（控制理论与控制工程专业论文）电力系统短期负荷预测方法研究.pdf

中文摘要 电力系统负荷预测己成为实现电力系统管理现代化的重要研究内容之一，尤 其是短期负荷预测，在电力系统的生产和运行中发挥着重要作用。未来某一时刻 的负荷，通常与过去的负荷水平、当前的运行状况、预测期的气象因素以及日期 类型等密切相关。但是，当前电力系统行业的短期负荷预测普遍存在着预测方法 单一，没有经过模型比较来确定适合于某地区的最佳预测方法，不能精确反映未 来负荷走势。针对上述问题，本文做了如下研究工作： 首先，对电力系统短期负荷预测方法进行了回顾，为了验证气象因素对预测 水平的影响，以安顺市电力系统为例，根据负荷数据特点及其影响因素，建立两 种人工神经网络预测模型。仿真结果表明，考虑天气因素影响后的模型预测精度 要高于只考虑历史负荷影响模型的预测精度。 其次，针对b p 神经网络预测模型中传统b p 算法预测精度不高，收敛速度慢 的缺点，采用改进的l e n v e n b e r g m a r q u a r d t ( l m ) 算法，对短期负荷预测模型 进行了重建，并通过仿真验证了改进算法后的模型与基于传统算法的b p 神经网 络模型相比，训练速度显著提高，能迅速收敛并达到预测精度要求。 最后，由于神经网络对训练负荷样本要求比较高，如果选择的样本没有反映 负荷的变化，则预测精度反而会降低。针对这一现象，综合考虑各阶段负荷变化 是否受气象因素的影响，建立小波一b p 神经网络组合模型。仿真结果表明：组合 模型运用于电力系统短期负荷预测，是对单一模型与单一算法的更进一步的改进 和优化，预测精度高，预测效果好。验证了理论的正确性和各种方法的有效性、 差异性。 关键词： 电力系统短期电力负荷预测人工神经网络小波分析组合预测 a b s t r a c t p o w e rs y s t e ml o a df o r e c a s t i n gh a sb e c o m eo n eo ft h ei m p o r t a n tr e s e a r c h c o m p o n e n t so ft h ep o w e rs y s t e mm o d e r n i z a t i o n e s p e c i a l l y , t h es h o r t t e r ml o a d f o r e c a s t i n gp l a y sa l li m p o r t a n tr o l ei nt h ep r o d u c t i o na n do p e r a t i o no ft h ep o w e r s y s t e m l o a do fn e x tp e r i o di sc l o s e l yr e l a t e dt oh i s t o r i c a ll o a d ，c u r r e n to p e r a t i o n s t a t u s ，m e t e o r o l o g i c a lf a c t o ro ff o r e c a s t i n gp e r i o da n dt h et y p eo fd a t e h o w e v e r , t h e u n i t a r yo ft h es h o r t t e r ml o a df o r e c a s t i n gm e t h o d se x i s t su n i v e r s a l l yi nt h ec u r r e n t p o w e rs y s t e mi n d u s t r y m o d e lw h i c hi sn oc o m p a r i s o nb e t w e e no t h e rm o d e l si su s e d f o rap a r t i c u l a ra r e at od e t e r m i n et h eb e s tf o r e c a s t i n gm e t h o d sc a nn o ta c c u r a t e l y r e f l e c tt h et r e n do ft h ef u t u r el o a d t od e a lw i t ht h ea b o v ep r o b l e m s ，t h ep a p e rd o e s t h ef o l l o w i n gw o r k ： f i r s t l y , t h em e t h o d su s e dt of o r e c a s tt h ep o w e rs y s t e ml o a da r er e v i e w e d t o v e r i f yt h ee f f e c to fw e a t h e rf a c t o r st ot h el e v e lo ff o r e c a s t i n g ，t a k i n ga ns h u nc i t y s p o w e rs y s t e m f o re x a m p l e ，t w oc l a s s e so fa r t i f i c a ln e u r a ln e t w o r km o d e la r e e s t a b l i s h e db a s e do nt h ec h a r a c t e r i s t i co fl o a dd a t a c o m p a r i s o ni sc a r r i e do u t b e t w e e nt h et w om o d e l s ，a n dt h er e s u l t ss h o wt h a tt h em o d e lc o n s i d e r i n gt h ew e a t h e r f a c t o r sh a sah i g h e ra c c u r a c yt h a na n o t h e r s e c o n d l y , t od e a lw i t ht h ed i s a d v a n t a g e so fl o wa c c u r a c ya n ds l o wr a t eo f c o n v e r g e n c e i nt r a d i t i o n a lb pn e u r a ln e t w o r k m o d e l ，t h ei m p r o v e d l e n v e n b e r g m a r q u a r d t ( l - m ) a l g o r i t h mi sp r o p o s e d c o m p a r i s o nw i t ht r a d i t i o n a lb p n e u r a ln e t w o r km o d e l s i m u l a t i o nr e s u l t si l l u s t r a t et h a tt h em o d e le s t a b l i s h e db a s e do n l mh a sah i g h e rs p e e do ft r a i n i n ga n daf a s t e rr a t eo fc o n v e r g e n c e f i n a l l y , b e c a u s et h en e u r a ln e t w o r kt r a i n i n gl o a ds a m p l e sr e q u i r er e l a t i v e l yh i g h ， i fw e a t h e rf a c t o r sa n dt h es a m p l e sc h o s e nc a nn o tr e f l e c tt h ev a r i a t i o no fl o a d ，t h e n t h ep r e d i c t i o na c c u r a c yw i l lb er e d u c e d t od e a lw i t ht h ep h e n o m e n o n ，c o n s i d e r i n g t h ec h a n g e so fl o a da n dt h ee f f e c to fw e a t h e r , t h em o d e lw a se s t a b l i s h e db a s e do nt h e c o m b i n a t i o no fw a v e l e ta n dn e u r a ln e t w o r k t h er e s u l t ss h o wt h i sc o m b i n e dm o d e l c a ng e tm o r ep r e c i s er e s u l ta n db e t t e re f f e c t ，i ti so p t i m i z e da n di m p r o v e dc o m p a r e d w i t hs i n g l em o d e lo ra l g o r i t h mi nt h es h o r t t i m el o a df o r e c a s t i n go fp o w e rs y s t e m ， a n di tt e s t i f yt h er i g h to ft h e o r ya n dt h ee f f e c t i v em e t h o d k e yw o r d s ：p 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 ga r t i f i c i a ln e u r a l n e t w o r k ( a n n ) w a v e l e ta n a l y s i sc o m b i n a t i o nf o r c a s t i n g 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得苤鲞盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名冲1 7 1 给签字日期加0 7 年罗月2 日 学位论文版权使用授权书 本学位论文作者完全了解苤鲞盘鲎有关保留、使用学位论文的规定。 特授权苤盗盘堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：牛】诠 签字日期：加。7 年，月z 日 罴鼐日签字日期：如o 7 年弓月 日 第一章绪论 1 1 选题的目的和意义 第一章绪论弟一旱殖记 电力系统的基本作用是尽可能经济地为各类用户提供可靠且合乎标准要求 的电能，适应实际负荷需求和变化。由于电能的生产、输送、分配和消费是同时 完成的，难以大量储存，这就要求发电系统要随时紧跟系统负荷变化以达到动态 平衡，否则就会影响供用电质量，甚至危及电力系统的安全与稳定。因此，科学 的电力负荷预测就成为电力系统中一项重要工作，同时是电力系统自动化领域中 一项重要内容。 电力系统负荷预测是以准确的统计数据和调查资料为依据，从用电量的历史 和现状出发，在充分考虑一些重要的系统运行特性、增容决策，自然条件与社会 影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法。在满足 一定精度要求的意义下，确定未来某特定时刻的负荷数值【l 】。电力负荷预测的目 的就是提供负荷的发展状况和水平，为电力生产部门和管理部门制订生产计划和 发展规划提供依据，确定各供电地区的供电电量，生产规划等等。 电力负荷预测，特别是电力系统短期负荷预测，具有非常重要的意义，主要 体现在： 1 较为精确的短期负荷预测可以合理安排电网运行方式和电力系统中各种 设备的大修、小修及轮换计划。同时，有利于节煤、节油及降低发电成本。这对 于现在正提倡的建设节能型社会、落实科学发展观有非常强的现实意义。 2 电力系统短期负荷预测是电力系统安全分析的基础。为了向用户提供安 全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要 求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统 安全与稳定。 3 电力系统短期负荷预测是电力企业制定电价的主要决策依据。电价的制 订是在对未来用电负荷预测的基础上完成的，因此，发电企业必须获得较为精确 的短期负荷预测值，才能制订出既有竞争力又可盈利的电价。 因此，不论从经济、安全还是社会发展角度来讲，短期电力负荷预测都是一 项十分重要而且非常必要的工作。 电力负荷预测的结果除了由负荷本身的历史规律决定外，还受众多非负荷因 素的影响，同时和所应用的预测理论、采用的预测方法直接相关。多年来，许多 第一章绪论 学者对这一课题进行了深入研究，提出了许多方法，但负荷变化因地区和气象而 异。从中国期刊网( w w w c n k i n e t ) 中搜索，能查找有关贵州电力发展与预测的 文章不到1 0 篇，且大都集中在预测的经济社会现实意义或从社会科学角度进行 研究【2 】【3 1 。只有在杨晓蕾，彭贤伟的贵州电力资源及市场状况分析中使用了 回归分析法【4 1 ，谭丽君的云贵两省的电力负荷预测及分析中分别使用了灰色 系统理论、一元回归预测、指数回归预测法进行电力系统负荷预测【5 】。以贵州省 或所辖区域内电力系统负荷数据和特征作为考察样本进行预测方法的研究，这样 的理论文章只有零星的几篇。因此，本课题以贵州安顺市电力系统为例进行短期 负荷预测方法的研究，既是对自己所学知识的梳理与提高，也可对安顺市电力系 统负荷预测工作带来一些参考或借鉴。 1 2 国内外研究现状 2 0 世纪6 0 一7 0 年代开始，世界各国经济迅猛发展，对电力需求量越来越大， 对电能质量的要求也越来越高，从而带动电力系统迅速发展。从这时候开始，负 荷预测从早期的不重视开始向应用、探索和研究方向发展。负荷预测的发展大致 可以划分为两个阶段：第一阶段( 2 0 世纪6 0 8 0 年代) 是使用传统负荷预测技术的 阶段，这一阶段基本沿袭了经济领域的预测技术，典型的如时间序列法、回归分 析法；第二阶段( 2 0 世纪9 0 年代到现在) ，随着计算机技术的日新月异，人工智 能技术的兴起，负荷预测迅速进入了使用智能化负荷预测技术的阶段。专家系统、 人工神经网络和模糊逻辑系统代表着当今人工智能技术的三大分支，它们都在负 荷预测领域逐步得到应用。同时，提出了灰色系统理论、非线性系统理论、小波 分析理论等技术方法【6 】。 从国内外研究情况看，国外大概是由于经济及负荷发展变化规律趋于稳定的 缘故，中长期负荷预测的研究远远少于短期预测，国内则基本上两者并重。我国 于1 9 9 8 年开始电力工业市场改革以来，负荷预测的研究取得了长足进展，几乎 每个实行电力市场的区网，其电力市场技术支持系统中都有负荷预测子系统。典 型的如山东省采用线性外推和神经网络相结合的方法【7 】，开发了专门的负荷预测 软件，福建省开发了电力需求预测程序【8 】，广西电网调度中心与长沙电力学院合 作开发适合于广西电网的短期负荷预测应用软件【9 】。 目前，国内外关于短期电力负荷预测的研究主要集中在三个方面：负荷预测 的影响因素、负荷预测的数学模型以及负荷预测的算法。相对前两个方面，在算 法方面的研究最广泛，已经涌现出了各种不同算法，而这些算法在模型的复杂性、 灵活性、对数据的要求以及满足用户的特殊要求等方面都有着很大的不同。用于 短期负荷预测方法很多，近年来，预测理论技术取得了长足的进步，负荷预测的 第一章绪论 新技术层出不穷，综合起来主要有：传统预测法、现代预测法两大类。 1 2 1 电力系统短期负荷预测的传统方；去【1 0 】【l l 】 1 电力弹性系数法 电力弹性系数等于用电量年增长率与国内生产总值( 或社会总产值) 年增长 率的比值。通过预测未来年份的弹性系数和国民生产总值的增长率可得到电力需 求的增长率。电力弹性系数与科技进步和经济结构及产品结构的调整有关，科技 进步等因素可以使单位产值的电耗不增加甚至减少。这种方法的优点是计算简 单，缺点是预测的结果可信度不高。 2 单耗法 对各类工业的用电量采用单位产品( 或按产值) 的耗电定额( 简称单耗) 进行预 测，计算公式是：用电量= 产品产量产品的单位耗电量。有时考虑用国内生产 总值或工业总产值结合其电量单耗计算出用电量，这被作产值单耗法。这种方法 同样计算简单，预测结果精度不高。 3 回归分析法 回归分析法是研究变量与变量之间的一种数学方法，回归分析法采用的模型 是： y ( t ) = a o + 口l 而( f ) + + 吒( f ) + q ( t )( 1 - 1 ) 其中y ( t ) 是t 时刻的负荷，x ( t ) 是与y ( t ) 有关的变量，q ( t ) 是白噪声， 口。，q ，a 。是自回归系数。回归分析法根据历史数据和一些影响负荷变化的因素 来推断将来时刻的负荷值，模型参数的确定可以采用最小方差估计的方法。该方 法的原理、结构简单，预测速度快，但准确度不高，不具有普遍性。 4 时间序列法 时间序列法是把历史数据归类，找出其中的随机时间序列，建立模型，并通 过对数据的分析来确定模型的类别和参数。在模型体系识别之后，利用己知负荷 预测表达公式对未来的负荷进行预报，其基本模型是： y ( t ) = b l ( t ) + 垦( t ) ( 1 - 2 ) 其中】，( f ) 是t 时刻的系统总负荷，蜀( f ) 是t 时刻的基本正常负荷分量，皿( f ) 是t 时刻的随机负荷分量。时间序列法是目前电力系统负荷预测中发展较多或较 成熟的一种算法。该方法对于短期内气候和温度变化不大的时间段有较好的预测 结果，但对于近期存在天气剧烈变化或重大负荷变化的时间段则存在较大的误 差。 除此而外，电力系统短期负荷预测的传统方法还包括如指数平滑法、卡尔曼 滤波法等。 第一章绪论 1 2 2 电力系统短期负荷预测的新方法 1 3 】【1 4 】 1 灰色理论预测法 灰色理论是我国邓聚龙教授于8 0 年代初首先提出来的，经过多年研究，灰 色理论有了重大发展。灰色预测是一种对含有不确定因素系统进行预测的方法。 以灰色系统理论为基础的灰色预测技术，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，分为普通灰色系统模型和最优化灰色模型 两种。 灰色预测模型是一种指数增长模型，当电力负荷严格按指数规律持续增长 时，此法有预测精度高、所需样本数据少、计算简便、可检验等优点，从理论上 讲，可以适用于任何非线性变化的负荷指标预测；但其不足之处是其微分方程指 数解比较适合于具有指数增长趋势的负荷指标，由于灰色系统理论呈指数( 增长 或者递减) 变化的模型，其预测精度与被预测对象的变化规律密切相关，当原始 数据波动情况如上下连续波动、指数波动、倍数波动时，预测的精度就差，此时 就不宜使用灰色预测模型。因此，对于具有波动性变化的电力负荷，其预测误差 较大，不符合实际需要。 2 专家系统预测法 专家系统是一个应用基于知识的程序设计方法建立起来的计算机系统，它拥有 某个特殊领域专家的知识和经验，并能像专家那样运用这些知识，通过推理，在 该领域内做出智能决策。专家系统负荷预测是对数据库里存放的过去几年甚至几 十年的，每小时的负荷数据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，按照一定规则进行负荷预测。 专家系统预测法，是工作人员的经验进行转化的一种较好方法。但专家系 统分析本身就是一个耗时的过程，专家系统预测法一般适用于中、长期负荷预测。 此法的优点是：能汇集多个专家的知识和经验，最大限度地利用专家的能力； 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。 缺点是：不具有自学习能力，受数据库里存放的知识总量限制；对突发性事 件和不断变化的条件适应性差。 3 人工神经网络( 简称a n n ) 方法 人工神经网络是通过对人脑或者生物神经系统的结构模拟来实现预测的，具有 非线性、自组织、自适应、大规模并行处理等优点，是目前使用较多的一种方法。 人工神经网络对大量非结构性、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。可方便地拟 合出任意复杂的非线性关系，很适合于电力负荷预报问题。自从1 9 9 1 年美国学 者p a r k 等人提出使用神经网络预测电力负荷以来，人们对此表现出广泛的关注， 第一章绪论 人工神经网络技术飞速发展并得到广泛应用。人工神经网络的学习过程是模拟人 的神经记忆功能，选取过去一段时间的负荷作为训练样本，然后构造适宜的网络 结构，用某种训练算法对网络进行训练，使其满足精度要求之后，用a n n 从作 为负荷预测。其优点是可以模拟人脑的智能化处理，具有并行分析、自学习及任 意逼近函数的能力，对大量非结构性、非精确性规律具有自适应功能。但神经网 络的学习过程通常较慢，对突发事件适应性差。 随着人工神经网络研究的兴起，神经元网络所具有的联想学习能力、很强的 适应能力和容错能力引起预测科学研究者的兴趣。9 0 年代初，p a r k l e e ， p e n g ，s h a r k a w i 等人先后利用神经网络进行电力系统负荷预测，使预测误差有很 大的降低，引起负荷预测工作者的高度重视，再次掀起负荷预测的热潮。人工神 经元网络一经引入电力系统，负荷预测就成为其应用研究的一个主要领域，也是 到目前为止研究得最多的一个课题。但是神经网络方法具有它本身致命的缺点： 需要大量的训练数据，训练精度不确定等问题。为了克服这些缺点，近年来出现 了两种趋势，一种是对经典的人工神经网络进行改进或优化，另一种是采用组合 预测方法，将两种或多种预测技术融合在一起，互用互补，提高预测精度。发挥 各种预测技术各自的长处，从而达到希望的预测精度。人工神经网络近年来在电 力负荷预测中得到了广泛应用。目前，前馈网络方法( b p 模型) 和径向基函数 ( r b f ) 网络应用较广泛。 4 小波分析法 小波分析是一种时域一频域分析方法，它在时域和频域上同时具有良好的局 部化性质，并且能够根据信号频率高低自动调节采样的疏密，它容易捕捉和分析 微弱信号及其信号、图像的任意细小部纠”1 。 电力负荷具有特殊的周期性，即以天、周、年为周期发生波动，大周期中套 有小周期。而小波变换能将各种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分别投影到不同的 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，它们能更加清楚地表现负荷序列的 周期性。在此基础上，根据各个子负荷序列的不同特点选择合适的模型和算法分 别进行预测。最后通过小波重构得到最终的负荷预测结果。由于该方法可以分离 出原负荷序列中呈周期性变化的子负荷序列，而对具有周期性的负荷进行预测的 精度较高【1 6 】；此外，对于随机性较强的子负荷序列可以采用预测随机性较好的方 法进行预测，如a n n 法等；所以采用小波分析进行负荷预测，其精度得以大大 地提高。在国内研究中，许多学者和研究人员成功实现了将小波分析应用于电力 系统负荷预测。 5 优选组合预测法 第一章绪论 组合预测理论认为，对于同一个预测问题，多个不同的预测模型的线性组合， 在一定条件下能够改善模型的拟和能力和提高预测精度【1 7 】。为此，为充分利用各 个负荷预测模型的有用信息，出现了优选组合预测方法。组合预测方法的优点是： 优选组合了多种单一预测模型的信息，考虑的影响信息也比较全面，因而能够有 效地改善预测效果。缺点是预测模型复杂，考虑的相关因素多，工作量大。 文献1 8 1 将传统的线性模型和神经网络结合构造出了混合模型，即用神经网 络捕获电力系统负荷的各种变化趋势及非线性关系，用传统的线性模型方法将系 统负荷表示为一些相关变量的线性组合，使系统既具有神经网络模型的优点，又 具有传统线性模型方法的快速收敛、实时跟踪的性能；文献 1 9 提出了小波模糊 神经网络模型，对于经小波分解后得到的负荷近似分量，往往气候因素对其影响 较大，用模糊神经网络来处理，取得了较好的预测精度；文献1 2 0 1 利用小波函数 将历史负荷数据进行分解得到不同频段下的负荷数据，利用回归法和神经网络法 分别对其进行预测，最后进行小波重构得到预测值，并用计算机仿真算例验证了 该方法的可行性和有效性；文献 2 1 1 通过小波变换把负荷序列分解为不同频段的 子序列，再对这些子序列分别采用相应人工神经网络模型进行预测，最后重构得 到负荷序列最终预测结果。实例结果表明该方法具有很高的预测精度和较强的适 应能力；文献 2 2 1 利用了小波变换和神经网络相结合的方法进行电力系统短期 负荷预测，把过去直接对负荷序列的预测替代为对小波系数的预测，并对小波系 数作阀值处理，然后对不同尺度域的小波系数采用神经网络进行预测，最后通过 小波逆变换得到预测日的负荷序列。实际预测结果与直接进行预测的结果比较 表明：该方法具有很好的预测精度，满足实际运行需要。 总体上说，在各种预测方法中，神经网络自引入电力系统负荷预测领域以来， 其应用和研究越来越受到诸多学者及专家的重视，取得了不少成果。神经网络与 其它方法相结合显示的特有优势也决定了组合预测方法必将成为电力系统负荷 预测中一个前景广阔的研究领域。 1 3 课题的研究内容及创新点 1 论文研究的主要内容 论文在介绍了电力系统短期负荷多种预测方法的基础上，以安顺市电力系统 为例建立人工神经网络模型进行短期负荷预测，针对模型和算法进行了研究和探 讨。并通过m a t l a b 平台进行仿真分析，从而验证预测方法的理论正确性和有 效性。论文研究的主要内容如下： ( 1 ) 根据安顺市电力系统负荷数据和日、周的周期性特征曲线、分析安顺 第一章绪论 市电力系统短期负荷基本特征及影响因素，以此为据建立神经网络预测模 型。 ( 2 ) 针对安顺市电力负荷的影响因素，考虑气象因素对预测结果是否存在影 响的前提下，对比两种b p 神经网络模型在安顺市电力系统短期负荷的应用，以 验证气象因素是不可忽略的。 首先，只考虑历史负荷和日期类型建立b p 神经网络模型一，针对安顺市 电力负荷的特点，将影响预测点负荷的相关2 1 个历史负荷及日期类型作为输入， 构建一个2 2 点输入、一个隐含层的三层神经网络对安顺市短期电力负荷进行预 测，并利用m a t l a b 软件进行仿真。然后，在模型一的基础上考虑天气因素， 加入影响安顺市电力负荷的最高温度、最低温度、降雨量作为输入变量，构建一 个3 4 点输入、一个隐含层的三层神经网络，并利用m a t l a b 软件进行仿真。最 后，对比两个模型的预测结果，分析总结出模型二考虑天气因素的影响后，预测 精度得到提高，预测效果好。 ( 3 ) 针对b p 神经网络传统算法的缺点，采用改进算法的b p 神经网络模型 进行短期电力负荷预测 首先，分析模型一、二由于采用b p 神经网络的传统算法，收敛速度慢， 文中指出训练步数3 0 0 0 步后，预测结果没有达到目标误差。然后，针对这一现 象采用改进的l m 算法，构建基于l m 算法的b p 神经网络，并利用m a t l a b 软件进行仿真。最后，比较改进算法后的模型三与传统算法的模型二的预测结果， 得到采用l m 算法训练速度明显加快，训练7 步后就能达到预测目标误差，验 证了改进方法的有效性。 ( 4 ) 针对采用l m 算法的模型三存在个别点峰值误差大的原因，进一步改 进为小波神经网络组合模型进行短期电力负荷预测 首先，分析采用l m 算法的模型三存在个别点峰值误差大的原因，是由于 神经网络对训练负荷样本要求比较高，如果选择的样本中没有发生相类似模式的 气象和负荷变化，则会影响预测结果。接着，为了更好地反映负荷的变化，采用 小波神经网络组合模型对安顺市电力系统短期负荷进行预测，对原始负荷序列 进行小波分解，根据各分量的特点采用不同结构的神经网络进行分别预测，再将 预测结果重构。最后，对组合模型的预测结果与模型三比较，得到组合模型比单 一模型预测效果好，改善模型三的最大相对误差仍比较大的问题，是对单一模型 与单一算法的更进一步的改进和优化，预测精度高，预测效果好。验证了理论的 正确性和各种方法的有效性、差异性。 ( 5 ) 论文最后对研究内容进行总结，陈述了论文得到的主要结论。 2 论文的创新点 第一章绪论 本文主要利用b p 神经网络、小波分析理论对安顺市短期电力负荷进行预测 研究，主要创新点有： ( 1 ) 采用一种逐步优化的方法对预测模型和算法进行改进，以提高预测精度 和训练速度为目的依次改进，最终寻找一种适合于安顺市电力负荷预测的较优的 预测方法。 ( 2 ) 考虑了影响预测结果精度的外界扰动，输入变量加入了气象因子，使预 测模型更接近于实际，得到一种较理想的预测结果。 ( 3 ) 为了改善某些预测点峰值误差大的缺点，采用一种小波神经网络组合 模型进行预测，结合了小波分析与神经网络的特点，既能分辨出负荷的扰动因素， 构建不同结构的预测模型，又具有较快的训练速度，预测效果好。 第二章电力系统短期负荷预测概述 第二章电力系统短期负荷预测概述 2 1 电力系统负荷预测 电力系统负荷按照使用范围可分为：民用负荷、商业负荷、农业负荷、工业 负荷和其它负荷，不同类型负荷具有不同特点和规律，但其预测方法是互为体系， 互相通用的。电力负荷预测是对未来时刻电力需求进行预测，它包括两方面含义， t i p ：未来需求量的预测( 功率) 、未来用电量的预测( 能量) 。 2 1 1 电力系统负荷预测类型 按照预测周期，可将电力负荷预测分为长期、中期、短期和超短期负荷预测。 1 中、长期负荷预测：二者没有太严格界限，主要指对未来几年到几十年的预 测。中长期预测的意义在于帮助决定新的发电机组的安装与电网的规划、增容和 改建，对未来电力生产的发展和规划提供依据。其预测精度很小。 2 超短期负荷预测：指未来1 小时、未来0 5 d , 时、甚至未来5 分钟的预测。超 短期负荷预测的意义在于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，同时使发电成本降到最低。 3 短期电力负荷预测是指一年以内几个月、几周、几天、几小时或者更短的 负荷预测，比较常见的是预测未来一天2 4 d 时的负荷。短期负荷预测是为制定发 电计划、输电方案服务的，是电力系统调度运营部门的一项重要工作，也是能量 管理系统( e m s ) 和配电管理系统( d m s ) 的重要组成部分。 在实际工作中，短期电力系统负荷预测主要指日负荷预测。本文所研究的安 顺市电力系统短期负荷预测，也是指日负荷预测，基本思路是：已知待预测前的 历史负荷数据和相关影响因素，预测未来一天2 4 t j , 时的电力负荷值。 2 1 2 电力系统负荷预测的特点和基本原理 电力系统负荷的大小和多种因素相关，这些因素中既有不确定因素( 如天气、 温度等) ，也有确定性因素。 1 特点 由于负荷预测是根据电力负荷的过去与现在来推测它的未来数值，所以，这 一工作所研究的对象是不确定性事件，它具有以下特点： 第二章电力系统短期负荷预测概述 ( 1 ) 预测结果的非准确性。电力负荷的大小受各种复杂因素的影响，这些影响 因素是发展变化的，如社会经济发展、气候变化、新技术发展、政治政策等。人 们对有些因素能预先估计，有些因素则不能或很难被准确预测。另外，预测方法 与理论的不断更新，也将影响到预测的精度。 ( 2 ) 预测的条件性。各种电力负荷预测都是在一定条件下做出的。这些条件有 必然条件和假设条件，按必然条件做出的负荷预测往往是可靠的，按假设条件做 出的预测准确性显然具有条件性，比如说，预测模型训练时有些参数初始值的设 定不同，预测结果会不同，很显然，由此做出的负荷预测就具有了特定的条件性。 ( 3 ) 预测结果的多方案性。由于负荷预测精度问题要求、预测条件的制约不同， 再加上预测手段及理论数学模型的多样性，使得预测的结果并非是唯一的。 2 原理 由于负荷预测具有不确定性、条件性、多方案性等特点。建立负荷预测模型 和实施预测方法，一般要基于以下几个基本原理。 ( 1 ) 相似性原理 相似性原理即事物的发展过程和发展状况可能与过去一定阶段的发展过程 和发展状况存在相似性，根据这种相似性可以建立相同的预测模型。例如：在特 殊假期内( 如春节、国庆等长时间公众假期中) ，由于社会用电需求状况类似， 导致电力负荷表现出一定的相似性。 ( 2 ) 连续性原理 连续性原理指预测对象从过去发展到现在，再从现在发展到将来，其中某些 特征得以保持和延续，这一过程是连续变化的。例如：各个地区的用电量具有连 续性，这些连续性为电力预测工作提供了基本依据。 ( 3 ) 相关性原理 即未来负荷的发展变化同许多其他因素有很强的相关性，这些因素直接影响 预测结果。例如：某地的负荷预测同本地区的经济因素、气象因素及历史负荷相 关。若没有其他因素的影响，日电力负荷曲线形状应相似。 ( 4 ) 规律性原理 即事物的发展变化有内在规律，这些规律是可以为人们所认识的。在负荷预 测中，可以发现实际电力负荷曲线是有规律的。例如j 在晚上1 2 点后至早晨8 点前存在一个电力负荷低谷点。在早晨8 点上班后至下午6 点下班前，大部分电 力设备运行，则存在电力负荷的高峰点。 第二章 电力系统短期负荷预测概述 2 2 电力系统短期负荷预测分析 2 2 1 电力系统短期负荷特征分析 电力系统短期负荷的特点是负荷变化是连续的过程，不但按小时变、按日变， 而且按周变，具有较大的周期性。从电力负荷变化的影响因素角度来分析，电力 系统短期负荷基本特征是：短期负荷具有如下4 种基本组成成分 2 3 , 2 4 】。 1 典型负荷分量 典型负荷分量也称为正常负荷，它与气象无关，具有周期性变化的特点。典 型负荷主要由负荷的种类及各类负荷所占比重决定。实例分析：如表2 1 中安顺 市的工业用电负荷即具有典型负荷分量的特型2 5 1 ，在全市电力系统负荷中的比例 最大，并且由于安顺市工业生产平稳，全年1 2 个月中负荷相对比例变动较小， 它的变化与气象因素的关联度小。 表2 - 1 安顺市2 0 0 7 年各月不同行业用电所占当月负荷总电量百分比 农业用 工业用电商业用电居民用电 其他用 月份电比例 比例( )比例( )比例佛) 电比例 ( ) ( ) l6 4 66 1 3 41 0 2 51 6 3 25 6 3 26 8 56 0 8 79 8 21 6 5 65 9 37 9 66 2 4 71 0 5 31 5 4 43 6 46 7 66 1 3 31 1 8 81 5 8 34 2 57 0 25 9 6 41 3 5 91 6 0 23 7 66 8 76 2 6 51 0 6 51 7 4 62 4 77 0 56 3 6 49 0 41 7 5 52 7 87 0 3 6 3 3 29 6 51 7 0 2 3 97 5 66 1 7 811 3 91 7 3 l2 1 06 9 55 8 6 51 3 7 71 6 0 34 6 1 1 6 5 36 2 8 41 1 0 51 7 3 32 3 1 25 4 76 1 9 21 1 4 21 8 5 42 7 平均比例 6 8 8 6 1 7 1 1 0 91 6 7 83 5 6 2 天气敏感负荷分量 天气敏感负荷分量与一系列天气因素有关，如温度、湿度、风力、降雨量。 不同天气因素影响负荷分量值不同，这种负荷分量受季节影响明显。表2 1 中的 城乡居民用电负荷受季节因素影响明显，这是由于居民在冬天需要用电取暖、夏 天需要用电消暑。 3 异常或特殊事件负荷分量 异常或特殊事件( 如电力系统改造、重大政治活动、拉闸限电等) 。这段时 第二章电力系统短期负荷预测概述 期的负荷分量明显偏离典型负荷特性并且具有随机性。表2 - 1 中的其它负荷分 量的变化一般就因异常或特殊事件引起。 4随机负荷分量 随机负荷分量是负荷中随机的偶尔出现的不可估计的随机负荷分量。 2 2 2 电力系统短期负荷中的影响因素分析 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，人们逐渐认识到影响这种规律 变化的因素大致包括：时问因素、天气因素和随机因素等嘲口”。 1 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。全年的负荷模型可根据季节不同分为春、夏、秋、冬四种 类模型。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蕾变 化，并且这种变化具有日或周周期性。节假日( 如国庆、元旦、春节等) 来临时， 负荷的变化与平时也有明显不同，一般情况下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。实例分析：以安顺市 电力系统短期负荷为例进行分析。在安顺市供电局领导支持下，我收集到了2 0 0 6 、 2 0 0 7 安顺市电力系统负荷有关数据，对这些数据进行分析和整理后，得到图2 - 1 、 2 - 2 分别表示安顺市电力系统短期负荷中的日、周的周期性特性，2 - 3 则比较了 节假日与非节假日电力负荷的不同。 0 5 0 0 重 d4 0 0 镕 g 3 0 0 l 辩# 第二章电力系统短期负荷预测概述 8 0 0 0 7 9 0 0 7 8 0 0 三7 7 0 0 冀7 6 0 0 悼 鉴7 5 0 0 7 4 0 0 7 3 0 0 8 0 0 0 7 5 0 0 7 0 0 0 釜6 5 0 0 = 啦| 6 0 0 0 稼 5 5 0 0 5 0 0 0 4 5 0 0 4 0 0 0 1 入r 一 一1 卜v | t fl 。 ? 一 1234567891 01 11 21 31 4 两星期( 连续1 4 天) 图2 2 安顺市电力系统短期负荷变化的周周期性曲线图 一一 一，i - 、 ， 、 ? 。 、 l f 7 - 弋 | q 1234567891 0 1 1 1 2 1 3 1 4 两星期( 连续1 4 天) 前一周为节假日， 后一周为常规日 图2 - 3 安顺市电力系统国庆节负荷与正常日负荷曲线比较 从图2 1 至2 3 来看，电力系统短期负荷受时间因素的影响是很明显的，各 时间点的电力负荷都存在差异。 2 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，不同地区受不同气象因素影响，且影响的程度也不一样。在预测中经常需 要对天气情况进行量化，作为预测输入数据。 3 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间和方式千差万别，他 第二章电力系统短期负荷预测概述 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、骤风袭击等都对负荷有较大影响。 2 3 电力系统短期负荷预测的基本思路 2 3 1 以安顺市电力系统为例总结短期负荷基本特征 为有效开展对电力系统短期负荷预测方法的研究，以安顺市电力系统为例来 建立预测模型。前面分析得到：预测模型的建立应考虑短期负荷的基本特点及影 响因素，所以，本文首先对安顺市电力负荷特点，及影响短期负荷预测的主要因 素进行分析，寻找合适的输入参数，以便建立合理的预测模型。根据表2 1 和图 2 - 1 至2 3 ，可将安顺市电力系统短期负荷特征总结为： 1 影响电力系统负荷变化的主要因素有：负荷类型、时间因素、气象因素。安 顺市负荷类型中工业负荷在所有负荷中所占比例最高，为6 0 左右，它决定了基 本负荷的大小；时间因素决定不同季节、不同时间段负荷值大小；气象因素的影 响使同类型日负荷存在差异，安顺市电力系统短期负荷主要受温度和降雨量的影 响。 2 电力系统短期负荷的周周期性变化规律明显，每周之间负荷曲线形状相似。 工作日( 星期一至星期五) 负荷变化规律相同，电力负荷曲线形状相似；休息日 ( 星期六、星期天) 负荷变化也具有相似性，负荷较平常低，这是由于在休息日 里，工业负荷所占比重下降，居民生活与商业负荷所占比重上升。 3 同类型日的日电力负荷具有相似性。图2 1 可以看出：对于非节假日，凌晨 4 点左右为低负荷阶段，该段时间大多数人处于休息状态，所以负荷下降，负荷 组成主要是那些必须运行的不间断负荷；最高峰值负荷一般出现在从9 点至1 7 点之间的工作段：晚上，由于家用电力负荷的增加，在1 8 点至2 1 点之间又会出 现一个高峰值。在节假日期间，图2 3 中可以看出：进入节假日后电力负荷会急 剧下降，白天电力负荷相对平稳，但比普通工作日电力负荷要小，这是由于工业 负荷减少，与正常上班时段的负荷相比，负荷表现出不同于工作日和正常休息日 的特点。 4 电力系统负荷变化具有随机性。从图2 1 负荷变化情况表明：电力系统同一 天不同时刻存在最大负荷与最小负荷