基于BP神经网络电力系统负荷预报.pptVIP

基于BP神经网络的电力系统负荷预报 报告主要内容 电力系统负荷预报的问题描述 BP神经网络原理概述 仿真实验 问题描述 近几年，我国南方一直处于“电荒”的被动情况，为了更好地利用电能，必须做好电力负荷的短期预报工作。负荷预报的误差将导致运行和生产费用的剧增，因此，精确的预报就成了电力工作者和其他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 ，呈现强烈的非线性特性 负荷预报的通常的3种解决办法 1.统计技术 ：分时间系列模型和回归模型 。缺点：不能充分利用对负荷性能有很大影响的气候信息和其他因素，建立精确模型困难 2.专家系统 ：利用专家的经验知识和推理规则，使节假日或有重大活动日子的负荷预报精度得到了提高 。 缺点：把专家知识和经验等准确地化为一系列规则是不容易的 3. 神经网络 众所周知，负荷曲线是与很多因素相关的一个非线性函数 。对于抽取和逼近这种非线性函数，神经网络是一种合适的方法。 神经网络的优点：具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽取和逼近隐含的输入／输出非线性关系 近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度 BP神经网络概述 BP网络的学习由4个工程组成： 模式顺传播 误差逆传播 记忆训练 学习收敛 BP神经网络的重要优势在于：学习性和自动调整性 目前主要用于：特征的提取、过程的控制和状态的预测 实用对象：非线性问题 本课题就是利用其具有的较强的非线性映射特性，来预测电力系统的负荷 划分负荷类型和日期类型 纵观已经发表的文献资料，大体有以下几种划分模式： 将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型 将一周分为星期一、星期二到星期四、星期五、星期六和星期日等5种类型 将一周的7天每天都看作一种类型，共有7种类型 这里采用第3种负荷划分模式，把每一天不加区分地看作不同的类型 输入向量设计 在预测日的前一天中，每隔2个小时对电力负荷进行一次测量，这样一来，一天共测得12组负荷数据 由于电力负荷还与环境因素有关，还需要通过天气预报等手段获得预测日的最高气温、最低气温和天气特征值（晴天、阴天还是雨天） 因此，输入变量就是一个15维的向量 输出向量设计 显而易见，目标向量就是预测日当天的12个负荷值，即一天中每个整点的电力负荷 所以输出变量就成为一个12维的向量 样本数据的采集 这里以南方莫缺电城市的2004年7月10日到7月20日的整点有功负荷值，以及7月21日到7月21日的气象特征状态量作为网络的训练样本，预测7月21日的电力负荷 数据的归一化处理： 目的：防止病态样本的出现，易于网络训练学习 公式： 4. 结论 网络经过了 30 步之后就达到了性能指标要求 TRAINLM, Epoch 0/1000, MSE 0.178884/0.01, Gradient 6.16052/1e-010 TRAINLM, Epoch 25/1000, MSE 0.0257032/0.01, Gradient 01e-010 TRAINLM, Epoch 30/1000, MSE 00.01, Gradient 2.28438/1e-010 TRAINLM, Performance goal met. 训练结果 预报误差曲线 由图可见，网络预测值和真实值之间的误差是非常小的，除了第6次出现了一个相对比较大的误差之外，其余的误差都在0左右。即使是第6次的误差也只有0.25，这完全满足应用要求。 5.参考文献 1. 飞思科技产品研发中心. 神经网络理论与MATLAB7实现.北京:电子工业出版社.2006 2. 闻新,周露,李翔,张宝伟.MATLAB神经网络仿真与应用.北京:科学出版社.2003,7 3. Kevin M. Passino, Stephen Yurkovich. Fuzzy Control模糊控制.北京:清华大学出版社.2001 * * 根据BP网络的设计方法，一般的预测问题 都可以通过单隐层的BP网络实现，所这里用单隐层的BP网络 中间层神经元数目的确定： 根据Kolmogorov定理 ，取31个 网络结构：15－31－12 传递函数的选取：网络中间层的神经元传递 函数采用S型正切函数tansig，输出层神经元 传递函数采用S型对数函数logsig 归一化后的数据如下