《本科毕业设计---基于rbf神经网络电力负荷预测.doc》由会员分享，可在线阅读，更多相关《本科毕业设计---基于rbf神经网络电力负荷预测.doc（53页珍藏版）》请在金锄头文库上搜索。
1、四川理工学院本科毕业论文 四川理工学院毕业论文基于RBF神经网络的短期负荷预测研究学 生：周路尧 学 号：09021040324 专 业：电气工程及其自动化 班 级：2009.3 指导教师：曾晓辉 四川理工学院自动化与电子信息学院二一三年六月II基于RBF神经网络的短期负荷预测研究 摘要：随着电力市场的不断发展，对电力负荷科学管理的迫切要求以及对准确和适应性强的负荷预测模型的渴望，使得负荷预测的重视程度越来越高。本文采用了基于RBF(Radial Basis Function)神经网络的电力系统短期负荷预测方法，简单讨论了影响负荷的各种因素，并根据电力负荷的特点主要针对负荷值设定7个输入节点，
2、 1个输出节点以及48点负荷值，将1999年1月3日至9日负荷数据作归一处理并作为训练数据预测10日负荷值。该方法训练速度快，收敛性好，而且可以大大地减少隐含层神经元的数目，有效地提高了预测精度和预测速度。最后根据预测结果和实际负荷进行比较，表明其误差在允许范围之内，预测精度是符合要求的，从而说明了该方法的正确性和实用性。 关键词：电力系统；负荷预测；RBF神经网络；预测模型IThe Research of Short-Term Load Forecasting Based on RBF Neural NetworksZHOU Luyao(Sichuan University of Scien
3、ce and Engineering,Zigong, China, 643000) Abstract：This paper uses a brief discussion of the various factors affecting the load based on RBF (Radial Basis Function) neural network short-term load forecasting method，and according to the characteristics of the main power load for the load setting seve
4、n input nodes, one output nodes, and 48 point load value, the year 1999 January 3 to 9 for the normalized load data processed and used as training data to predict the 10th load value.This method training speed, good convergence, and can greatly reduce the number of hidden neurons, effectively improv
5、e the prediction precision and predict speed. Based on the result and the actual load, compared the error that the scope of the permit, the forecasting accuracy is to satisfy the requirements, which shows that the method is correct and practical. Key words：Electric power system; Load forecasting; RB
6、F neural network; Prediction modelIII目 录摘要IAbstractII第1章 前 言11.1负荷预测研究的背景和意义11.2负荷预测的研究现状21.3本论文研究的主要工作51.4本章小结5第2章 电力负荷预测概述62.1 负荷预测的概念和原理62.2负荷预测的分类72.3负荷预测的基本步骤92.3.1负荷预测的基本要求92.3.2负荷预测的基本步骤102.4电力负荷的特性分析122.4.1 负荷的周期性122.4.2 负荷的随机性132.4.3 负荷的影响因素分析132.5 影响负荷预测的因素及误差分析152.5.1 影响负荷预测的主要因素152.5.2 负
7、荷预测的误差分析152.6本章小结17第3章 人工神经网络183.1 人工神经网络183.1.1 人工神经网络简介183.1.2人工神经网络的模型183.2 RBF神经网络20 3.2.1 RBF神经网络的结构213.2.2 RBF神经网络的具体实现223.2.3 RBF神经网络的学习算法233.3 RBF神经网络与BP网络的比较263.3.1 BP网络存在的问题263.3.2 RBF网络与BP网络之间的差别263.4本章小结27第4章 基于RBF神经网络的短期负荷预测实例分析284.1 RBF神经网络的建立284.2 RBF神经网络的训练294.2.1 样本的选取294.2.2 数据预处理3
8、04.2.3 神经网络输入数据的归一化处理314.3 短期负荷预测结果与分析32 4.4本章小结39第5章 结束语39致 谢41参考文献42附 录43第1章 前 言1.1负荷预测研究的背景和意义负荷可指电力需求量或用电量，而需求量是指能量的时间变化率，即发电厂、供电地区或电网在某一瞬间所承担的工作负荷；而对用户来说，用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗的功率之和。电力系统的任务是给广大用户不间断的提供优质电能，满足各类负荷的需求。电力系统负荷预测是根据电力负荷、经济、社会、气象等的历史数据，探索电力负荷历史数据变化规律对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联
9、系，从而对未来的电力负荷进行科学的预测。电力系统在逐步发展、完善过程中，负荷预测己成为能量管理系统(EMS)中一项独立的内容；在当前电力系统市场化的必然趋势下，负荷预测已成为电力市场交易管理系统中必不可少的一部分。在实际应用中，电力系统不同组成部分对负荷预测的范围和精度有所不同。因此研究负荷预测的范畴和影响因素及负荷特性对提高预测精度及负荷预测的发展有重要的意义。电力系统负荷预测它的重要意义可以归纳为以下几个方面：1、短期负荷预测是电力系统优化调度的基础。准确的短期负荷预测是电网调度机构制定发供电计划、合理安排机组启停和做好电网供需平衡的关键。有助于运行人员估计电能的生产、输送、分配和消费各个
10、环节的情况，制定出合理的运行方案，确保电网和机组的安全、稳定、经济运行。2、在电力市场条件下，短期负荷预测不再是纯技术性的问题，它应当是一个技术性与经济性相结合的问题。同时也不再仅仅是能量管理系统的一部分，它是电力市场制定各种计划的重要依据。3、精确的负荷预测，可以使电力企业经济地安排机组生产；利用精确的负荷预测对水电系统可以确定最优的水库放水和机组投产计划；对火电系统而言，可以确定机组按最经济地组合起停生产；对水火电结合的系统，可确定系统按最经济的状态进行水电火电分配；对联网的系统，精确的负荷预测不但决定系统按最经济的线路进行电能传输。4、为用户提供安全、可靠、经济、优质的电能是电网运营企业
11、的首要目标，准确的负荷预测可以使电网运营企业可以在电力市场中以较便宜的电价购电。1.2负荷预测的研究现状随着世界电力市场的不断发展，负荷预测在各国越来越受到了人们的重视。80年代，由于能源紧张造成的对负荷科学管理的迫切要求以及对准确和适应性强的负荷预测模型的渴望，使得负荷预测的重视程度越来越高。90年代，随着世界各国电力市场的发展，负荷预测受到人们更广泛的关注。在我国，随着国民经济的高速发展和人民生活水平的不断提高，电力已成为国民经济建设和人民生活中必不可少的重要能源，电网管理的日趋现代化，使得负荷预测越发引起人们的重视。短期负荷预测技术的发展是从离线分析到在线应用逐步发展的过程，也是从过分依
12、赖于调度员的运行经验到自动化、智能化逐步转变的过程。二十世纪七十年代后，许多数学统计方法被引入到短期负荷预测中，使短期负荷预测摆脱了完全依赖调度员经验的历史，将短期负荷预测技术提高到一个新的水平，二十世纪九十年代初期开始，人工智能技术逐步被用到短期负荷预测中，人工智能技术主要用来解决非线性问题和不确定性问题。和数学统计相比，人工智能预测方法在预测过程中考虑了各种不确定因素，在实际的负荷预测过程中确实能提高预测精度。组合预测方法是建立在最大信息利用的基础上，它集合多种单一模型所包含的信息，进行最优组合。因此，在大多数情况下，通过组合预测可以达到改善预测结果的目的。短期负荷预测技术发展至今己有几十
13、年，随着数学统计理论和人工智能技术的相继发展，人们提出各种各样的预测方法。迄今为止，短期负荷预测方法大致可以分为两类：即传统预测方法和人工智能方法。传统预测方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度。下面对几种典型的方法加以介绍并进行简单的分析与评价。1、传统预测方法：(1) 回归分析法。回归分析法是一种曲线拟合法，即对过去的具有随机特性的负荷记录进行拟合，得到一条确定的曲
14、线，然后将此曲线外延到适当时刻，就得到了该时刻的负荷预测值。这种方法是研究变量和变量之间依存关系的一种数学方法。(2) 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(削R)模型、滑动平均(MA)模型和自回归-滑动平均(ARMA)模型等。但时序法无论采用哪种模型都没有考虑不同时刻负荷之间的相关性和其它因素对负荷的影响，预测精度较差，因此时序法存在着预测不准确的问题。(3) 小波分析方法。小波分析是一种时域-频域分析，在时域、频域同时
15、具有良好的局部化性质。小波分析汲取了现代分析学中诸如泛函分析、调和分析、样条分析等众多数学分支的精华。小波变换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。(4) 灰色预测法。灰色预测理论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。在将一定范围内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状数列，可以对生成的这个形状数列建立起GM(GREY MODEL)模型。GM(1，n)也就是对n个变量用一阶微分方程建立的灰色模型。GM(1，1)模型是灰色理论中最广泛地用于电力负荷预测的一种有效模型，它属于动态建模，采用微分拟合方程的方法来描述事物的发展变化规律。灰色预测具有要求
