决策支持系统在电力负荷预测中的应用.doc

决策支持系统在电力负荷预测中的应用 　　【摘要】本文讲述了决策支持系统在电力负荷预测中的应用。分析给定样本的用户历史用电数据，针对预测目标数据量的大小，分别用傅里叶级数和数据挖掘技术中的BP神经网络建立了电力负荷预测分析模型。利用模型为电力系统生产计划提供辅助决策，以缓解供电压力。本研究对决策支持系统和数据挖掘技术的应用有一定的参考价值 【关键词】电力负荷预测；傅里叶级数；BP神经网络；决策支持系统 一、引言 电力负荷预测是电力系统制定发电计划和实现电量的合理调度的关键，是电力企业日常经营管理工作的重要组成部分，也是电力合理生产和规划的有效保证。因此，在电力资源相当紧张的形势下，分析用户历史用电数据，建立相应的模型描述其发展规律，以预测未来一段时间内用户的用电负荷，辅助电力系统运行人员制定出经济、合理的发电方案，将对国民经济发展和居民正常生活具有重要意义。它有助于电力系统工作人员高效地预估电能的生产、分配和消费情况，确保电网安全经济的运行 对于数据量较小且用电量具有一定周期性的电荷预测问题，根据任何周期函数都可以用余弦函数和正弦函数构成的无穷级数来表示的数学原理，本文采用傅里叶级数进行曲线拟合。根据拟合得到的曲线模型预测用户接下来数月的用电量 对于数据量过大，无明显规律可循且对预测数据精度要求较高的电荷预测问题，由于BP神经网络具有高度非线性和较强的泛化能力，适合处理大数据相关问题，故本文采用BP神经网络模型，对输入输出进行训练，获得输入输出之间的映射关系，将实际数据代入训练好的神经网络进行电荷预测 二、决策支持系统与电力负荷预测 （一）决策支持系统与数据仓库 1、决策支持系统的概念 决策支持系统是按照决策问题的需要，利用数据，模型和知识等决策资源，组合形成解决问题的多个方案，通过计算获得辅助决策的依据，达到支持科学决策的计算机程序系统 2、基于数据仓库的决策支持系统 数据仓库是面向主题的，稳定的，集成的，不同时间的数据集合，用于为辅助经营管理中的决策制定过程。包括历史基本数据，当前基本数据，高度综合数据，轻度综合数据和元数据共五层结构 （二）电力负荷预测技术 1、傅里叶级数 傅里叶级数是一种特殊的三角级数。假设周期为2l的函数f（x），在[一l，l）上满足狄利克雷条件，则该函数在连续点处的傅里叶级数展开式为： 其中，a0，an，bn均为傅里叶系数。根据傅里叶级数原理，任何函数均可被看作一种波动的表现形式，可以用三角级数无限逼近；通过对傅里叶级数展开式及系数的调整，总会找到一个傅里叶级数展开式来描述该振动的变化规律。因此傅立叶级数对周期性或带有季节性的时间序列预测效果较好 2、BP神经网络 BP神经网络是一种较为典型的神经网络模型，它是基于误差反向传播的多层前向型神经网络，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。分两步进行：正向传播时，信息由输入层传至隐层，经输出层输出；反向传播时，按照误差大小由输出层经隐含层逐步调整输入层各神经元的联结权值以及阈值，直至网络输出与样本期望输出的误差小于给定值。工作过程分为两个阶段：1.训练阶段：对网络的连接权重进行修改和调整，使该网络输出给定样本的输入输出映射关系；2：工作阶段：把实际数据或实验数据输入到网络，网络在误差范围内计算出结果 三、应用 （一）案例一 1、问题描述 表一是用户1每月用电量。要求建立数学模型，预测该用户2015年10月-2016年3月每月用电量（包括每月峰期、平期、谷期电量） 2、模型建立 表一中设计到的数据量较少，故选取最小二乘直接拟合并使用MATLAB的cftool工具箱选取合适模型 直接拟合：以月份作为自变量，对应月用电量作为因变量，选择数学函数进行拟合。经多次对比试验，采用7阶多项式以及傅里叶级数进行七阶拟合时误差最小 3.3 傅里叶拟合--谷期 3.4 傅里叶拟合--平期 图3.1和图3.2为分别采用7阶多项式和傅里叶级数对峰期进行拟合时的结果，可知多项式拟合时可能会出现负值，且计算代价过高，参数量过大。结合实际考虑，用户用电量应属于类似正弦余弦波的波动曲线，且每年相应月份的用电量大致呈周期性变化，而傅里叶级数恰好可以模拟任一周期函数。因此，选用傅里叶级数作为预测模型。图3.3，3.4分别为傅里叶级数对用户1谷期，平期用电量的拟合图像。由图可见，拟合结果中非线性回归的可决系数R几乎均接近1，说明模型的拟合精度很高，因此该模型预测效果很好 3、电荷预测 根据拟合得到的傅里叶曲线模型得到公式中的相关参数，然后以月份作为自变量预测得出用户2015年10月到2016年3月的用电量 （二）案例二