基于改进BP神经网络的负荷预测问题研究

发布时间：2020-03-23 09:25

【摘要】：电力工业是涉及到国家社会经济的共同进步和人民生活持续发展的重点基础工业。电力系统短期负荷预测更是电网管理系统的一个核心工作任务,优化电网结构、营销、交易、调度和交易计划都是在此基础和前提上分别开展的。预测的准确程度事关到电网的安全、稳定和经济运行。社会经济持续高速进步,人民生活质量的日益稳步提升,供暖和大型冷却设备的广泛普及使得气象因素对负荷的干扰越来越大。本文基于某市的电力负荷,对短期负荷预测进行了研究。首先阅读了大量的理论研究资料,从多个角度深层次挖掘了当前电力系统负荷预测的研究状况,并对不同研究侧重的不同预测方法特点进行了比较分析,其次系统详细地介绍了神经网络的基本构成、原理和学习算法,通过抽象模拟人脑神经系统,神经网络生成了自适应的并行信息处理方法,且同时具备非线性映射以及自学习的特征,对电力系统负荷预测而言,其发挥着十分重要的作用。此外,本论文对误差方向传播神经网络以及如何利用方向传播来构成参数学习展开了详细论是。在介绍了在预测领域神经网络的应用方法,为避免神经元饱和,涉及到需对一些数据进行归一化处理;对于模型的初始权值及学习参数的选取也进对行了分析;以及怎样将天气、温度等影响因素特征进行量化,最终根据经验如何确定隐藏层的节点个数。最终通过构造日特征相关因素的BP神经网络负荷预测模型,使用标准BP算法做了相关预测,但由于该预测模型需要较长的学习训练时间,且该模型收敛性差,易产生局部极小状况。进而采用了三种改进的Bp算法(自适应BP算法、弹性梯度下降法以及L-M法)基于某市负荷实现了预测,把2011年六月负荷作为样本,对6月23日的负荷开展预测,预测结果表明,在使用标准BP算法训练时预测的速度太慢,训练要求的精度所需的最大步数达不到实际预测误差的要求,与期望的差异太大,很难达到电力部门的准确度要求。其余三种改进BP算法经过最终对比分析结果表明,L-M法是训练速度最高也是预测准确度最高的一种算法。
【图文】：

图 2-1 某市负荷周周期曲线图（2天气敏感负荷分量其实指的是外界自然环境，包括空气湿度、天气温度以及风速等因素对负荷的影响。从某种意义上来讲，天气因素会直接对负荷预测精确度产生影响，所以，在对负荷进行有一系列预测时应该将天气因素纳入重点考量内容，特别是在居民负荷占比较高的地区。

图 2-2 某市节假日与正常工作日的负荷曲线（前一周为节假日）3殊事件负荷分量其实指的是在某一时段所发生的异常事件对电力一系列影响。比如重大自然灾害、重大系统事故等等。一般而言，有很大的随机性，故在实际预测分析中需要专业人员对该因素分析。4）随机负荷分量荷用电源自千家万户的用户，他们选择使用电力的时间段也不尽相电力负荷具有随机性。此外，，一些意外的特殊事件导致负荷偏离典处理这种数据时，经常需要手动修正预测模型。对于某些干扰负荷
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM715

【参考文献】

相关期刊论文 前10条

1 王硕;毛西吟;;短期电力负荷预测分析研究[J];科技风;2014年01期

2 肖白;徐潇;宋坤;白洋;李介夫;;空间电力负荷预测中异常数据的辨识与处理[J];东北电力大学学报;2013年Z1期

3 李嘉龙;李小燕;刘思捷;文福拴;郭文涛;;考虑气温累积效应的短期负荷预测[J];华北电力大学学报(自然科学版);2013年01期

4 颜金木;;基于趋势外推法的电力负荷预测[J];中国外资;2011年04期

5 常康;薛峰;杨卫东;;中国智能电网基本特征及其技术进展评述[J];电力系统自动化;2009年17期

6 周林;吕厚军;;人工神经网络应用于电力系统短期负荷预测的研究[J];四川电力技术;2008年06期

7 李艳芳;;电力负荷预测[J];南昌高专学报;2007年06期

8 于海燕;张凤玲;;基于模糊神经网络的电力负荷短期预测[J];电网技术;2007年03期

9 赵宇红;唐耀庚;张韵辉;;基于神经网络和模糊理论的短期负荷预测[J];高电压技术;2006年05期

10 雷绍兰,孙才新,周nv,张晓星,程其云;基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法[J];中国电机工程学报;2005年22期

相关博士学位论文 前1条

1 陈柳;小波分析和神经网络应用于大气污染预测的研究[D];西安建筑科技大学;2006年

相关硕士学位论文 前8条

1 孔繁宁;基于神经网络的大连地区短期电力负荷预测[D];大连理工大学;2013年

2 曲薇薇;基于BP人工神经网络的电力短期负荷预测[D];东北石油大学;2011年

3 刘旭;基于实时气象因素的短期负荷预测方法研究[D];湖南大学;2009年

4 张振义;基于人工神经网络BP算法的乌海电网负荷预测分析研究[D];电子科技大学;2008年

5 卢峥;电力系统短期负荷预测研究[D];湖南大学;2007年

6 刘学琴;小波和神经网络在电力系统中长期负荷预测中的应用研究[D];西安理工大学;2007年

7 吴功高;基于改进人工神经网络法的短期负荷预测[D];华北电力大学（北京）;2007年

8 苏炜宏;电力系统短期负荷预测主成分分析和人工神经网络的组合方法[D];南京理工大学;2002年

本文编号：2596527