发电厂及电力系统专业的毕业论文

大学

毕业论文

电力系统短期负荷预测

姓名：

学号：

专

年级：

指导教师：

目录

中文摘要: (1)

英文摘要: (2)

1绪论 (3)

1.1 短期负荷预测的目的和意义 (3)

1.2电力系统负荷预测的特点和基本原理 (4)

1.2.1电力负荷预测的特点 (4)

1.2.2电力负荷预测的基本原理 (4)

1.3 国内外研究的现状 (5)

1.3.1 传统负荷预测方法 (6)

1.3.2 现代负荷预测方法 (6)

1.4 神经网络应用于短期负荷预报的现状 (8)

1.5 本文的主要工作 (8)

2最小二乘法 (10)

2.1 最小二乘法原理 (10)

2.2 多项式拟合具体算法 (10)

2.3多项式拟合的步骤 (11)

2.4 电力系统短期负荷预测误差 (12)

2.4.1 误差产生的原因 (12)

2.4.2 误差表示和分析方法 (12)

2.4.3 拟合精度分析 (13)

3基于神经网络的短期负荷预测 (15)

3.1 人工神经网络 (15)

3.1.1 人工神经网络的基本特点 (15)

3.2 BP网络的原理、结构 (15)

3.2.1网络基本原理 (15)

3.2.2 BP神经网络的模型和结构 (16)

3.2.3 BP网络的学习规则 (16)

3.3 BP算法的数学描述 (17)

3.3.1信息的正向传递 (17)

3.3.2 利用梯度下降法求权值变化及误差的反向传播 (17)

3.4 BP网络学习具体步骤 (18)

3.5 标准BP神经网络模型的建立 (19)

3.5.1 输入输出变量 (19)

3.5.2 网络结构的确定 (19)

3.5.3 传输函数 (20)

3.5.4 初始权值的选取 (21)

3.5.5 学习数率 (22)

3.5.6 预测前、后数据的归一化处理 (22)

3.6 附加动量的BP神经网络 (22)

3.6.1 标准BP算法的限制与不足 (22)

3.6.2 附加动量法 (23)

4算例分析 (25)

4.1 负荷数据 (25)

4.1.1 14天实际的负荷数据 (25)

4.1.2 归一化后的负荷数据 (27)

4.2 两个模型仿真后的结果分析 (30)

4.3 两种模型拟合精度分析 (37)

4.4 附加动量法 (39)

结论 (40)

谢辞 (41)

参考文献 (42)

附录1 最小二乘法的MATLAB程序 (44)

附录2 标准BP神经网络的MATLAB程序 (46)

附录3 附加动量法的MATLAB程序 (49)

电力系统短期负荷预测

摘要:电力系统负荷预测是电力生产部门的重要工作之一。准确的负荷预测，可以合理安排机组启停，减少备用容量，合理安排检修计划及降低发电成本等。

准确的预测，特别是短期负荷预测对提高电力经营主体的运行效益有直接的

作用，对电力系统控制、运行和计划都有重要意义。因此，针对不同场合需要寻求有效的负荷预测方法来提高预测精度。本文采用神经网络方法对电力系统短期负荷进行预测。本文主要介绍了电力负荷预测的主要方法和神经网络的原理、结构，分析了反向传播算法，建立三层人工神经网络模型进行负荷预测，并编写相关程序。与此同时采用最小二乘法进行对比，通过对最小二乘法多项式拟合原理的学习，建立模型编写相关程序。通过算例对两种模型绝对误差、相对误差、拟合精度进行分析，同时比较它们训练时间，得出标准BP神经网络具有更好的精度优势但训练速度较慢。最后针对标准BP神经网络训练速度慢、容易陷入局部最小值等缺点，对标准BP神经网络程序运用附加动量法进行修改，分析改进后网络的优点。

关键词:短期负荷预测, 标准BP神经网络，最小二乘法，附加动量法

The Short-T erm Load Forecasting of

the power system

Abstract：Power system load forecasting is one of the most important work of the electricity production sector. The accurate load

forecasting can arrange unit start-stop, reduce the spare capacity,

reasonable arrangement of the maintenance plan and reduce power cost,

etc. It has a direct effect on the running efficiency of the power

management entities and also has the important meaning in the power

system control, operation and planning. So it is important to find

effective method to enhance forecast precision for different occasions.

In this paper the neural network is used for the short-term load

forecasting of the power system. This article introduces the method of

the power load forecasting and the principles, structure,

back-propagation algorithm of the neural network. Then the three-layer

artificial neural network model is created for load forecasting and the

program is written. At the same time, the least square method is used

for comparing. By learning the polynomial fitting principle of the square

method, the model is created and the program is written. Through

comparing the absolute error, the relative error, the fitting precision

and their training time of the two models, the BP neural network is

proved to have better accuracy but slower training speed. Due to the

standard BP neural network has slower training speed, easy to fall into

the local minimum value and other shortcoming, the additional

momentum method is used to modify the standard BP neural network

and the advantage of the improved network is concluded.

Keywords：Short-term load forecasting Standard BP neural network

Least squares method Additional momentum method

1 绪论

1.1 短期负荷预测的目的和意义

短期负荷预测可对未来一天到七天的负荷进行预测，是调度中心制定发电计划及发电厂报价的依据。它也是能量管理系统(EMS)的重要组成部分，对电力系统的运行、控制和计划都有着非常重要的影响，提高电力系统短期负荷预测的精度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。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[1]。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。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会愈来愈明显，尤其对发电市场侧有深远影响，主要表现在：

(1) 短期负荷预测值对实时电价制定的影响。电价是电力市场的杠杆和核心内容，体现了电力市场的竞争性和开放性，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能力并且盈利，就必须获得较精确的负荷预测，才能订出既有竞争力又保证盈利的电价。

(2) 短期负荷预测值对用户用电情况的影响。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，不同时间用电时，对其供电的成本也是不同的。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，节约电费；而且用户可以相应地对电价做出响应，选择低电价时段用电。

(3) 短期负荷预测对转运业务的影响。提供转运业务是电力市场中电网的一项基本功能，转运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[2]。而电网在执行转运业务时，将根据负荷预测的数据及各发电机的运行参数，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。

(4) 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。

(5) 短期负荷预测对系统充裕性评估的影响。系统充裕性评估(Projected Assessment of System Adequacy)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，目的是让市场成员正确了解信息，安排1年中系统的供电、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。这也体现了准确的短期负荷预测对系统及发电市场的重要影响和作用。

1.2电力系统负荷预测的特点和基本原理

1.2.1电力负荷预测的特点

这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：

(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。

1.2.2电力负荷预测的基本原理

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[3]。

(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)，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。例如在晚上12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。

1.3 国内外研究的现状

20世纪60-70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(20世纪60-80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(20世纪90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[4]。

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[5]。