电力系统短期预测毕业设计外文翻译..doc

Z H Osman, M L. Awad, T K Mahmoud. Neural Network Based Approach for Short-Term Load Forecasting[C]. Power Systems Conference and Exposition, Seattle,2009. 基于神经网络的短期负荷预测 Zainab H. Osman, Mohamed L. Awad and Tawfik K. Mahmoud 摘要：短期负荷预测是电力系统规划和运作的一个重要组成部分。系统负荷的预测影响着机组的启停计划和安全评估，并对系统的运营成本和安全性也有着直接的影响。大多数电力公司用传统的回归方法进行负荷预测。然而，由于负荷和影响因素之间的非线性关系，或考虑负荷的季节性变化，传统的方法是不足够提供准确的负荷预测。传统的基于人工神经网络的负荷预测方法是用历史的温度数据来预测未来24小时的负荷，而急剧的温度变化导致了较高的预测误差。本文提出了一个新的神经网络来对短期负荷进行预测，它通过用最相关的气象数据进行训练、验证和测试神经网络。相关气象资料的数据决定了神经网络的输入参数， 通过埃及的实际负荷数据的应用说明了该方法的适用性。 关键字：负荷预测，神经网络，短期，相关分析。 Ⅰ引言 供电的基本要求包括安全性、可靠性、经济性三个方面。公用事业始终面临的挑战为最大限度地提高他们的短期和长期的运作效率来满足日益增长的负荷需求。为了实现这个目标，一些作业任务如燃料分配、机组组合、机组调配、储备分配和维护调度必须进行有效地降低整体营运成本。 为了满足负载的波动和公用事业的需求需要确保足够的输电和发电资源。资源的采购应满足经济性来优化运营成本。负荷需求对电力系统的运作和控制有着很大影响，提高负荷预测的准确性可以显著地节省资源。高预测误差可以导致过分保守或不可靠的操作。例如，过高的负荷的估计可以增加发电单位造成不必要的启动或购买过多的能量。相反，过低的负荷估计会导致热备用供应不足，这是违反安全操作要求的。负荷预测错误引起的供应缺乏也可导致近实时采购的价格比预期的要高。显而易见提高负荷预测的准确性对系统的安全性和经营成本有积极的效果[1]。 目前，电力公司使用的是世界范围内各种负荷预测技术。大多数发达国家的方法，大致可分为三类，即参数法，非参数法，基于人工智能的方法[2]。在参数法中，数学或统计的模型在负荷和影响因素之间建立起来。这些模型中有时间的函数，多项式函数，线性回归，傅立叶级数，自回归滑动平均（ARMA模型）模型[3] - [6]。在时间序列方法，负荷被视为是一些周期性的时间序列信号如每季，每周或每天的信号。这种重复循环使给定的每季，一周中每天，一天中的各个时间点的负荷的预测变得不准确。实际负荷和估计值之间的差异可以看作是一个随机过程，它可以使用卡尔曼滤波方法[7]进行改进。非参数方法直接对历史数据进行负荷的预测。例如，使用非参数回归法可以通过计算平均历史负荷再分配权重，以多元的产品内核来进行负荷的预测[8]。 近期，巨大的利益已指示我们应用人工智能技术进行负荷预测。这包括专家系统的应用[9][10]，其性能与传统方法进行比较参考[1]。它还包括利用模糊推理[11]和模糊神经网络模型[12][13]。 人工神经网络（神经网络）受到了高度的关注和努力。人工神经网络的主要优势是它们的数据分类和函数逼近。人工神经网络也能够检测出其与历史数据的依赖关系，而不需要制定具体的回归模型。应用人工神经网络进行负荷预测最先在20世纪80年代末和90年代初被提出 [14]。此后的人工神经网络已被广泛接受，并在许多公用事业中被使用[15] - [16]。 最传统的基于神经网络的负荷预测方法是通过对历史温度提前24小时进行预测或对第二天高峰负荷进行预测。这种方法的缺点是，当过去的一天的温度发生急剧变化时，负荷功率变化显著，从而导致较高的预测误差[17]。此外，传统的神经网络在整个预测过程中使用所有与该天类似的数据。然而，神经网络使用的是与该天数据类似的所有天数的数据，这项复杂的任务不适合学习神经网络。为了克服上述问题，本文提出了用仅一个小时的提前的天气数据来进行负荷预测的方法。在被提议的预测方法中，先根据气象数据分析出与负荷变化最相关的因素。这些最相关的气象数据用来训练，验证和测试的神经网络。相关气象资料的分析用来确定神经网络的输入参数。通过埃及实际系统负荷的应用说明了该方法的适用性。 Ⅱ负荷分析