负荷预测改进神经网络报告精要.ppt

负荷预测神经网络模型 负荷数据预处理 训练样本的选择及训练方式会对预测结果和预测精度产生严重影响。所采有的电力系统负荷数据均为天津市的某地区的实际负荷数据，可不考率伪数据，只考虑负荷数据的归一化处理。 部分数据 预测模型的确定 预测模型的确定 预测模型的确定 预测模型的确定 预测模型的确定 算例分析 BP算法 算例分析 GA-BP算法 基于神经网络的电力系统负荷预测 负荷预测算例分析 负荷预测神经网络建模 负荷预测概述 负荷预测概述 电力系统的作用是对各类用户尽可能经济地提供可靠持续并且具有良好质量的电能。 为电网的安全监视 、运行方式和紧急状态处理提供了重要的决策依据 负荷预测是电力系统的一项基本工作，是调度安排开停机计划的基础，其结果是电力市场交易的主要依据。 电力系统负荷预测在系统规划、新发电厂和配电系统的建设上有着重要的地位。 负荷预测分类 超短期电力负荷预测 短期电力负荷预测 长期电力负荷预测 根据时间长短 指从几分钟到未来1小时内的负荷预测。 意义在于对电网进行计算机在线控制，实现发电容量的合理 调度，满足给定的运行要求，同时使发电成本最小。 中期电力负荷预测 指一个小时到未来1天甚至到一周的负荷预测 。 意义在于经济合理的安排电网内各发电机组的启停，使系统 在要求的安全范围内降低旋转储备容量。 指几个月或几年的预测。 意义在于提供制定发电计划的主要依据。 指5年以上的预测。 意义在于对电网的改进、系统的远景规划、新电厂的投建 提供重要的参考依据。 短期负荷预测 短期电力负荷预测既是电力系统优化调度的基础工具，又是电力企业日常经营管理工作的重要组成部分。 准确的短期负荷预测是调度机构制定供电计划和做好电网供需平衡的关键，有助于系统运行人员高效地预估电能的生产、输送、分配以及消费情况，制定出经济、合理的发电方案。 短期电力负荷预测关系电力系统调度和管理工作，影响电网安全稳定运行和电网公司的经济利益。 现代预测方法 人工神经网络法 神经网络技术进行负荷预测，是电力系统中一种新型的预测方法。人工神经网络（Artificial Neural Network，简称ANN）是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络，它是理论化的人脑神经网络的数学模型，是基于模仿人脑神经网络的组织结构、处理方式和系统功能而建立的一种信息化处理系统。其良好的自学习和自适应能力、强大的容错能力以及能够充分逼近任意复杂的非线性系统的能力，适用于非结构性、随机性、非线性的电力系统负荷序列变化，在现代电力系统负荷预测中具有广泛的应用。 目前用于负荷预测中主要有BP神经网络模型、RBF神经网络模型等，通过网络的不断学习和训练来提高预测要求。但是人工神经网络对历史负荷数据序列的准确性和全面性具有较高的要求，且计算量通常较大，算法比较复杂。而且该方法存在一些不足之处，如网络结构缺乏理论指导、网络参数确定缺乏依据、训练过程易陷入局部最小点、收敛速度慢等，需要进行不断的改进。 BP 网络预测模型 以天津市某地区某月 16 个工作日的整点有功负荷及各工作日第二天的气象特征作为神经网络训练样本的输入，以各工作日第二天的 24 小时实时历史负荷数据作为神经网络的输出来训练网络。 X1到X24 为预测日前一天 0-24 时各个整点时刻的负荷实测值，X 25为预测日的最高气温，X26 为预测日的最低气温,输入层共 26 个节点；由经验公式隐含层选取了53 个节点；输出层共 24 个节点，yk表示预测日当天 24小时各个整点时刻的负荷预测值， y? 表示预测日当天各个整点时刻的负荷实际值。E 为预测值与实际值的误差，wij 和wjk 分别为输入层到隐含层、隐含层到输出层之间的连接权值。 输入层数据归一化 输出层数据反归一化 式中 xmax， xmin分别为原始数据的最大值和最小值。x，x?分别为输入量归一化前后的值。 算例部分数据 （归化后数据） 编码方案 二进制编码编码简单但精度不高，对预测结果很大影响，所以采用实数编码方式 该图的实数编码为：0.3341，-0.4993，0.0061,0.2339，-0.5285，-0.0866，-0.7326,0.3609，-0.7230。 编码长度根据本文所给出的 BP 网络结构计算。整数部分为 1 位，小数部分为 4 位，其中不含符号位，设 S 为输入层节点数 26，R1 为隐含层节点数 53，R2 为输出层节点数 24，则编码长度为 5*（S*R1+R1*R2+R1+R2）=13635。所有权值按照上图连接起来组成一条