于一种辩证、统一的连续关系之中的。 6 系统性原理：该原理强调预测对象的未来发展是系统整体发展的连续，强 调该对象内在和外在的系统作用，将预测对象作为动态的、系统的发展过程来对 待。预测对象的未来发展，是整个系统的动态发展，这种发展与系统内部子系统 的相互作用和相互影响密切相关，预测对象的系统整体属性与功能大于各子系统 的总和，要求预测者做出整体最佳的预测。 7 反馈性原理：人们在对事物的未来发展趋势和发展状况进行研究的过程中， 预测结果往往和预测目的有不同程度的差别。只有对预测依据进行反馈调节，才 能缩小这种差距，做出符合活动目的的预测。依据这种原理，预测者必须认真分 析预测的结果和目的间的差距，了解产生这种差距的原因，并根据已经查明的原 因来对活动依据实施反馈调节。 短期负荷预测的核心问题是利用现有的历史数据( 历史日负荷数据和气象数据 等) ，采用适当的数学预测模型对预测日的负荷值进行估计，因此有效地进行短期 负荷预测要具备两方面的条件：一是准确的历史数据信息，二是合适的预测方法 和相应的手段。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 核心问题就是预测模型的建立。 进行电力系统负荷预测一般按照下列基本步骤完成预测工作： 确定负荷预测的内容，并搜集所需资料； 分析整理统计资料，以资料的正确性、完整性、可比性和连贯性，来反映 负荷发展的规律性； 用合适的预测模型进行负荷预测，并对预测结果进行修正和分析； 在过去的二十年中，对于电力系统短期负荷预测模型的研究得到了很大的发 展，各种预测方法和模型被引入短期负荷预测中，其总体特点体现在以下几个方 面： ( 1 ) 影响负荷变化因素的考虑； 4 ( 2 ) 从单模型预测到多模型组合预测； ( 3 ) 负荷预测模型从简单到复杂； ( 4 ) 智能技术用于负荷预测。 早期的负荷预测技术主要是统计学和时间序列分析的方法。统计学方法是将未 知负荷看作随机事件进行估计，时间序列分析方法将未知曲线与已知曲线拟合。 这两类方法已经在实际应用中被广泛采纳，同时也表现出很多局限性和缺陷。实 践已经证明，传统的负荷预测方法误差大，无法满足实用化的精度要求。因此， 引入先进的智能化预测方法进行负荷预测，是提高实用价值和预测精度的必然选 择1 。 1 3 短期负荷预测的国内外研究现状 1 3 1 短期负荷预测方法综述 从上个世纪五十年代就开始了短期负荷预测方法的应用和研究。到现在为止， 短期负荷预测方法可以大致分为两大类：即传统预测方法和人工智能方法。虽然 传统预测方法的原理比较简单，理论比较成熟，至今仍有应用，但是这些方法采 用的数学模型过于简单，难以及时、准确地进行参数的估计和调整，且负荷的突 然变化不能得到反映，所以它们不能适应用精确的数学模型来描述负荷的变化规 律，以及其它因素对负荷的影响，因此使用这些方法很难获得较高预测精度。 1 3 1 1 传统预测方法 ( 1 ) 灰色预测法。灰色预测理论是我国学者邓聚龙教授首先在国际上提出来 的，其显著特征就是用少量的数据做微分方程建立起预测的模型。将一定范围内 变化的历史数据进行累加，使其变成具有指数增长规律的上升形状数列，这样可 以对生成的这个形状数列建立起g m ( g r e ym o d e l ) 模型。叫( 1 ，甩) 也就是对疗个 变量用一阶微分方程建立的灰色模型。 ( 2 ) 趋势外推法。负荷的变化一方面有其不确定性，但在一定条件下，又存在 着明显的变化趋势，旦找到了负荷的变化趋势，按照该变化趋势就能对未来负 荷情况做出判断，从而得到结果。主要的负荷变化趋势有水平趋势、线性趋势和 季节型趋势等，他们的共同特点就是只针对趋势进行外推，不对其中的随机成分 做统计处理。此方法计算简单，方法实用性较强。 ( 3 ) 时间序列法。用时间来代替影响负荷的因素，依据负荷过去的统计数据， 找到其随时间变化的规律，建立时序模型，以推断未来负荷数值。其基本假设是： 负荷过去的变化规律会持续到将来，即未来是过去的延续。其主要数学模型有自 回归( a r ) 模型、滑动平均( m a ) 模型和自回归一滑动平均( a r m a ) 模型等。但 时间序列法无论采用哪种模型都完全没有考虑天气、社会活动等对负荷的影响， 因此时序法存在着预测不准确的问题。 ( 4 ) 回归分析方法。从研究负荷与相关因素的因果关系入手，对过去的具有随 机性的负荷记录进行拟合，得到一条确定的曲线，然后将此曲线外延到适当时刻， 苛狙到该时刻的预测值。由于天气变量与负荷之间不是简单的线性关系，回归算 法对这种动态的、非线性的关系无法处理，它只是预测出一个平均值，非线性回 归算法也只是通过代换将非线性关系转化为线性关系，加之运算复杂，因而也不 是理想的预测方法。 ( 5 ) 卡尔曼( k a l m a n ) 滤波方法。建立状态空间模型，把负荷作为状态变量， 用状态方程和量测方程来描述。卡尔曼滤波算法递推地进行计算，适用于在线负 荷预测。这是在假定噪声的统计特性已知的情况下得出的，事实上，噪声统计特 性的估计是应用该方法的难点所在。 ( 6 ) 小波分析方法。小波能将交织在一起的不同频率组成的混合信号分解成不 同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列投影到不同的尺 度上，而各个尺度可近似地看作各个不同的“频带 ，这样各个尺度上的子序列分 别代表了原序列中不同“频域 的分量，它们可以清楚的表现出负荷序列的周期 性。在此基础上，分别对各个尺度上变换得到的子序列进行预测，最后利用各个 尺度上的预测结果进行信号重构，就得到了完整的预测结果。 1 3 1 2 人工智能方法 ( 1 ) 人工神经网络预测方法。负荷预测是人工神经网络在电力系统中的主要应 用部分。由于其具有高度非线性范函逼近和并行处理能力，它不依赖于人工的经 验，通过学习获得系统输入和输出间的函数连接关系。神经网络不是首先确定一 个函数的形式，而是通过训练历史数据得出天气变量和预测负荷之间的关系。它 具有信息记忆、自主学习、知识推理和优化计算的特点，其自学习和自适应功能 是常规算法和专家系统所不具备的。用于负荷预测的人工神经网络主要有b p ( b a c k p r o p a g a t i o n ) 网络、r b f ( r a d i a lb a s i sf u n c t i o n ) 网络、h o p f i e l d 网络”、k o h o n e n 自组织特征映射l - 引等。 ( 2 ) 专家系统方法。专家系统是一种人工智能的计算机程序系统，这些程序具 有相当于某个专门领域的专家的知识和经验水平，以及解决专门问题的能力。负 荷预测离不开预测人员的丰富经验和判断能力，尤其在特殊的节假日或有重大活 动和突发事件的时候，但是专家的知识转化为数学规则是一件非常困难的事情， 更多的人工调节是在程序预测结果出来后的调节和修正。 ( 3 ) 模糊推理方法。首先将负荷预测的输入、输出空间划分为不等的模糊集合， 如高、中、低等，然后用一组模糊规则来表示负荷预测输入、输出间的关系。每 一条模糊规则是一个模糊伊一删关系，关系前件是对各输入变量不同模糊集合 的组合，关系后件是输出变量表达式，输出变量表示为各输入变量的线性组合， 6 第f 条规则可表示为： r i ：i fx ll s4 ；a n dx 2i s 鸽a n d x mi s 如 刀z 邑z = 戍+ 叫j c l + 屯+ + 成 其中，x ，= l ，2 ，所为输入变量。彳：，= l ，2 ，聊为输入变量x ， 的第f 个模糊集合，相应隶属函数可采用高斯函数或三角形函数等。：是第f 条规 则的输出部分，p ：，= 1 ，2 ，所为规则的输出部分中输入变量x ，的相应系数， 反为常数项。 1 3 2 国内外研究现状 现有的人工神经网络法一般采用b p 网络1 7 ，文献【7 】首次提出了用b p 网络进 行电力系统的负荷预测，研究了用不同的特征量预测不同的负荷。由于未对样本 数据作适当的预处理，网络训练时间相当长。在此基础上，文献【8 提出了对样本 数据进行处理的有效方法，设计了一种b p 网络的变形结构，通过这两种途径改善 了网络的学习性能。文献【9 】提出了b p 网络的自适应训练算法，适用于解决样本数 据不平稳时网络的训练问题。文献【l o 】研究了对于气象灵敏的负荷，采用非完全连 接的b p 网络预测今后一周内每小时的负荷。文献【1 1 】研究了b p 网络中学习率参 数和动量参数的取值对b p 网络标准学习算法的影响，提出了相应的处理办法。针 对b p 网络的缺陷，文献【1 2 】把神经网络和遗传算法相结合，通过遗传算法有指导 性的求取神经网络的隐含层节点，得到了较为优秀的初值，改善了网络的学习收 敛过程。文献【1 3 】提出一种改进粒子群算法，用于b p 网络结构的优化，提高了模 型精度和适应性。 b p 网络由于网络权重初始化的随机性，很难根据负荷预测的实际情况来确定 一组较好的初始值，并且该网络学习算法收敛速度较慢，容易陷入局部极小点， 这些不足从而限制了b p 网络方法在负荷预测中的实际应用。 近年来发展起来的径向基函数( r a d i a lb a s i sf u n c t i o n ，r b f ) 神经网络由于具 有可逼近任意非线性映射的能力。川，并且算法简单、实用，因此在电力系统负荷 预测中取得了较好的效果”。文献【17 】采用快速混合算法来解决r b f 网络的学习 问题。训练样本的选取综合考虑温度、日期类型、天气等因素的影响。文献f l8 】 提出了应用g n b f g s 法进行r b f 网络学习的算法。该方法结合g n 法与b f g s 法的特点，在学习过程中可以自适应调整隐含层神经元数目，有效的提高了r b f 网络的学习和推广能力。在r b f 网络中，隐含层r b f 中心的数量和位置的确定将 直接影响着网络的逼近能力，这就要求r b f 中心能够覆盖整个输入空间伸”。如果 r b f 中心的数量过多，将使网络的计算量显著增加，导致网络泛化能力的降低。 因此，建立r b f 网络模型的关键在于选择合适的r b f 中心。目前，选择r b f 中 心的方法主要有聚类算法3 4 7 - 和正交最小二乘算法”，正交最小二乘算法当输入 7 数据量较大时，容易出现病态矩阵，而聚类算法如k m e a n s 算法则对初值敏感。 文献【3 2 】提出了基于优先向量法的专家系统负荷预测方法。优先向量法是重点分析 各种影响因素对目标变量影响的相对重要性的一种方法。预测方法简述如下：首 先利用专家知识对历史数据进行过滤，形成与预测时间天气变量比较类似的相似 集，然后采用优先向量法将非定量因素( 如日类型和小时) 转化为定量信息，最 后对相似集进行最小平方拟合，得到负荷随日类型、温度、温差和小时的变化关 系的线性模型，以此用于负荷预测”。 a g b a k i r t z i s 【3 4 】采用了一种模糊神经网络并应用于希腊的电网中，作者建立 了一个模糊专家系统，由于该模糊系统和神经网络的结构相似性，该系统采用了 神经网络进行参数辨识。这也是真正把模糊系统和神经网络结合起来，并应用于 负荷预测中。 国内负荷预测研究也紧跟国外的步伐，正积极开展广泛而深入的方法研究。 电力科学研究院的于尔铿、汪峰等人长期从事电力市场和e m s d m s 的研究，在 其关于能量管理系统e m s 的讲座【3 5 】中，强调了样本空间对于神经网络短期负荷 预测方法的重要性，并且比较系统地阐述了电力系统负荷预测的方法。文献 3 6 】 提出了电力负荷预测的遗传规划方法。利用遗传规划方法自动找出与负荷变化密 切相关的诸多因素。用其作为自变量，生成函数表达式来体现负荷的变化规律与 影响因素之间的关系，建立负荷预测模型。在针对江苏省19 8 4 年全年用电量进行 预测的应用中，相对误差为1 8 。文献【3 7 】提出了一种规范化的可以直接考虑各 种相关影响因素的短期负荷预测新策略，这种策略不仅可以考虑已经被详细研究 过的气象因素，而且可以同时考虑一般性的分类指标，如正常日节假日，工作日 休息日等。设计出了一个规范化的相关因素映射数据库，以此反映不同影响因素 在映射函数上的差异。根据模式识别的基本原理，应用聚类方法分析描述由于相 关因素的不同而导致待预测日与历史日之问的差异程度。作为这种预测策略的一 个应用，实现了基于相关因素匹配的短期负荷预测方法。实际测试表明，平均绝 对值相对误差在1 4 以下。 文献【3 8 】采用自适应模糊系统理论的最新成果来实现实用化的预测系统，并具 体应用于电力负荷预测中，系统模糊参数的辨识通过梯度下降法进行。通过合理 的设计实现简洁的系统结构，通过在线训练确定优化的系统设置。文献指出，短 期负荷预测的日均相对误差小于2 ，效果较好。在目前的技术条件下使得对复杂 的大型电力系统负荷精确建模极为困难，因为负荷模型本身具有强烈的时变性和 非线性。影响负荷变化的因素很多并且程度不一，而且不同的时候起主要作用的 因素也不一样，所以人们往往只能取晟主要的影响因素来对负荷进行建模。a n n 具有精细而灵活的非线性映射能力，可以以任意精度逼近任意形式、任意复杂的 非线性函数，a n n 还具有很强的自学习能力，可以适合负荷模型的变化。a n n 的 缺陷是无法处理模糊性因素的数据，无法利用一些模糊性的信息( 如天气、特殊 事件、专家经验等) ，而这些信息往往可以补充a n n 模型的不足，可使预测系统 对突发和少见事件做出正确反应”。 1 4 本论文的主要工作 本论文的主要研究任务是根据电网的历史数据，包括历史负荷数据、历史天 气情况、温度等各种影响因素，来分析区域电力负荷的特性，然后据此建立神经 网络预测模型，并用历史数据对神经网络模型进行训练，分别运用b p 网络和基于 粒子群模糊r b f 网络对负荷进行预测，具体工作如下： 根据实际地区电网的历史负荷数据，分析影响负荷预测结果的各种因素， 如负荷变化的日、周等周期性以及影响负荷变化的天气因素，总结负荷变化的规 律性，并根据负荷的这些特性提出短期负荷预测的基本模型； 针对b p 算法具有训练易陷入局部极小点，需要大量训练样本数据的缺点， 本文采用训练收敛速度更快、推广能力更强的r b f 神经网络作为短期负荷预测的 模型； 详细介绍标准粒子群算法和各种改进的粒子群算法，并分析影响粒子群算 法收敛速度和全局收敛性的各种参数； 将温度、节假日、天气情况等影响负荷变化的各种因素模糊化处理后作为 网络的输入变量； 建立模糊r b f 神经网络短期负荷预测模型，运用减聚类算法动态确定r b f 网络的中心位置和宽度，并用小生境粒子群算法优化r b f 网络的中心位置、宽度 和网络连接权值，提高r b f 网络的收敛性与预测精度； 分别采取b p 神经网络和基于粒子群模糊r b f 神经网络两种方法对实际地 区电网的一天2 4 h 的整点负荷进行预测，对其预测结果运用相对误差指标进行比 较，并绘制预测结果曲线。 9 第二章负荷特性分析与数据预处理 2 1 电力负荷特性与影响因素 2 1 1 电力负荷特性分析 电力工业与其它一般产业不同，因其产品即电能无法大量储存，故电力的生产 和消费必须在同一时间保持平衡。此外，随着我国市场经济的发展，电力需求量 猛增，在今后一个相当时期内都会存在电力的供需矛盾，这一切都使得电力负荷 预测工作尤显重要。这就要求我们首先要对电力负荷的特点有一定的了解，才能 针对负荷的特性采用恰当的预测方法，最终得到符合精度要求的预测负荷值，更 好地为电力系统的调度和运行提供参考依据。 电力系统的负荷是动态变化的，作为一变化的时间序列，不但按小时变、按日 变，而且按周变，按年变。电力系统短期负荷具有以下特征： ( 1 ) 周期性：负荷以天、周、年为周期发生波动，大周期嵌套小周期； ( 2 ) 随机性：短期负荷的变化有一定的随机性，随着各种不同社会因素的影响， 这种随机性具有一定的增长趋势； ( 3 ) 波动性：负荷序列在取值较小的时段，其波动的幅度较小；在取值较大的 时段，波动幅度也较大； 下面以斯洛伐克1 9 9 7 1 9 9 8 年的历史负荷数据为例，对特定地区电力系统的负 荷特性进行分析。斯洛伐克1 9 9 7 年年日最大负荷曲线如图2 1 所示。 图2 119 9 7 年日最大负荷曲线图 从图2 1 我们可以发现斯洛伐克一年的日最大负荷值呈现出的规律：从1 月到 5 月的负荷呈现下降的趋势，从5 月到8 月趋于稳定，从8 月到l2 月负荷呈现上 升的趋势。 1 0 斯洛伐克连续一周( 1 9 9 7 年3 月10 同到3 月1 6 日) 的日负荷变化曲线如图 2 2 所示。 图2 2 连续一周的日负荷曲线 从图2 2 可以看出电力负荷的变化具有同周期性规律，曲线明显以2 4 小时为 小周期变化，具有较大的周期性。但电力负荷值并非简单重复前一个周期，而是 存在一个随机分量使每个周期的数值发生波动。 斯洛伐克电力系统连续三周( 1 9 9 7 年3 月1 0 日至3 月3 0 日) 的负荷变化曲 线如图2 3 所示。 图2 3 连续三周的日负荷曲线 从图2 3 可以看出负荷变化曲线基本是以一周为一个大周期变化的。负荷的周 周期性比较明显，这与人们的同常生产、生活和学习大多是以周为单位安排计划 相关。尽管近几年由于市场经济的发展，在我国很多地区出现了供电不足的情况。 虽然工作日和周末的用电负荷值差别不大，但工作日和周末负荷的构成和特点是 存在差异的，电力负荷内在仍然呈现出周周期变化的特点。因此，负荷曲线仍以 天为小周期、以周为大周期变化，负荷的这些变化就构成了周期性负荷的变化状 况。 图2 4 为斯洛伐克电力系统一周各天( 19 9 7 年6 月9 同至6 月l5 日) 的负荷 曲线，图2 5 为一周( 儿月17 日至1 1 月2 3 日) 各天的负荷曲线。对图2 4 和图 2 5 进行比较分析，可以发现电力负荷还具有季节性的特点。 图2 46 月份典型负荷曲线图2 511 月份典型负荷曲线 2 1 2 电力负荷的影响因素 电力负荷对天气因素诸如温度、湿度、降雨、风速、日光强度、前两天的天气 因素等比较敏感，因为天气的变化主要是对人们日常生活规律产生影响，从而导 致各种相关生活的负荷发生变化，以致形成了负荷的季节性变化规律。通常城乡 居民生活用电和工业负荷随季节的变化较小，但其他农业用电负荷和城市事业用 电则会随着季节的变化而有明显改变。 ( 1 ) 降雨对负荷变化的影响 依据运行经验了解到降雨对负荷的影响信息为：如果当天一直下小雨，则负荷 不会出现波动；若出现较大降雨，则负荷会陡降，主要原因在于下雨时气温下降 导致负荷下降，另外如果处于灌溉季节，用于农业灌溉的负荷会减小，这部分负 荷在整个农业范围内占比例较大，故对电力负荷的影响较强烈；一般这种影响会 持续影响往后两到三天的负荷值，影响的程度与降雨量大小有关；虽然这种短期 影响作用时间不长，但对短期负荷预测要求的精度来讲则必须认真考虑这部分的 影响，并考虑进模型当中。 ( 2 ) 温度对负荷变化的影响 温度是影响负荷变化的主要因素之一，宏观方面体现在负荷的季节性变动，微 观方面则具体体现在相邻几日内温度变动时，负荷也出现相应的变化。 当前众负荷预测模型都将温度作为影响负荷因素之一考虑到负荷预测模型中， 而且试验证明都是考虑了温度影响因素的模型预测效果好。一般温度与当天的负 荷有着直接关系，对第二天的负荷影响较小，故一般都将温度作为负荷模型的一 个重要因素。在分析历史数据过程中，我们发现温度对负荷的影响通常若当天的 温度较前一天有较大差异则负荷会随之出现较大的波动，特别对当同峰值负荷的 影响较大。 季节不同，负荷的特性也不同，温度对负荷的影响效应也不同，这是温度影响 的另一体现在。图2 6 为斯洛伐克电力系统19 9 7 年日最大负荷曲线，图2 7 为斯 洛伐克年温度变化曲线， 图2 6 19 9 7 年日最大负荷曲线 图2 719 9 7 年温度变化曲线 从图2 6 和图2 7 我们发现，该地区负荷变化与温度变化呈现出相反方向变化 的趋势，即随着温度的上升负荷反而下降，随着温度的下降负荷反而上升，所选 地区历史数据从温度对负荷的影响作用来看，夏季负荷值会随着温度的升高而增 大，冬季则是随着温度的降低，负荷反而会升高。 因此在建立负荷预测模型的过程中，对温度因素的正确处理，将成为一个重要 部分。在已有的处理方法中一般都将温度作为一个重要因素。 ( 3 ) 节假日对负荷变化的影响 法定节假日期间的负荷与平时负荷相比，因为工业负荷减少，商业负荷明显增 加，导致负荷出现不同于工作日和正常休息同的特点，但总体来说负荷值是明显 降低了。为确保节假日的j f 常供电，供电部门一般要求提前1 5 2 0 天对节假同负 荷值做出预测，上报上级电力主管部门安排节假日期间发电机的出力。所以对节 假同的预测也是一件十分重要的工作。 因为节假日负荷数据量少，加上受社会、经济和气候等多方面因素的影响，造 成负荷的增长和变化关系不确定，预测时间跨度长，负荷预测的难度较大。由于 无法形成充足有效的样本集，使得神经网络法等智能方法在节假日预测过程中， 预测精度难以满足要求。 图2 8 为斯洛伐克1 9 9 7 年劳动节与劳动节前一天4 月3 0 日工作日的负荷曲线 比较图，图中上面的曲线为工作只曲线，下面曲线为劳动节负荷曲线。从图中我 们可以明显看到两者之间的区别，负荷大小、曲线形状均有差异。所以在进行预 测时，对节假日的处理应当单独进行，这样才可能得到较好的全面的预测准确度。 图2 8 节假日与工作日的负荷比较图 在节假日负荷中，商业负荷和居民负荷所占的比重较大，虽然与周末负荷存 在差异但具有一定的相似处，因此待预测日前的周末负荷可作为预测节假日负荷 的参考。 2 2 电力负荷数据的预处理 2 2 1 负荷数据预处理的步骤 进行短期负荷预测时需大量的历史数据，这些数据大多是通过电力远动调度 系统或电量变送器采集得到，除受到测量设备本身与数据传输中的各种原因影响 外，还存在人为的拉闸限电等因素的影响，使得历史数据可能出现或包含有缺失 的、非真实的和异常波动的情况，通常称此为不良或坏数据。它们有的在数量级 上与正常值相差很大，有的误差超过正常的范围。因为神经网络对不准确数据十 分敏感，在训练时容易陷入局部最小，如果利用这些失真的数据进行负荷建模， 可能会出现以下问题： 1 在神经网络训练过程中，不良数据的存在会导致大量的训练错误，使得神 经网络达不到要求的误差范围，甚至导致预测算法的发散。 2 在神经网络预测过程中，甚至对于已经正确训练的一个神经网络，当将不 良数据作为网络输入量时，会导致较大的预测误差。因此在历史数据作为输入量 输入网络之前，对其进行预处理是十分必要的。数据预处理过程就是在利用历史 数据时，首先对其进行加工处理，剔除不良数据和填补缺失数据，最大限度的消 除不良数据的影响。进一步的数据预处理还可以减少输入向量，避免由于样本数 量的增加和样本数据的不规范而引起的问题复杂性的指数级增长。 ( 1 ) 样本中缺失数据的修补 在对缺失数据的处理过程中可以利用相邻数天的正常数据加以补充，因为不 同日类型的负荷数据差异较大，在修补数据时需要采用相同日期类型的历史数据， 用下式进行加权平均处理： 1 4 x ( d ，r ) = 国l x ( d l ，) + 缈2 x ( d 2 ，) ( 2 1 ) 式中，x ( d ，f ) 表示第d 天第，小时的负荷值，x ( 盔，f ) 表示与第d 天具有相同日期 类型，距离该天最近的f 个r 时刻负荷值，缈，表示加权平均权重，其中：f - 1 ，2 。 ( 2 ) 负荷数据的垂直处理 因为电力负荷变化是有周期性的，所以进行数据预处理时首先要考虑2 4 小时 的小周期，认为不同日期的同一时刻的负荷具有相似性，其负荷值大小应该维持 在一定的范围内，对于那些超出范围的不良数据可采用如下方法进行修正： 秒( r ) 为阀值，即) 为与待处理数据最近的同类型数天，时刻的负荷平均值，即 i ( ，) = 去x ( d j ，r ) ( 2 2 ) 如果i x ( d ，f ) 一i ( f ) i 秒o ) 贝l j 当x ( d ，) i ( ，) 时，x ( d ，f