基于RBF络电负荷预测优秀可研性方案书.docVIP

四川理工学院毕业论文 基于RBF神经网络的短期负荷预测研究 学 生：周路尧 学 号：09021040324 专 业：电气工程及其自动化 班 级：2009.3 指导教师：曾晓辉 四川理工学院自动化与电子信息学院 二〇一三年六月 基于RBF神经网络的短期负荷预测研究 摘要：随着电力市场的不断发展，对电力负荷科学管理的迫切要求以及对准确和适应性强的负荷预测模型的渴望，使得负荷预测的重视程度越来越高。本文采用了基于RBF(Radial Basis Function)神经网络的电力系统短期负荷预测方法，简单讨论了影响负荷的各种因素，并根据电力负荷的特点主要针对负荷值设定7个输入节点， 1个输出节点以及48点负荷值，将1999年1月3日至9日负荷数据作归一处理并作为训练数据预测10日负荷值。该方法训练速度快，收敛性好，而且可以大大地减少隐含层神经元的数目，有效地提高了预测精度和预测速度。最后根据预测结果和实际负荷进行比较，表明其误差在允许范围之内，预测精度是符合要求的，从而说明了该方法的正确性和实用性。 关键词：电力系统；负荷预测；RBF神经网络；预测模型  The Research of Short-Term Load Forecasting Based on RBF Neural Networks ZHOU Luyao (Sichuan University of Science and Engineering,Zigong, China, 643000) Abstract：This paper uses a brief discussion of the various factors affecting the load based on RBF (Radial Basis Function) neural network short-term load forecasting method，and according to the characteristics of the main power load for the load setting seven input nodes, one output nodes, and 48 point load value, the year 1999 January 3 to 9 for the normalized load data processed and used as training data to predict the 10th load value.This method training speed, good convergence, and can greatly reduce the number of hidden neurons, effectively improve the prediction precision and predict speed. Based on the result and the actual load, compared the error that the scope of the permit, the forecasting accuracy is to satisfy the requirements, which shows that the method is correct and practical. Key words：Electric power system; Load forecasting; RBF neural network; Prediction model 第1章 前 言 1.1负荷预测研究的背景和意义 负荷可指电力需求量或用电量，而需求量是指能量的时间变化率，即发电厂、供电地区或电网在某一瞬间所承担的工作负荷；而对用户来说，用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗的功率之和。电力系统的任务是给广大用户不间断的提供优质电能，满足各类负荷的需求。 电力系统负荷预测是根据电力负荷、经济、社会、气象等的历史数据，探索电力负荷历史数据变化规律对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，从而对未来的电力负荷进行科学的预测。 电力系统在逐步发展、完善过程中，负荷预测己成为能量管理系统(EMS)中一项独立的内容；在当前电力系统市场化的必然趋势下，负荷预测已成为电力市场交易管理系统中必不可少的一部分。在实际应用中，电力系统不同组成部分对负荷预测的范围和精度有所不