短期电量预测的应用实例.docVIP

短期电量预测的应用实例 摘要：本文根据电力负荷预测的原理，用excel表格为分析工具，对单台变压器的短期电量预测进行了新的尝试。 关键词：负荷预测 短期负荷预测 电量预测 人工智能网络 0.引言 电力负荷预测是根据电力负荷、经济、社会、气象等的历史数据，当前及未来天气信息，预测未来电力负荷的过程。负荷预测是电力系统运行管理的关键组成部分。电力负荷及用电量因天气、社会活动的变化，具有很大的波动性和季节性；对电力负荷作出正确的预测，是电力系统制订扩容、运行、检修等计划的基础。为了电力系统运行的有效性和运行效率，我们需要准确地预测系统负荷；如果系统负荷预测过高，系统发电容量偏大导致运行成本过高；相反，如果系统负荷预测偏低，将会影响到系统的可靠性和安全性。 1.负荷预测的主要分类： 1.1按照预测指标分类: 电力负荷预测可分为电量预测和电力预测。电量预测包括社会用电量、网供电量、行业电量、区域电量等，电力预测包括最大负荷、最小负荷、负荷率、负荷曲线等。 1.2 按照预测时间的长短分类，负荷预测可分为以下三类： 1.2.1长期负荷预测：3～5年甚至更长时间段内的负荷预测，用于电力公司规划管理； 1.2.2中期负荷预测：月至年的负荷预测，用于燃料供应和机组维护的计划，功率共享协调； 1.2.3短期负荷预测：指日负荷预测和周负荷预测，用于经济运行计划，机组发电系统管理，安全分析，短期维护等； 1.2.4超短期负荷预测：是指未来1h以内的负荷预测，用于预防性控制和紧急处理。 2.短期负荷预测的常用方法： 随着科学方法的创新和计算机技术发展营造的实时环境及电力营销机制的发展，二十世纪九十年代中期以来，短期负荷预测在电力文献中是很常见的。尽管许多方法经过了测试并证明了实用性，目前还没有一种通用方法，主要是因为特定情况下的环境和负荷需求对适用模型的选择有着重大影响。 2.1时间序列分析法： 时间序列分析模型由美国学者george box和英国统计学家gwilym jenkins在1968年提出，被认为是最经典、最系统的预测方法，是短期负荷预测的常用方法。 2.1.1自回归——移动平均模型（arma，autoregressive moving average）： 自回归模型（ar，autoregressive）负荷的现在值是用过去值加权值的有限线性组合及一个干扰量来表示的；移动平均模型假设干扰的影响只表现在有限的几个连续时间间隔内，自回归——移动平均模型既包含了自回归部分，又包含了移动平均部分。 2.1.2累积式自回归——移动平均模型（arima，autoregressive integrated moving average）： 电力系统负荷受季节、天气、社会活动、设备状况等因素影响，负荷时间序列的变化会出现不平稳的随机变化过程。通过差分将负荷时间序列进行平稳处理，然后按照3.1.1的平稳时间序列模型进行建模；这就是累积式自回归——移动平均模型。 2.1.3季节性综合自回归移动平均模型(seasonal arima）： 由于每日负荷与前一天和上一周相同日具有相似性，不同季节之间的负荷具有明显的区别；累积式自回归——移动平均模型加上季节性因素以后，形成季节性综合自回归移动平均模型。 2.2基于人工智能网络技术（ann，atificial neural network）的预测方法： 研究人员常常使用基于人工智能网络技术的方法进行负荷预测并取得很好的成效，这些方法的闪光点在于假定人工智能网络对负荷特性有学习能力。 2.2.1什么是人工智能网络（ann）？ 人工智能网络始于人们认识到人的大脑以完全不同常规的数字计算机。人脑是一个高度复杂的、非线性的、并行的信息处理系统，组织神经元以超过当今最快的计算机数倍的速度进行运算；例如，在陌生的环境中辨别一张熟悉的人脸，大约只需要100～200毫秒，而常规计算机执行一项相对简单的任务还需耗费数天之久。 人工智能网络以人脑处理特定任务的方式进行模型处理，由电子元件或计算机软件模拟过程执行，是由许多单个处理单元组成的大型并行处理机器；这些单个处理单元能通过学习，存储知识经验并使用。 2.2.2人工智能网络的优势： 人工智能网络是功能极其强大的、高效的并行处理机器，具有学习和归纳能力，对错误和噪音具有特别的适应性。经过培训的人工智能网络可以作为某个信息类别的“专家”，为新情况指明方向或解决判断路径问题等。 2.2.3人工智能网络的结构： 2.2.3.1单层前馈网络： 2.2.3.2多层前馈网络： 2.2.3.3循环网络： 3.研究对象和模型选择： 3.1研究对象： 本文选择某海岛供电区域内的一个典型的500kva变压器作为负荷预测分析的对象，负荷以居民用户为主、兼有商业和非工业单位用户。 本文尝试对单个变压器的