课件：基于B神经网络的电力系统负荷预报.ppt

基于BP神经网络的电力系统负荷预报 报告主要内容 电力系统负荷预报的问题描述 BP神经网络原理概述 仿真实验 问题描述 近几年，我国南方一直处于“电荒”的被动情况，为了更好地利用电能，必须做好电力负荷的短期预报工作。负荷预报的误差将导致运行和生产费用的剧增，因此，精确的预报就成了电力工作者和其他科技人员致力解决的问题 电力系统负荷变化受多方面影响 ，呈现强烈的非线性特性 负荷预报的通常的3种解决办法 1.统计技术 ：分时间系列模型和回归模型 。缺点：不能充分利用对负荷性能有很大影响的气候信息和其他因素，建立精确模型困难 2.专家系统 ：利用专家的经验知识和推理规则，使节假日或有重大活动日子的负荷预报精度得到了提高 。 缺点：把专家知识和经验等准确地化为一系列规则是不容易的 众所周知，负荷曲线是与很多因素相关的一个非线性函数 。对于抽取和逼近这种非线性函数，神经网络是一种合适的方法。 神经网络的优点：具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽取和逼近隐含的输入／输出非线性关系 近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度 3. 神经网络 BP神经网络概述 BP网络的学习由4个工程组成： 模式顺传播 误差逆传播 记忆训练 学习收敛 BP神经网络的重要优势在于：学习性和自动调整性 目前主要用于：特征的提取、过程的控制和状态的预测 实用对象：非线性问题 本课题就是利用其具有的较强的非线性映射特性，来预测电力系统的负荷 划分负荷类型和日期类型 纵观已经发表的文献资料，大体有以下几种划分模式： 将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型 将一周分为星期一、星期二到星期四、星期五、星期六和星期日等5种类型 将一周的7天每天都看作一种类型，共有7种类型 这里采用第3种负荷划分模式，把每一天不加区分地看作不同的类型 输入向量设计 在预测日的前一天中，每隔2个小时对电力负荷进行一次测量，这样一来，一天共测得12组负荷数据 由于电力负荷还与环境因素有关，还需要通过天气预报等手段获得预测日的最高气温、最低气温和天气特征值（晴天、阴天还是雨天） 因此，输入变量就是一个15维的向量 根据BP网络的设计方法，一般的预测问题 都可以通过单隐层的BP网络实现，所这里用单隐层的BP网络 输出向量设计 显而易见，目标向量就是预测日当天的12个负荷值，即一天中每个整点的电力负荷 所以输出变量就成为一个12维的向量 中间层神经元数目的确定： 根据Kolmogorov定理 ，取31个 网络结构：15－31－12 传递函数的选取：网络中间层的神经元传递 函数采用S型正切函数tansig，输出层神经元 传递函数采用S型对数函数logsig 样本数据的采集 这里以南方莫缺电城市的2004年7月10日到7月20日的整点有功负荷值，以及7月21日到7月21日的气象特征状态量作为网络的训练样本，预测7月21日的电力负荷 数据的归一化处理： 目的：防止病态样本的出现，易于网络训练学习 公式： 归一化后的数据如下表所示 样本日期 电力负荷 气象特征 2004-7-10 0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 2004-7-11 0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2415 0.3027 0 2004-7-12 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156 0.2385 0.3125 0 2004-7-13 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2216 0.2701 1 2004-7-14 0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2352 0.2506 0.5 2