毕业设计（论文）-BP人工神经网络对青岛电网短期负荷研究.doc

青岛大学本科生毕业论文（设计） The study of short-term load forecasting model of Qingdao power grid摘要电力系统短期负荷预测是电力系统负荷预测的重要组成之一，对电力系统调度、用电和规划具有重要的作用。高精度的负荷预测是增加电力系统经济和社会效益的保证。随着电力企业市场化的深入，降低发电成本，提高电力系统运行的安全性和稳定性成为各电力企业的发展目标。如今短期负荷预测成为各供电部门必不可少的部分并将被赋予更高的要求。本文介绍了负荷预测的基本概念、原理和电力系统负荷的组成、特点以及当前国内外电力负荷预测的基本现状，并对常用的负荷预测模型进行了简单的介绍。由于人工神经网络广泛的应用性和实用性，本文着重介绍了人工神经网络中的BP算法，并选用改进的BP人工神经网络对青岛电网短期负荷进行预测。预测结果让人满意，达到预期的要求。关键字 短期负荷预测 人工神经网络 BP算法AbstractShort term load forecasting of power system is one of the important components of the power system load forecasting, playing an important role in dispatching of Power system, Power consumption and power planning. Load forecasting of high-precision is guaranteed to improve power system economic benefit and social benefit. With the deepening of market of electric power enterprise, reducing power generation costs, improving the security and stability of power system is becoming the development goal of electric power enterprise. Short-term load forecast now become essential part of the electricity sector and will be given the higher requirements.This article describes the basic concepts, principles of Load forecasting and Composition and characteristics of power system load and current situation of Domestic and foreign power load forecast of Basic, and making a simple introduction of common load prediction model, Due to wide applicability and practicality of artificial neural networks, this article focuses on the BP algorithm of artificial neural network，and Select improved artificial neural networks for Qingdao power network short-term load forecasting. Forecast results satisfied and achieved the desired requirements.Key words Short term load forecasting Artificial neural network BP目 录前 言1第一章 绪论21.1 负荷预测的分类21.2 负荷预测的影响因素21.2.1 时间因素：21.2.2 地理因素对负荷预测的影响：31.2.3 工农业等宏观产业用户因素的影响：31.2.4 气候等因素影响：31.2.5 随机因素：41.3 短期负荷预测意义41.4 负荷预测的研究和应用现状41.4.1 时间序列法51.4.2 回归分析法51.4.3 小波分析法61.4.4 专家系统法61.4.5 组合模型法61.4.6 灰色模型法61.4.7 人工神经网络法71.5 本文的主要工作8第二章 电力负荷概论92.1 电力系统负荷的分类和特点92.2 电力负荷的特性分析10221 电力负荷分量构成102. 2. 2 电力负荷的周期特性112.3 影响短期负荷特性的主要因素132.4 电力负荷的特性指标15第三章 人工神经网络理论163.1 神经网络简介163.1.1 人工神经元模型163.1.2 神经网络的激活函数163.1.3 人工神经网络的分类183.2 BP神经网络193.2.1 BP网络的模型与结构193.2.2 BP网络的学习算法203.2.3 BP网络隐含层节点数的确定223.3 BP神经网络的不足与改进223.3.1 BP网络的缺点223.3.2 BP网络的改进233.4 简单BP网络设计实例24第四章 青岛负荷预测实例254.1 数据的归一化处理254.2基于自适应学习速率BP算法的负荷预测25结束语28谢辞29参考文献30前 言所谓的电力负荷预测，就是根据负荷的变化规律及其影响因素来预测未来某一时段的负荷的一种技术。如今，我国电力系统飞速发展，已经在人们的社会生活和国家的经济建设中占有很重有的地位。负荷预测的正确进行，可以让人们有足够的电能来满足生产和生活的需要，让发电部门根据预测量进行发电，这样可以节省许多煤炭资源和不必要的浪费。如果电能的供应出现问题，那么就会影响到断电地区内各个部门的发展，甚至造成更严重的后果。负荷预测对电力系统计划、运行和控制具有重要的意义，在电力市场化的今天具有巨大的经济效益和社会效益。上世纪七十年代起，许多学者就开始对电力负荷预测进行研究，八十年代，由于世界能源紧张，各个国家都在大力的降低能源损耗和提高能源利用率，这种发展模式已经成为世界各国的迫切需求，因此，许多国家都把负荷预测作为电力系统的一个重要的发展方向。之后的几年里，世界各国的电力企业得到了长足的发展，到了九十年代，负荷预测已经成为各国电力发展不可缺少的一部分了。一直以来，国内外学者为了提高负荷预测的准确度，做了大量的考察、研究，提出了许多简单、易于理解的预测方法。电力系统负荷预测的水平与一个国家的电力企业发展水平息息相关，预测水平越高，则电力企业的现代化程度越高。在我国经济迅速发展和电能管理逐步走向市场化的今天，我们面临的一个重要任务就是尽可能的提高我国的负荷预测的精度。本论文以青岛市2009年实际用电负荷为例，考虑负荷变化规律及相关影响因素，建立短期负荷预测模型对一年中某一天的负荷进行预测研究，并在实际预测中取得了较好的效果。32第一章 绪论1.1 负荷预测的分类1.按照时间分类负荷预测按照预测时间长短可以分为长期、中期、短期以及超短期负荷预测。长期负荷预测一般指五到十年为单位进行的预测，预测的时间周期较长，主要用于制定电力战略。长期负荷预测受到当地许多因素的影响，其中受经济、人口、气候等因素的影响较大，负荷预测较困难。中期负荷预测的周期单位一般为五年。主要用于检修计划、调度计划、燃料计划、扩建计划和制定长期运行方式。预测时考虑的未来因素较多，受气候影响较大，这对预测者来说是一个考验。 短期负荷预测主要预测未来一天或一周内的负荷，主要用于系统的生产计划、交换功率计划、电能分配计划和安排系统的短期运行方式等。短期负荷预测主要有日负荷预测和周负荷预测。日负荷预测是预测未来24小时的负荷值，一般将一天24小时划分为96点，对每点进行预测，周负荷预测是预测未来一周的负荷值。短期负荷预测主要考虑天气影响因素和预测日过去几天负荷的变化规律。超短期负荷预测是指预测未来一小时以内的负荷，预测的时间短，主要用于电力系统调度、紧急状态处理、电能质量控制、系统的实时监控和系统的经济运行等。由于预测的时间比较短，所以并不需要考虑气象因素，但天气突变和能影响到负荷变化规律的突发事件要给予考虑。2.按照行业分类负荷预测按照行业可以分为工业类型负荷、商业类型负荷、农村类型负荷、城市民用类型负荷预测以及其他类型负荷的负荷预测。其中，对所有参与工业生产的负荷的预测称为工业类型负荷预测；对所有参与商业服务的负荷的预测称为商业类型负荷预测；对农村所有生产和生活负荷的预测称为农村类型负荷预测；对城市所有生活负荷的预测称为城市民用类型负荷预测；而其他类型负荷预测则指对除以上负荷以外的其他负荷的预测，比如军队用电、政府用电以及一些公共场所等负荷的预测。3.按照负荷特性分类按照负荷预测特性的各不相同，可以将它们分为最高负荷、母线负荷、负荷峰谷差、低谷负荷、最低负荷、平均负荷、平峰负荷、高峰负荷、全网负荷、负荷率等类型的负荷预测，来方便电力部门的管理工作。1.2 负荷预测的影响因素如今，我国各省尤其是沿海地区都在被电力资源的紧张而困扰，尽管国家这几年为了解决这一状况而大力建设电站，但很多地区还是经常出现停电的状况。其根本原因就是电力系统的建设跟不上经济的快速发展对电的需求。对于短期的用电量，由于各种不同因素的影响，可能会有起伏较大，难免会出现拉停电的现象。因此，做好短期负荷的预测工作就显得尤为重要了。1.2.1 时间因素：现在时间因素对负荷的影响越来越大。其中有三种时间因素对负荷预测的精度有重要影响，它们是季节因素、周因素和节假日因素。其中季节因素和气候条件有不少联系，而周因素与工作日关系密切，时间因素中最难预测的是节假日。在我国有清明节、“五一”、“十一”、元旦、春节、中秋节、端午节，这些节日对负荷预测的精度有很大的影响。春节期间应该是负荷变化最大的时候，许多公司、工厂放假，民用负荷占负荷总比重大。“五一”、“十一”等虽是法定节日，但是由于补休政策，这就导致一些企业并非按常规假期休息，具有很大的灵活性和随机性，从而负荷波动大。 1.2.2 地理因素对负荷预测的影响：在一个大区域下，不同的环境有不同的负荷，这就是所谓的地理因素。例如一个城市的不同地区在负荷预测上就应该用不同的方法来对待，如新老城区，老城区内的用电设备由于年限比较久远，所以故障次数、输电损耗等都可能都会增加预测的难度，这一点必须考虑在内。同样，新市区电力设备新，所以故障次数、用电损耗肯定比较低，但是由于新城区发展快，每年的复合增长率变化较大，增加了预测的困难，在负荷预测是也应该考虑到这点。1.2.3 工农业等宏观产业用户因素的影响：工农业等宏观产业因素有：工业类型及生产水平、地区的人口密度、电器设备的特性和数量、国家政策的发展变化，此外，电力系统的管理政策也将对负荷变化产生影响。其中对电力系统的影响最重要的因素为国家的经济政策，因为国家的政策决定了一个地区大发展规模和发展方向。例如，国家在一个地区投资建设大型的钢铁厂等高耗电量的企业，那么由于大用电用户用电的无序性，肯定会增加负荷预测的困难程度，使相关部门难以掌握相关规律，从而影响负荷预测的准确性。1.2.4 气候等因素影响：家庭上用的电风扇、空调、冰箱、洗衣机等都属于电力系统中的气候敏感负荷；由于天气的干旱或洪涝导致农业上的灌溉条件发生变化，以及因为温度、湿度的影响农业设施需要做出调整，这些都会引起负荷的变化。其中温度是所有气候因素中对负荷变化规律影响最大的。气候因素在具体的算法中需要按照预测时间的长短分别进行考虑，对于长期负荷预测我们需要考虑季节性气候的变化，甚至全球气候的变化趋势。对于短期的负荷预测，我们可以考虑当时的温度、湿度等。以短期负荷预测为例，在负荷预测时应该考虑的因素主要有以下几点：预测日前五天的最高、最低、平均温度和预测日当天的最高、最低和平均气温；预测日的降雨量及预测日前五天的降雨量。这样虽然数据多，但会更精确。同时为了气象数据被充分利用，还应记录每小时的温度、风力、降水量等即时数据，并对数据做量化处理，以便在预测模型中使用，但数据对不同的模型的影响程度不同。1.2.5 随机因素：许多自然灾害都会导致负荷预测出现偏差。比如前几年的的雪灾、四川汶川大地震等，这些自然灾害的发生都是没有预兆的，从而增加负荷预测的困难程度。还有就是数据传递过程中可能出现错误，因为我国目前还没有完善的实时气象数据传输系统将气象数据传递到有关部门进行负荷预测，从而导致负荷预测时所用的数据可能缺失或者延后，所以预测结果会出现偏差。1.3 短期负荷预测意义电力系统负荷预测是电力系统经济运行的基础，是发电厂和供电局制定发电和供电计划的重要组成部分，是电能合理分配必要前提。在当前电力供应紧张和迅速发展的情况下，合理有序的进行电力系统规划和扩建和运行就显得相当重要。负荷预测就是以负荷预测的方法为基础，并考虑各种影响因素和负荷变化特性来预测未来某天或某一时段的负荷值。电力系统的调度部门在整个电力系统中起着重要的作用，它能保证电能的优质性和系统运行的经济性，且具有较强的处理事故的能力。系统的负荷预测是电力系统调度的重要内容之一，较高精度的负荷预测，可以对电网内机组的启停和检修计划做出合理的安排，让各项工作稳定有序的进行，保证全社会的正常生产和运转。短期负荷预测主要有以下几点意义：1.确定电厂供应燃料的计划；2.可以提前对发电机组的出力进行预测，使对发电机组出力变化得以预先估计；3.可以对发电机各机组的启停和检修计划做出合理地安排。如今，各国都在进行电力负荷预测，该技术的推广为各国节省了很多电能和煤矿资源，因为如果对未来某一时段的用电量有了一个大体的认识，那么无论在发电上还是在供电上都有了量度，不会多发电，也不会少发电，这就是负荷预测带来的好处。1.4 负荷预测的研究和应用现状上世纪七十年代初人们开始对电力负荷预测进行研究，至今已有较长的历史，八十年代，由于能源短缺致使人们对负荷运行的经济型和安全性提出更高的要求，这使得负荷预测日一被各国的学者所重视。到了九十年代，世界各国争相大力发展电力市场，人们对负荷预测更加重视。一直以来国内外的许多学者、专家在预测理论和方法方面取得了很多广为应用的成果。这些成果表现为两大趋势：一种是灵活运用新理论进行电力负荷预测，如小波分析法、神经网络、模糊控制、遗传算法等；另一种就是将各种算法的优点进行相互结合，用一种算法的优点去弥补另一种算法的缺点，达到优势互补，来提高预测的精度。下面来大致介绍一下几种主要的预测方法。1.4.1 时间序列法时间序列法是被公认的最经典、最成熟的一种短期负荷预测方法。时间序列法预测的基本步骤如下：1.取一个样序列作为样本，这个样本的长度为N。2.首先判断这个样本序列的稳定性，若这个样本序列不稳定，则需要将这个不稳定的样本序列通过差分方程转化成稳定的序列，但差分次数不要过多，一般最多为三次，直到样本的自相关系数衰减到零时，则停止差分。3.差分成功后，在对样本序列进行零均值化处理。并求相关系数。4.建立模型并对各种参数进行估算。如果负荷按正常的规律进行变化并不受其他干扰，此方法可以取得良好的效果；若这些因素发生突变，时间序列分析法的预测精度将会受到一定的影响。1.4.2 回归分析法回归分析法是通过研究两个或两个以上变量之间的相关关系对未来进行预测的一种数学方法，它既提供了建立变量之间相关关系的数学表达式的一般途径，又可以对所建立的经验公式的适用性进行分析，使之能有效地用于预测和控制。回归分析法优点在于可以很快的找到几个变量之间的关系，并用数学表达式表示出来；它还能通过一个或者几个变量的值来预测另外一个或者几个变量的值且有较高的预测精度。回归分析法主要是根据两点来预测未来时刻的负荷值，一个是负荷变化的影响因素，另一个是历史数据。简单的线性回归分析法的模表达式如下：其中，x(t)为t时刻对负荷变化起影响作用的变量因素，y(t)是t时刻的负荷, 和为模型的回归系数。该模型为简单的线性回归模型，但对于复杂的负荷预测，可能会用到非线性回归模型。回归分析法的优点是原理和结构都不复杂，易于人们理解，具有良好的外推特性和较快的预测速度，对以前从未出现过的情况有较好的预测值。回归分析法也有缺点，比如对过去的数据有较高的要求、用线性方法预测比较复杂的情况误差大，影响负荷的因素考虑的少，初始化时难度大，对经验和技术的要求高等。回归分析法也是被人们应用较多的方法之一。1.4.3 小波分析法 小波分析法是当今大量学者正在研究的一个热门方法。它是在傅里叶分析的基础上发展而来，但又与傅里叶分析有许多不同之处。福利也分析法有很多优点和缺点，小波分析法取其优点去其缺点，这使得此方法被广泛的应用到各种领域去，比如信号和图像处理系统、机器故障和诊断系统等。它的局部化特性好，自我调节能力强，并且灵敏度高，从而可以处理非常微弱的信号。小波分析法能将不同频率的混合信号分解成不同频上的信号，可以有效的应用到负荷预测的研究上。1.4.4 专家系统法专家系统法是汇集负荷预测人员的经验知识，总结出一系列的规律，对过去几年的负荷和气候数据进行分析，所以有经验的工作人员才是此方法中的关键因素。由于专家系统将天气因素引入到预测模型中，所以考虑的因素比较全面，因而具有较好的预测结果。专家系统预测对天气等因素对负荷的影响具有较好的处理能力。专家系统法的关键在于充分利用人类的多年的经验，若和它与其他方法结合起来进行负荷预测，可以大大提高预测的精度，并得到较满意的结果。在特殊的节假日以及有重大活动和突发事件的时候的荷预测离不开预测人员的丰富的经验和判断能力，但是专家系统法的专家经验的全面获取非常困难的，而且运算速度也不快。现在应用技术并不成熟，不能推广到所有的系统。1.4.5 组合模型法组合模型预测主要分为两类：一种是在不同的阶段选择不同的预测方法进行预测，充分发挥各自的优点，弥补各自的缺点，互为补充。比较常见的几种组合有：人工神经网络与时间序列法的组合，人工神经网络与线性回归法的组合，人工神经网络与小波分析算法的组合。这种方法组合了多种预测模型，可以得到较高的精度，使用这种方法时需要对各种算法适用于什么阶段有一个充分的认识。另一种是用每种算法单独进行预测，并对各种算法得到的结果的和求平均值，用该平均值作为最终的结果。其缺点是比较难确定其权重，不能将所有的影响因素考虑在内，降低了负荷预测的精度。1.4.6 灰色模型法灰色模型法首先是由我国著名学者邓聚龙提出，80年代后，这种方法得到了飞速发展，如今，这种方法已经成功用于负荷预测，预测结果比较满意。建立需要预测的负荷值和历史数据列之间的微分方程是灰色系统理论的关键，然后在进行相关参数的计算。灰色系统理论里面的变量称为灰色变量，所谓的灰色变量就是指在一定的范围内变化的随机变量，此方法将各种没有任何规律的原始数据整化成具有规律性很强的数据。当建立的微分方程被用作电力系统负荷预测时，我们称所得的时间响应函数表达式为灰色预测模型。此法适用于短、中、长三个时期的负荷预测，应用范围广，但对于具有其它趋势的指标则由于拟合灰度较大导致精度不高。灰色模型法预测的步骤：1.输入原始序列为2.对历史数据进行处理 其中k=1,2n3. 对处理后的数据建立预测模型，得到预测结果： (k=0,1,2(n-1),n)4.还原处理当次预测结果。5. 对残差进行检验，若精度达不到要求，则取出该残差建立残差序列。6.用残差数据建立模型。7用处理后的数据建立的预测模型修正残差序列建立的预测模型。8再一次对模型进行预测分析。灰色模型法具有运算比较方便、预测精度高、要求负荷数据少、不用考虑变化趋势、检验比较简单等诸多优点，因此在实际中得到较好的应用。1.4.7 人工神经网络法二十世纪40年代，科学家们创立了MP模型，该模型将神经网络和数学模型结合在一起，是人工神经网络的前身。到了60年代，随着人们对人工神经网络的进一步研究，功能更好、更强大的人工神经网络模型被提出。以上每一次的研究成果都对人工神经网络的发展起到巨大的推动作用，为神经网络的发展打下了基础并指明了方向。二十世纪八十年代，又有人提出了连续时间Hopfield神经网络模型，该模型使得人们对神经网络的研究有了突破性的进展。从此以后，人工神经网络的研究开始受到了各个国家的重视，从美国开始的“脑的十年”，再到日本的“真实世界计算（RWC）”项目，人们对人工智能的研究已经成为当今世界科技发展的重要方向之一。近年来，人工神经网络正在向更深更远的方向发展，并与回归模型法、模糊系统法相结合。如今，神经网络法已经成为最受欢迎的算法之一，但仍有很大的空间需要学者们去研究和探索。人工神经网络是一种可以模拟大脑神经元进行信息传递和处理的人工数学模型，这种模型具有高度的智能化和并行性。神经网络有许多节点，这些节点类似于大脑里的神经元，这些节点相互连接形成一个网络模型即人工神经网络模型。人工神经网络应用的领域特别广泛，例如数据预测、智能机器人、自动控制等。人工神经网络已经渗入到人们的社会生活中。随着科技的进步，人们对人工神经网络的认识和应用会进一步提升。人工神经网络法就是以以前某一段时间的数据为训练样本来训练网络模型，得到合适的权值和阈值，再对未知的数据进行预测。人工神经网络的记忆性好，鲁棒性强，可以逼近任意复杂的函数，可以学习复杂的数据关系，掌握事物的发展规律，建成有很强处理能力的网络模型；但神经网络法也有缺点，有时神经网络的收敛速度较慢且可能陷入局部极小值，从而井底训练速度和精度。 1.5 本文的主要工作如今世界各国经济发展迅速，能源逐渐紧缺，各国把节约能源作为经济发展的重要指标之一。准确的负荷预测能提高电力系统运行的经济性，降低能源损耗并方便调度部门执行相关工作，因此负荷预测方法的研究成为各国重点发展的对象。由于人工神经网络的BP模型是所有预测模型中应用最广泛的一种预测模型，所以本文主要通过人工神经网络的BP模型的短期负荷预测方法对青岛市未来一天中96点负荷值进行预测。同时本文也阐述了人工神经网络的原理、算法和基本的特点。第二章 电力负荷概论2.1 电力系统负荷的分类和特点电力系统的负荷变化有很强的随机性和周期性，电力负荷一般会按一定的规律发展变化，但是在受到其他众多因素影响的时候，随时可能发生波动。负荷变化与许多因素有关，其中比较重要的有气候因素、政治因素、环境因素等。因此在进行负荷预测时，要根据负荷变化和这些影响因素的关系，充分掌握它的变化规律，使负荷预测的结果达到较高的精度要求。电力负荷一般可分为城市民用负荷、农村负荷、商业负荷、工业负荷以及其它负荷。1. 城市民用负荷城市民用负荷主要是城市居民照明、做饭、取暖、降温等活动所使用的电量，这些电量构成了城市居民的家用负荷。随着社会经济的快速发展，居民生活水平的日益提高，空调、电脑、家庭影院等这些家用电器被更加广泛地应用，城市民用负荷在总负荷中占的比重会越来越大。又因为这些家用电器的使用随季节的变化幅度大，使之成为在负荷预测中重要的因素之一。城市民用负荷对于短期负荷预测的影响主要体现在节假日上，一般工作日城市民用负荷在总负荷中占得比重低，而节假日（包括双休日）占的比重高。2. 农村负荷农业负荷是指农民日常起居所用的电量和农忙时节所用的电量，在总负荷中，此类负荷占的比重比较小。由于农业生产受气候、地理位置等影响较大，所以农业负荷也受这些因素的影响。在夏季农忙季节用电量多，冬季用电量少，雨季用电量要少于旱季，所以农业用电在季度内和年度内负荷变化较大，有时甚至会出现用电紧张的状况。随着我国农村的迅速发展，现在农村的用电量也在逐年的大幅度增加。农村用电量的多少也是反映一个国家或地区发达程度的标志之一。3. 商业负荷商业负荷主要是指餐饮、娱乐部门等从事商业或为商业服务的一些其他行业提供动力、照明、通风和空调等用电负荷。商业负荷用电增长平稳但受季节影响大，对每天的负荷高峰有较明显的影响作用。而且商业负荷受节假日影响大，每当节假日来临时，商业负荷就会增加，因为此时商业会增加营业时间，因此节假日对商业负荷的影响是很大的。虽然商业负荷在总负荷所占的比重不如农业负荷和工业负荷，但是近几年，我国商业发展迅猛，许多商业企业在全世界都占有一席之地，如海尔、联想等。在这些大企业的带动下，我国商业负荷占的比重也会日益增加。4. 工业负荷工业负荷是指所有工厂，车间生产所用的电量。在我国工业负荷的比重在用电总比重中为第一位，这是因为工业负荷数量多，而且全天连续工作生产，所以工业负荷全天变动较小，受气候因素影响较小，但也不能说它完全不受气候的影响，高温时节，还需要足够的电量来降温和防暑。工业负荷的特点主要有如下两个：1.占全国用电量比重大，目前我国工业用电占总用电量的70左右。2.工业用电稳定。一般情况下，工业用电中除部分生产企业受季节影响大外，负荷都是基本上不变的，很多工业负荷都是全天生产。由于工业用电量大且稳定，所以对工业负荷的预测是最简单的。当然，有时也会受当地气象条件的影响。5. 其他负荷其他负荷主要包括政府办公所用的电量、城市路灯所用的电量、军队所用的电量等，这些负荷的特点都很鲜明，也都是必不可少的，但在总负荷中所占的比例都非常小，且不易受其他因素的影响。例如城市的路灯，每天都是固定的时间段开，风雨无阻，与气候无关，与温度也无关，但若是没有路灯，所有的城市都会陷入黑暗，这会给城市居民的生活造成很大的影响，随着我国城市化的进一步发展，这种公共事业负荷会进一步增加。2.2 电力负荷的特性分析准确的负荷预测可以更好的生产和分配电能，降低经济和资源损耗。因为电能无法大量的存储，所以它和其他的一般行业不同，电能的生产、运输、消费必须在同时进行。国民经济建设一刻也离不开电能，但发电站建设投资大，建设周期长，这就使得电力负荷预测显得尤为重要。所以这就要求我们对电力负荷的特性进行分析，得到符合精度要求的负荷预测值，更好地促进国民经济的快速稳定发展。221 电力负荷分量构成电力系统的负荷都直接或间接地受到各种因素的影响。在对未来的负荷进行实际预测时，我们只需考虑几个影响较大的因素。这是因为我们不易得到许多影响因素的具体数据，而且考虑太多的因素会导致运算过程过于复杂，增加建模的难度。因此，只需取其中几个影响比较大的因素。即正常负荷分量、气候敏感负荷分量、特别事件分量和随机分量。公式如下：上式中：Y(t)代表t时刻的总负荷量;N(t)代表t时刻的正常负荷分量；S(t)代表t时刻特殊事件分量；R(t)代表t时刻随机分量；W(t)代表t时刻气候敏感分量。1、典型负荷分量典型负荷分量是主体，它可以代表负荷变化的基本特点，且有很强的周期性，周期因素中的时间周期因素对负荷预测具有较大的影响。对负荷预测来说，时间周期因素中的日周期因素和周周期因素主要影响短期负荷预测的精度，而时间周期因素中的月周期因素和年周期因素主要影响中长期负荷预测的精度。典型负荷分量在总负荷分量中占的比重最大，是最基本的负荷分量。2.天气敏感负荷分量天气敏感负荷分量主要是受各种天气因素影响的负荷，如温度、湿度、降雨量等天气状况。一般情况下，气候条件中的温度对对负荷的影响最大，所以冬夏季的负荷要高于春秋季，从而使负荷形成周期化变化的趋势。其他气候因素对负荷预测的影响较小，如果要求不高的话，负荷预测时可以忽略这些气候因素。气象因素对负荷预测具有较大的影响，准确的气象预测也是提高负荷预测精度的一个重要因素之一。3.特殊事件负荷分量特殊事件负荷分量是指一些特殊事件的发生所附加产生的负荷，如政治事件、线路故障、供电紧张等。它能使负荷曲线偏离典型负荷特性曲线，这些事件具有很大的随机性和不确定性。需要由相关人员参与处理并决定解决方法。特殊事件分量在总负荷分量中占的比重较小，一年中发生的次数有限。但若不考虑此因素，会对负荷预测的精度造成很大的影响。4.随机负荷分量随机负荷分量是是除以上各分量外的其他分量，随机负荷分量在总负荷中所占的比重最小，是负荷中无法解释的部分，但是许多算法都可以将随机负荷分量很好的结合到算法中，不会降低预测的精度。例如人工神经网络，它具有很好的线性逼近能力和智能化处理能力，不会受到随机负荷分量的影响。电力负荷具有周期性和连续性的特点，一般不会跳跃很大，负荷变化也会对电价进行响应，用电高峰的时候电价高，低谷的时候电价低，这样会促使用户在电价较低的时候使用电能，这样做可以起到移峰和填谷的作用。典型负荷是电力负荷的基础，基本不发生大的变化，但各地的典型负荷有时也各有差异，这是由于各地组成典型负荷的成分不同引起的。主要体现在如下两个方面：一是各地区组成典型负荷的负荷成分所占的比例不同，二是组成典型负荷的负荷种类不同。为了更好地达到较高预测精度的目的，应该对电力负荷有较深刻的认识。 2.2.2 电力负荷的周期特性人是用电的主体，人们的日常生活具有规律性，所以电力系统负荷的变化也具有规律性，负荷变化的规律性主要表现在周期性上。所谓的负荷变化的周期性就是指负荷的变化曲线在一定的时间内重复发生。在只考虑典型负荷分量的情况下，负荷的周期性可以分为负荷的年周期性、周周期性、日周期性及节假日特性。1负荷变化的年周期性负荷变化的年周期性是指以年为周期来表现负荷变化规律，通过观察每年的负荷变化来寻找负荷变化的年周期性规律。这种周期关系与季节息息相关，这是由于人们的日常活动与季节关系密切。比如冬天的时候气温很低，人们都在室内取暖，许多大功率的取暖设备投入运行，负荷高；而在夏季，温度较高，许多大功率的降温、防暑设备投入使用，此时负荷也高。所以全年冬夏季所用负荷多，春秋季所用负荷低。下图为一年内某地区的负荷变化曲线： 图2.1 年负荷曲线2.负荷变化的周周期性所谓的负荷的周周期性就是把七天作为一个周期来表现负荷变化规律，通过观察连续几个周的负荷变化来寻找负荷变化的周周期性。在一周中，一般周一到周五的工作日中负荷变化具有相似的特点，而周六和周日的周末日中负荷变化具有相似的特点，但工作日和周末日的负荷变化特点并不相同，这主要是由于工作日期间，工业负荷占主要地位，一般工业负荷比较稳定，变动不大，因此工作日的负荷变化具有相似性；周末日时，居民生活和娱乐用电所占比重上升，工业负荷所占比重大幅度下降，因此周末日负荷具有不同于工作日负荷的地方。一般情况下，周末日负荷较低而工作日负荷较高。下图为负荷的周周期性图：图2.2 周负荷曲线3.负荷变化的日周期性负荷的日周期性是以24小时作为一个周期，并通过观察连续几天的负荷特性变化来寻找负荷变化的规律性。每天的日负荷变化有一定的规律性，一般分为三个阶段。第一个阶段是峰荷期间，这个阶段一般在白天，无论是商业、工业还是农业都在生产，所以此时的负荷明显高于其他的时段；第二阶段为腰荷期间，此阶段一般是接近傍晚时段，人们的生产活动逐渐结束，负荷开始回落，处于过渡阶段，且持续较长时间；第三个阶段为谷荷期间，此时间段内人们大多都在睡眠期间，只有那些必须运行的负荷构成用电负荷，是一天中负荷最低的一个阶段。下图为典型的日负荷曲线：图2.3 日负荷曲线4.负荷的节假日特性节假日负荷特性与一般的工作日负荷特性差别较大。节假日大多数工厂放假，许多人出去旅游，所以节假日期间工业负荷下降，商业负荷上升，但总体来说，节假日负荷要低于工作日负荷。2.3 影响短期负荷特性的主要因素1.温度对短期负荷特性影响温度是影响短期负荷的主要因素之一，一个地区短时间内温度发生较小的变化，可能就会导致此地区的负荷发生变化。当温度急剧升高时，会有大量空调运行来降温，总用电量也会急剧增大，日负荷曲线升高，因此，当前很多负荷预测模型也都将温度作为一个考虑在内的重要因素之一，尤其是在对短期负荷的预测中。下图为某地区当天最高气温和当天最高负荷的关系表：表2.1 温度和负荷值关系表日期最高气温负荷最大值6月10日24191.76月18日25197.646月15日27208.676月29日29220.777月11日31231.817月9日32238.537月13日33245.457月10日34252.577月12日35260.147月15日36267.433月15日12178.22月28日11183.362月17日10188.52月5日8199.431月6日6211.21月9日4223.451月11日2234.41月13日0247.052. 天气状况对短期负荷特性的影响一年中会有很多不同的天气状况，例如下雨、下雪、干旱等，这些天气状况也对负荷预测有一定的影响。夏季大雨，可以减轻干旱，减少灌溉所用的负荷。相反，如果遇到干旱，灌溉所用的负荷就会增加。因此，掌握好天气状况可以更好地了解负荷的变化特性。3. 作息时间对短期负荷特性的影响根据人们日常生活中的作息规律，一般白天正常工作时负荷很高，但负荷最大值会出现在晚上，等到人们都睡觉后负荷达到最低值，即负荷最小值出现在午夜。可见，人们是导致一天中负荷发生变化的主体，人对负荷的变化起主导作用。4.生产工艺对短期负荷特性的影响许多大企业、工厂连续性生产电力负荷非常稳定，负荷变化很小，如冶金、化工等。三班制生产工业负荷一般也很平稳，可能只有在交班的时候出现略微的下滑。一班制负荷主要在白天工作，下班后工厂停产，所以夜间负荷很小，日负荷变化大，这也是导致短期负荷变化的重要原因之一。5电价对短期负荷特性的影响电价对负荷变化也有一定的影响，电价高，用电的人就会减少，电价低，用电的人就会增加，这样就可能会造成用电紧张，所以需要采取一定的措施来合理的利用电能。国家推出的“分时电价的政策就是一个很好的措施，负荷高峰时电价高，负荷低谷时电价低，这样可以充分的利用电能，起到转移峰荷的作用，并缓解我国电力紧张的状况。这也是在我国国情下做出的非常有效的决策。随着我国国民经济的进一步发展，我国对电能的需求量会进一步增大，在增大发电量的同时，更好更合理的电价政策被提出并应用也是社会经济发展的必然。2.4 电力负荷的特性指标电力负荷的特性指标可以反映负荷变化的规律，对于分析和预测负荷变化的特性具有重要的意义。下面是几种基本的负荷特性指标。1.最高负荷和最低负荷：记录下的负荷中，数值最大和最小的负荷值；2.平均负荷：一段时间内总负荷的平均值；3.平均日负荷率：总报告期日负荷率与总天数的比值；4.峰谷差率：5.最小负荷率： 6.负荷曲线：在坐标图上表现出负荷的变化规律。近年来我国电力事业发展迅速，但某些地区仍然出现电能的供需矛盾和低质量的电能问题，这就要求我国应对负荷特性有足够大的重视。目前我国还没有完善的负荷特性指标体系，没法进一步准确的掌握负荷变化的规律，这也应该是我国未来几年电力发展的方向之一。 第三章 人工神经网络理论3.1 神经网络简介人工神经网络（ANN）是在现代神经科学的基础上发展起来的，可以模仿大脑神经元的功能来处理信息，智能化高。人工神经网络具有类似人脑的联想记忆功能，可以逼近任意复杂的非线性函数，实时性好。人工神经网络具有较好的预测精度，在电力系统负荷预测中的应用非常广泛。3.1.1 人工神经元模型人工神经网络的神经元模型如下：图3.1 神经元模型人工神经元是人工神经网络的基本组成部分，它一般是一个多输入单输出的元件，且为非线性的。影响神经元输出的因素有很多，主要受输入信号的影响，但有时也会受到自身内部因素的影响。因此，一般在输入信号中加入一个偏差，该信号的加入可以更好的考虑各影响因素，并且能便于初始值的选择，建立起预测精度较好的神经网络模型。3.1.2 神经网络的激活函数神经网络的激活函数是用来得到不同的输出结果，一般分为阈值型激活函数，线性函激活数、对数S型激活函数和双曲正切S型激活函数。激活函数都各有自己的输出特点。阈值函数可以将输入转换为0或1，线性函数可以将输入转化为任意输出，S型激活函数可以将输入转换为（0,1）之间的输出。1. 阈值函数阈值函数的输出不是连续的，且只能是0或1，可用于对输入进行分类，此函数的输入/输出关系为: 图3.2 阈值函数MATLAB函数为hardlim，而函数hardlims可以使任意的输入转化为-1或1的输出，也适用于对输入的分类。2.线性函数线性函数可使网络的输出可为任意值，一般等于权值输入的乘积加上偏差，函数的输入/输出关系为:图3.3 线性函数3.S型激活函数S型激活函数的输出一般在（0,1）之间，但输入可为任意值，一般单隐含层的人工神经网络都采用S型激活函数。|n|较小时可近似线性函数，|n|较大时可近似阈值函数，且S型激活函数无限次可微。对数函数：图3.4 对数S型激活函数双曲正切函数： 图3.5 带偏差的双曲正切S型激活函数S型激活函数灵敏性高，能处理微弱的信号。一般看一个网络是线性还是非线性主要看该网络的激活函数是否为线性。S型激活函数的MATLAB函数为logsig(对数),tansig(正切)。3.1.3 人工神经网络的分类神经网络具有复杂的相互连接形式，不同的连接形式将对网络产生不同的影响。一般神经网络可以分为前向网络和反馈网络，它们的连接形式不同。前向网络又可进一步分为单层和多层神经网络。前向网络的单层神经网络是由多个神经元相互连接而成，结构简单，每个神经元都有一个输入和一个输出，输入和输出没有任何关系。前向网络的多层神经网络的层数并非一个，一般至少两个，层数的增加会使训练时间增加，也增加了选取隐含层权值数量的难度。多层神经网络的线性逼近能力强，可以解决复杂的非线性逼近问题。而反馈网络的特点是输出信号和输入信号相互连接，网络的输出值对输入有直接的影响，从而使网络表现出暂态的特性。 图3.6 前向三层神经网络图3.7 反馈神经网络3.2 BP神经网络3.2.1 BP网络的模型与结构上世纪80年代中期，神经网络得到飞速发展，科学家麦克利兰和鲁美尔哈特提出了多层前馈网络的反向传播学习算法(BP-Back propagation)，后来简称BP算法。以BP网络模型作为算法进行相关计算的神经网络称为BP神经网络。BP神经网络采用信息正向传播和误差逆向传播的算法训练网络，如今被应用到的领域很广泛。BP网络采用梯度下降法来求取权值的变化，通过多次训练，直到权值达到期望值，使网络的误差平方和最小。工作流程图如下： 图3.8 Bp工作流程图BP神经网络的典型结构一般包括三层，如输入层、隐含层和输出层。常见的BP网络结构有多输入单输出结构和多输入多输出结构两种，BP网络可以逼近任意非线性函数。因为S型激活函数具有非线性放大功能，可以把负无穷到正无穷的信号转化为（-1,1）内的任意实数，所以S型激活函数可以用于非线性函数的逼近，一般作为神经网络隐含层的输出函数。下图为一个典型的BP网络的模型图：图3.9 BP网络模型3.2.2 BP网络的学习算法权值和阈值的调整采用误差反向传播算法(back propagation). 反向传播算法由两部分组成即信息的正向传播和误差的反向传播。从输入层输入信息后，逐层对信息进行处理和传播，信息输出后就与期望值比较，如果两者不相同，则进行修正，即进行误差反向传播。反向传播时，把误差信号按原路传回，并对隐含层的权值和阈值进行修正，直到达到期望值。图3.10 单隐含层神经网络模型以上图为例进行BP算法推导，其中P为输入，A为输出，输入神经元为s1个，输出神经元为s2个，f1和f2分别为输入输出激活函数。1.BP网络的初始化；给各层的权值和阈值进行初始化，赋予（0,1）内任意的随机数。并对其他参数设置初始值，如给期望误差最小值和最大训练次数等。2.计算神经网络各层的输出值和网络误差e；信息的正向传播：1.隐含层中第i个神经元的输出结果：2.输出层中第k个神经元的输出结果：3.误差函数：3.计算各层误差反向传播的误差变化和权值、阈值的变化；误差的反向传播：1.输出层的权值变化和误差变化：;2.隐含层权值和误差变化：;3.计算修正后的误差平方和E；4.计算出误差平方和E后与误差期望值相比较，若误差小于误差期望值或者训练次数大于设定的最大次数则训练结束，否则继续进行信息的正向传播和误差的反向传播来修改权值和误差。3.2.3 BP网络隐含层节点数的确定由于网络的传递函数为S型非线性激活函数，当|x|过大或者过小时，函数值变化缓慢，趋于饱和状态，不利于权值和阈值的修正。所以需要对网络的输入、输出进行归一化处理，使的输入、输出在（0,1）之间。单隐含层的BP网络的函数逼近能力好，且BP网络的隐层数一般不超过两层.层数再多会增加网络的复杂程度，更不利于函数的逼近。 一个典型BP神经网络一般由三