毕业设计（论文）-基于BP神经网络的电力系统短期负荷预测.doc
《毕业设计（论文）-基于BP神经网络的电力系统短期负荷预测.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）-基于BP神经网络的电力系统短期负荷预测.doc（47页珍藏版）》请在冰点文库上搜索。
本科生毕业设计说明书（毕业论文）
题目：
基于BP神经网络的
电力系统短期负荷预测
专业：
电气工程及其自动化
基于BP神经网络的电力系统短期负荷预测
摘要
电力系统短期负荷预测在实时控制和保证电力系统经济、安全和可靠运行方面起着重要作用，它已成为电力系统中现代能量管理系统的一个重要组成部分。
负荷预测的误差将导致运行和生产费用的剧增，因此，精确的预测就成了电力工作者和科技人员致力解决的问题。
电力系统负荷变化受多方面影响，一方面，负荷变化存在着未知不确定因素引起的波动；另一方面，又有周期变化的规律性，这使得负荷曲线具有相似性。
同时，由于受天气、节假日等特殊情况的影响，又使负荷变化出现差异，呈现强烈的非线性特性。
本文提出了一种基于BP神经网络的预测方法，这种方法的最大优点就是对大量的非线性特性、非准确性规律具有自适应功能。
本文主要针对BP神经网络应用于电力系统短期负荷预测做了进一步的研究,并通过MATLAB设计BP神经网络，仿真结果表明BP神经网络在短期负荷预测中的应用是可行的，能较好的反映负荷预测的非线性特性，但由于本文没有考虑气候，温度，节假日等因素的数据，做出来的仿真结果并不令人十分满意，不过依然可以肯定BP神经网络依然优于传统的预测方法，是一个有待于我们去研究和开发的新领域。
关键词：
电力系统；BP神经网络；短期负荷预测
BasedonBPneuralnetworkpowersystem
Short-termloadforecasting
Abstract
Short-termloadforecastinginreal-timepowersystemcontrolandtoensureeconomic,safeandreliableoperationplaysanimportantrole,ithasbecomeamodernpowersystemenergymanagementsystemisanimportantcomponent.Loadforecastingerrorswillleadtosharpincreaseinoperatingandproductioncosts,therefore,accuratelypredictthepowertobecometheworkersandtechnicalpersonneltoaddresstheproblem.
Variouspowersystemaffectedbytheloadchange,ontheonehand,thereistheunknownloadchangecausedbyfluctuationsinuncertainty;theotherhand,thereareperiodicchangesinthelaws,whichmakesasimilarloadcurve.Atthesametime,duetoweather,holidaysandotherspecialcircumstancesof,anddifferencesintheloadchangesoccur,showingastrongnonlinearity.
Inthispaper,BPneuralnetworkbasedpredictionmethod,thebiggestadvantageofthisapproachisthatthenonlinearcharacteristicsofalargenumberofnon-accuracyofthelawofadaptivefunction.Inthispaper,BPneuralnetworkforshorttermloadforecastinginpowersystemtodofurtherresearchanddesignBPneuralnetworkthroughtheMATLAB,simulationresultsshowthatBPneuralnetworkintheshort-termloadforecastingisfeasible,andcanbetterreflecttheloadpredictthenonlinearcharacteristics,butbecausethisarticledoesnotconsidertheclimate,temperature,holidaysandotherfactors,thedata,soitisnotverysatisfactorysimulationresults,butstillcertainlybetterthanthetraditionalprediction,anditisaneedtobeustonewareasofresearchanddevelopment.
Keywords：
PowerSystems;BPneuralnetwork;Short-termLoadforecasting;
目录
基于BP神经网络的电力系统短期负荷预测 I
摘要 I
Abstract II
第一章绪论 1
1.1课题背景和意义 1
1.2现有的电力负荷预测方法综述 1
1.3基于神经网络的负荷预测技术研究现状及存在的问题 4
1.4本文的主要内容及结构 5
第二章BP神经网络的基本原理 7
2.1引言 7
2.2BP神经网络的基本原理 7
2.3BP神经网络的主要缺点及改进 14
2.3.1BP算法的优点 14
2.3.2BP算法的缺点 15
2.3.3BP算法的改进 16
2.4本章小结 17
第三章负荷预测的概述 18
3.1引言 18
3.2负荷预测的组成及作用 18
3.3短期负荷特性分析 20
3.4短期负荷预测的模型 21
3.4.1短期负荷预测模型要求 21
3.4.2短期负荷预测的基本模型 22
3.4.3本论文中短期负荷预测的模型 23
3.5本章小结 24
第四章电力系统短期负荷预测的MATLAB实现 25
4.1引言 25
4.2神经网络预测模型 25
4.2.1样本集的设计 25
4.2.2网络结构设计 25
4.2.3参数的选择 27
4.2.4输入输出数据预处理 28
4.3MATLAB仿真实现 30
4.3.1实例分析 30
4.3.2仿真结果 33
4.4本章小结 35
结论 36
参考文献 37
附录 38
致谢 42
V
第一章绪论
1.1课题背景和意义
电力系统负荷预测是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。
电力系统负荷预测理论就是因此而发展起来的，尤其在形成电力交易市场的过程中，负荷预测的研究更具有极其重要的意义。
电能的特点之一是不能大量储存，即电能的生产、输送、分配、消费是同时进行的，所以系统内的可用发电容量，在正常运行条件下，应当在任何时候都能满足系统内负荷的要求。
若发电容量不够，则应当采取必要的措施，来增加发电机组或从邻网输入必要的功率；反之，若发电容量过剩，则也应当采取必要的措施，如有选择地停机（如计划检修）或向邻网输出多余的功率。
因此，对未来本电网内负荷变化的趋势与特点的预测，是一个电网调度部门和规划设计部门所必须具有的基本信息之一。
负荷预测按预测的时间可以分为长期、中期和短期负荷预测，其中，在短期负荷预测中，周负荷预测（未来7天）、日负荷预测（未来24小时负荷预测）以及提前数小时预测对于电力系统的实时运行调度至关重要，因为对未来时刻进行预调度要以负荷预测的结果为依据。
负荷预测的结果的准确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。
在当前市场化运营的条件下，由于电力交易更加频繁和经营主体之间的区别，会出现各种不确定性因素，同时负荷对于电价的敏感度也随着市场的完善而逐渐增强，这也给负荷预测带来了新的难度。
由于市场各方对信息的获取和运营的经济性更加重视，准确的预测对于提高电力经营主体的运行效益有直接的作用，短期负荷预测的重要性就更加突出。
因此，电力系统短期负荷预测的研究不仅具有一定的理论背景而且还有广阔的工业应用前景。
1.2现有的电力负荷预测方法综述
以前，负荷预测往往是凭借调度人员的经验作直觉判断，即根据已有的资料和经验，编制负荷预测曲线。
近年来许多学者对此进行了研究，提出了很多种预测方法，并且及时地将数学上的最新进展应用到预测中去，使预测的水平得到迅速提高，负荷预测研究取得了很大的进展。
已有的负荷预测方法可以分为经典的方法和智能技术两大类。
经典方法主要是基于各种统计理论的时间序列模型，而智能技术包括人工神经网络和专家系统方法。
具体的预测方法有如下几种：
（1）回归分析法
回归预测是负荷预测常用的方法，即根据历史数据的变化规律寻找自变量和因变量之间的回归方程，确定模型的参数，据此做出预测。
它分为一元线性回归，多元线性回归，一元非线性回归和多元非线性回归。
（2）时间序列法
时间序列模型有自回归（AR），动平均（MA），自回归一动平均（ARMA）等模型。
使用时间序列法一般要进行序列分平稳化、模型的识别、模型阶数的确定、模型参数的估计、模型检验以及负荷预报等步骤。
由于时间序列方法是假定负荷曲线是平稳的时间序列，但实际上电力系统的负荷并非平稳时间序列，所以利用它来预测周末、节假日或季节变化周期时，预测精度就比较差，同时复杂的模型技术，和巨大的计算量也是它的不足。
（3）灰色系统预测方法
灰色系统理论应用于电力系统负荷预测，如果将影响负荷的各种因素联合起来看成一个大系统，那么它兼有确定性和不确定性，本征性和非本征性灰色系统的特征，实际的负荷历史资料能够清楚地显示其灰色系统特征，年、月、日负荷既有逐年增长趋势的确定性一面，同时又有每年每月每日负荷值随机变化的不确定性的一面，因此可以利用灰色系统理论来研究电力系统负荷预测。
但是灰色系统方法一般用于中长期的负荷预测较多。
（4）卡尔曼滤波预测方法
卡尔曼滤波法是建立状态空间模型，把负荷作为状态变量，用状态方程和量测方法来描述。
卡尔曼滤波算法递推地进行计算，适用于在线负荷预测，这是在假定噪声的统计特性以知的情况下得出的，而估计噪声的统计特性是个难点。
（5）神经网络预测方法
一般的负荷预测方法没有考虑天气情况，也有的涉及大气变化对负荷的影响。
前者是基于外推法，负荷情况是用时间序列或趋势曲线表征，主要为静态变量模型和ARMA模型，后者是将总负荷分解为天气敏感负荷和非天气敏感负荷，天气敏感负荷大多用相关技术进行预测，然后对每个负荷元素进行预测，最后得到总的负荷预测值。
另一类方法是从前述专家系统的观点找到历史负荷数据和温度之间的对应规则，它是运用知识、经验和经验系统操作器的模拟推理预测负荷。
运用神经网络技术进行电力负荷预测的优点是对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、逻辑推理和优化计算的特点。
其自学习和自适应功能是常规算法和专家系统技术所不具备的。
我们可以将对电力负荷影响最大的几种因素作为输入，即当天的温度、能见度、风力、平均湿度、峰谷负荷及相关负荷等，争取获得较好的预测结果。
用ANN预测电力系统负荷是ANN在电力系统中应用最为成功的领域之一，ANN预测负荷的良好性能已得到普遍的认可。
（6）模糊逻辑方法
电力系统负荷预测问题可作为多输入多输出未知系统来处理，具有去模糊的模糊逻辑系统可以识别和以任意精度在一个简单设备上去逼近任意未知非线性动态系统。
在每周负荷趋势中，在某种周期变化在工作日之间、周末之间、月与月之间、季与季之间同一小时都存在某种相似性。
已证明，模糊逻辑系统具有从大量数据中描绘这种相似性的能力，因此只要有足够大历史数据，就能识别负荷趋势中存在的相似性。
因此利用模糊逻辑系统去识别和预测负荷是合理的，可是如何实现这种预测或换句话说，如何去识别这种相似性或未知动态系统仍然是一个问题。
（7）专家系统预测方法
专家系统是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有某个领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理，在那个领域内做出智能决策，所以一个完整的专家系统是由四个部分组成:
知识库、推理机、知识获取部分和界面。
对于专家系统最重要的部分是知识库，一方面需要足够的知识，而且知识于数学规则之间的转化是非常重要的。
利用专家知识建立短期负荷预测，但将专家知识转化为数学规则是特别困难的。
1.3基于神经网络的负荷预测技术研究现状及存在的问题
利用神经网络进行负荷预测是近几年来才开始广泛使用的负荷预测方法，其优点是对大量的非结构性、非准确性规律具有自适应功能。
其中BP神经网络具有较强的非线性拟合能力，尤其对预测中天气、温度等因素的处理尤为方便。
应用人工神经网络对电力系统进行负荷预测，主要的任务就是利用人工神经网络可以以任意精度逼近任意非线性过程的特性，来模拟负荷的运行规律，目前应用的情况主要集中在以下几个方面。
（1）网络和标准BP算法
神经网络的输入及输出量都是相关历史负荷数据而网络的训练样本的数据凭经验选取。
对所选取的神经网络结构也没有一定的方法给出。
这种方法主要用于电力系统日负荷预测。
它算法简单，计算速度快，但是预测误差较大。
（2）前馈神经网络和BP算法，并加入了温度的影响
神经网络的输入量为历史负荷值与温度值，输出量为预测值。
不同的类型日及不同的时间段，采用不同的编码夹表示。
这种方法用一个神经网络表示了不同的情况，但是增加了网络的输入节点，同时为了使其具有泛化能力，隐含层节点也要增加，这就增加了神经网络的复杂性，延长了网络的训练学习时间。
（3）前馈神经网络和改进即算法
神经网络的输入及输出量的选取基本同上，只是利用了神经网络的多种改进算法。
大致有以下几种：
加入动量项的BP算法、二阶BP算法、变步长算法、基于Karman滤波的快速算法、遗传学习算法等。
这种方法加快了网络训练的收敛速度，有的方法对预测结果也有一定的改善。
但是，这种方法由于加入了多个约束因子，确定其值比较困难。
（4）模块神经网络的方法
由于电力系统负荷在不同的情况下，运行规则是不同的。
比如在不同的类型日、一天中的不同时段，其运行规律不同。
因此应选取多个神经网络解决不同的情况。
对每日24小时分为五个时段，每个阶段都用不同的网络进行预测。
这种方法的优点是每小块的网络结构简单，网络训练速度快，预测精度也较高，但网络个数太多。
利用神经网络进行短期预测有以下几个问题需要解决：
（1）神经网络结构的选取。
由于电力系统负荷的运行规律是相当复杂的，对应用于电力系统负荷预测的前馈结构的选取对神经网络是否能体现负荷变化规律至关重要。
（2）输入样本的选取。
把前馈应用于电力系统负荷预测，就是要利用人工神经网络的高度非线性影射特性，来找出电力系统中输入与输出点影射关系。
输入样本的选取对前馈神经网络是否能够体现电力系统负荷的运行规律有很重要的作用。
（3）电力系统负荷历史数据的预测处理方法。
电力系统负荷运行是一非平稳随即运行的过程，其中存在着许多偶然因素的影响，比如拉闸限电等认为因素的影响，并且历史负荷数据的测量还存在着噪声影响，因此负荷的历史数据常常包含“不良数据”，这就需要在对其利用前进行预测处理，因此需要研究数据预测处理方法。
（4）应用于电力系统负荷预测的前馈网络的学习速度及预测精度还需要进一步提高。
总之，把人工神经网络应用于电力系统负荷预测中，还是一个十分崭新的研究课题，很多学者在这方面做了大量的工作。
本文正是从这里出发，提出了各种方法，对神经网络应用于负荷预测进行了研究，并从理论上证实了本文中各种方法的先进性及实用性，从而使人工神经网络更好地应用到电力系统负荷预测中，为生产实际提供良好的服务。
1.4本文的主要内容及结构
第1章主要介绍了目前为止国内外专家电力负荷预测的领域里取得的成就与研究的重要成果，以及各种方法对电力预测的优点和缺点，使我更好的了解了我研究的课题目前的状况和发展的趋势。
第2章主要介绍了BP神经网络的原理，提出计算参数的BP算法，以及BP网络在预测电力负荷预测中的优点和缺点。
主要强调了BP神经网络的缺点，并且提出了几种改进方法，使BP在电力负荷预测领域里能够更充分的发挥其优点。
第3章主要介绍了短期电力负荷预测的定义和影响电力负荷预测的因素，一般情况下，考虑的因素越多，最后的误差肯定越下。
本文因为数据比较单一，因此没有办法考虑很多因素，因此最后的结果不是十分令人满意。
第4章主要介绍了下本文的建模过程，以及对仿真结果的分析和处理。
第二章BP神经网络的基本原理
2.1引言
我们把存在于人脑中的实际神经网络叫做生物神经网络（BiologicalNeuralNetworks，简称BNN），而把向生命学习，用电子方法、光学方法或其它生物物理化学方法仿照生物神经网络所构造出来的神经网络，称为人工神经网络（ArtificialNeuralNetworks，简称ANN），平常所称的神经网络指人工神经网络。
误差反向传播神经网络，简称BP网络（backpropagation），是一种有隐含层的多层前馈网络，它是人工神经网络模型中应用最广泛的一种。
它由输入层、隐含层和输出层构成，层与层之间多采用全连接方式，同一层神经元之间不存在相互连接。
如果网络的输入节点数为N，输出节点数为M，则这种神经网络可看成是从N维欧氏空间到M维欧氏空间的映射，这种映射是高度非线性的。
BP模型思路清晰、结构严谨、工作状态稳定、可操作性强，已经证明含有足够多隐含层节点的3层BP网络能够以任意精度逼近一个非线性函数。
现实世界中的许多问题，如模式识别、非线性映射、复杂系统仿真、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等，都可以转化成这种神经网络来处理。
但是BP神经网络在训练中存在着收敛速度慢、易陷入局部极小点等缺陷，从而限制了它在实际中的应用，为此本章从这两个缺点入手对它提出了改进:
（1）针对神经网络的收敛速度慢的缺陷，采用了带有变步长η和变动量因子α的改进BP算法，
（2）针对BP神经网络由于初始权值选取不当容易陷入局部极小点，本文将遗传算法引入到网络初始权值的确定中，提出了遗传算法和BP神经网络相结合遗传BP神经网络训练算法与传统神经网络方法相比，该方法可以加快网络学习速度和提高学习精度。
2.2BP神经网络的基本原理
BP网络学习是典型的有导师学习，其学习算法的基本思想是最小二乘学习算法，或称LMS（LeastMeanSquares）算法。
它实质上是一个无约束的优化计算过程，采用剃度搜索技术，沿着误差的负梯度方向不断修正网络中的权值与闽值，直到误差达到最小数值。
网络学习过程是一种误差边向后传播边通过一些学习规则来修正神经元之间的连接权值的过程。
BP网络的每一层的连接权值都可以通过学习来调节。
本文负荷预测所采用的是三层NN结构，如图2-1所示。
图中的输入是一个N维矢量X，X=，它的输出是一个M维矢量Y=。
网络的第一层包括J个神经元，其输出为。
第2层包括K个神经元，其输出为。
第3层包括M神经元，其输出为。
输入矢量分量至第一层各神经元之间的权重系数用表示。
第一层至第二层之间的权重系数用表示。
第二层至第三层之间的权重系数用表示。
图2-1采用S形函数的前向三层神经网络结构模型
图2-2前向三层神经网络结构中的通用层结构
为了方便分析，可用一个通用神经元来描述三层中任意一层（l层），如图2-2所示：
对于图2-1中的第一层，它的变量与参数和通用层结构中的各变量与参数对应关系如下所列：
=,=0,1,,L-1（2-1）
=,=1,2,,Q-1（2-2）
其中和的第一个下标p表示学习过程中所用的训练样本编号，若l=3,则通用层的各输出分量与三层神经网络总的输出矢量的各个分量相对应。
对于图2-2所示的通用层，它的输出与输之间的关系可表示如下：
（2-3）
式子中的是S形函数。
下面是按照最陡下降法导出采用S形函数的BP算法。
假设对于训练样本p，三层神经网络总输出矢量Y的各个分量的理想值是而这些分量的实际值是
（2-4）
理想值与实际值之间的误差是，各输出误差的平方和可以表示为
（2-5）
由式子（2-3）可知，改变网络中各隐层间的加权系数，可以使尽可能减小。
因此我们采用最陡下降算法来导出数值的调整量地计算公式如下：
（2-6）
式子中的α是学习的步长，它可以为一个常量也可随学习过程而变化，进行自适应调整。
为了算出（2-6）右侧的微分，我们先将它表示为下列的符合微分：
（2-7）
我们设置一个新变量，如下：
（2-8）
由（2-3）可知：
（2-9）
将（2-8）和（2-9）带入（2-7），再将（2-7）代入（2-6），即能得到权值调整的计算式：
（2-10）
其中可直接从神经网络中得到，而不能直接得到。
因此，为了求得，我们再一次用复合函数的微分得到
（2-11）
引用（2-3）就可以求得（2-11）右测第二项的下列计算公式：
（2-12）
此式的计算由下式子完成：
（2-13）
（2-14）
为完成（2-11）右测第一项的计算，我们分两种情况进行讨论。
（1）对于网络的输出层，有，则可表示为
（2-15）
可求得
（2-16）
式中的是伴随训练样本给出的，即，因此，此式可立即计算，将（2-16）和（2-14）代入（2-11）就能得到
（2-17）
（2）对于网络的隐含层，即第一层和第二层，（2-11）右侧第一项可推导如下：
当或时，根据（2-3）可以写出下列公式：
（2-18）
这样有
（2-19）
此式右策求和括号中的第二项为：
（2-20）
根据（2-11），可知（2-19）求和括号中的第一项即是，可表示为：
（2-2
升级会员 