小波BP网络在电网超短期负荷中应用.docVIP

小波BP网络在电网超短期负荷中应用本文主要针对美国最大的区域电网（PJM）应用小波分解下的BP神经网络进行超短期符合预测。从理论上对小波分解下的BP神经网络进行了详细的介绍，应用MATLAB仿真软件进行了预测计算，最后将预测结果与实际的测试数据进行了详细的对比，结果表明相比普通的BP神经网络预测方法，其准确度有了一定的提高。 关键字：小波分解；BP神经网络；负荷预测；电网 中图分类号：TN711文献标识码：A 文章编号： 1.引言 电力系统负荷预测指的是，在充分考虑一些重要的系统运行特性、增容决策、自然因素与社会影响的条件下，研究或利用一套系统来处理过去与未来负荷的数学方法，在满足一定精度要求的前提下，确定未来某特定时刻的负荷数值。 在生产实践中，负荷预测有着其至关重要的意义：电力系统负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作之一。准确的负荷预测，有利于经济合理的安排电网内部发电机组的启停，保持电网运行的安全稳定，减少不必要的旋转储备容量；有利于用电管理，合理的安排电网运行方式和机组检修计划，保证社会的正常生产和生活；有利于节煤、节油和降低发电成本，提高电力系统的经济效益和社会效益；有利于制定合理的电源建设规划，决定未来新发电机组的安装及装机容量的大小、时间和地点；有利于合理的安排电网的增容和改建、决定电网的建设和发展。未来电网内负荷变化的趋势与特点，是一个电网调度部门和规划部门所必须具有的基本信息之一。 负荷预测从预测的时间范围上可以分为长期、中期、短期和超短期预测。长期预测一般指十年以上并以年为单位的预测；中期预测指在五年左右以年为单位的预测；中长期负荷预测主要是用于制定电力系统的扩建规划；短期预测指一年内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，通常预测未来一个月、未来一周、未来一天的负荷指标，也预测未来一天每小时的负荷；短期负荷预测对电力企业的日常运营起到指导和调节作用，有利于合理安排电力日生产计划；超短期负荷预测指未来1h、0.5h,甚至10min的预测，其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，满足给定运行要求，同时使发电成本最小。 一般目前的电力系统负荷预测有以下几种方法：一般指数平滑模型、时间序列预测技术、神经网络预测技术、小波分析方法、灰色预测技术、模糊逻辑技术或组合预测法。 本文主要针对美国最大的区域电网——PJM应用小波分解下的BP神经网络进行超短期符合预测。 2.理论背景 神经网络在电力系统中的研究领域已涉及到了很多方面，如暂态、动态稳定性分析，负荷预测，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等。 1991年D.C.Park等人首次将人工神经网络（ANN）方法引入了电力负荷预测，引起了广泛关注。 本文应用的是误差反传学习算法(BP)，简称BP神经网络算法，是现在应用最成功、最广泛的人工神经网络。 BP网络通常由输入层、输出层和若干隐层组成。 BP网络是正向、各层相互全连接的网络。对于输入信号，要经过输入层，向前传递到隐层节点(隐层可以是一层，也可以是多层)。 经过作用函数后，再把隐层节点的输出送到输出层节点，最后给出输出结果。BP网络的算法（学习过程）由正向传播和反向传播两部分组成。正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每一层神经元状态只. 修正权值 （1-1） 其中 （1-2） 小波理论源于傅立叶分析．经傅立叶变换处理后的信号只能在时域或者频域进行分析．经小波平移和伸缩变换处理后的信号，可在时频域对其局部细节进行多分辨分析。 图2 BP神经网络预测流程图 小波神经网络，把小波变换与神经网络有机地结合起来，充分继承了两者的优点。小波与神经网络可以按以下两种途径结合：一是松散型结合，即小波分析作为神经网络的前置手段，先将电力负荷数据进行小波分解，得到各尺度上的小波系数，再利用这些小波系数组成特征向量，输入给常规神经网络进行处理；二是紧致性结合，直接以小波函数代替常规神经网络的Sigmoid或径向基函数作为神经网络的隐节点激励函数，以小波的尺度和平移参数作为神经网络的权值和阈值参数，构成一种新型的前馈神经网络。 3.实例分析 本文选用美国PJM电网2011年3月RTO每小时的负荷监测数据数据作为训练集和验证集， 图3 对原始数据进行小波分解后的数据波形 图4其中一个小波的训练曲线 建立了三层BP神经网络，并对初始数据进行小波处理，利用Matlab中已有的小波工具箱函数将原始序列分解为3个小波和一个母波，将数据分别进行归一化处理后，利用M