电力负荷预测设计和实现.docVIP

电力负荷预测设计和实现 　　摘要：在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于BP神经网络的短期负荷预测方法。该方法充分发挥了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。实际算例表明，这种方法应用在短期负荷预测方面有较高的精度。 　　关键词：电力负荷预测 电力负荷 电力负荷预测基本算法 　　 　　0、引言 　　短期负荷预测是随着电力系统EMS的逐步发展而发展起来的，现已经成为EMS必不可少的一部分和为确保电力系统安全经济运行所必需的手段之一。短期负荷预测技术经过几十年的发展，人们提出了许多的预测方法。现有的预测方法大体可以分为2类：经典的数学统计方法以及上世纪90年代兴起的各种人工智能方法。 　　1、电力负荷预测综述 　　电力负荷有两方面的含义：一方面是指电力工业的服务对象；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量。电力负荷预测中的负荷概念是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。 　　本文运用神经网络对某市某年某月某日进行电力负荷的短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展有着十分重要的意义。 　　2、电力负荷分析 　　本文对某市进行电力短期负荷预测，电力负荷的构成与特点如下：电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。 　　城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。 　　3、电力负荷预测的内容及程序 　　电力负荷预测的内容是指需要测算些什么量，归纳起来有以下一些参数需要测算：最大有功负荷及其分布；无功负荷及其分布；需电量；电力负荷曲线及其特征值。电力负荷预测是一个过程，其一般程序可划分为准备、实施、评价与提交预测报告四个阶段。 　　4、电力负荷预测模型及基本算法 　　4.1、电力负荷预测模型 　　针对影响系统负荷的因素，电力系统总负荷预测模型一般可以按四个分量模型描述为 　　 L(t)=B(t)+W(t)+S(t)+V(t) （4-1） 　　(1)基本正常负荷分量模型 　　不同的预测周期，B(t)分量具有不同的内涵，对于基本正常负荷分量，可以用线性变化模型和周期变化模型描述，或用二者的合成共同描述，即 　　 （4-2） 　　（2）天气敏感负荷分量模型 　　 以日负荷预测为例，给定过去若干天气负荷记录、温度记录，利用线性回归或曲线拟合方法，可以用三段直线来描述天气敏感负荷模型 　　 　　 （4-3） 　　 　　（3）特别事件负荷分量模型 　　特别事件负荷分量指特别电视节目、重大政治活动等对负荷造成的影响。其特点是只有积累大量的事件记录，才能从中分析出某些事件的出现对负荷的影响程度，从而作出特别事件对负荷的修正规则。这种分析可以用专家系统方法来实现，也可以简单的用人工修正来实现。人工修正方法通常用因子模型来描述。 　　（4）随机负荷分量模型 　　 上述各分量的数学模型，都不适应于随机负荷分量。实际上，对于给定的过去一段时间的历史负荷记录，提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后，剩余的残差即为各时刻的随机负荷分量，可以看成是随机时间序列。 　　 4.2、电力负荷预测基本算法 　　 电力负荷预测分为经典预测方法和现代预测方法。 　　 （1）经典预测方法 　　 时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。 　　 回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型