2016电工杯A题国家二等奖电力系统短期负荷预测.docxVIP

姓 姓 名 班级 有效联系电话 参赛队员 1 参赛队员 2 参赛队员 3 报名序号：1254 论文题目：电力系统短期负荷预测 指导教师： 参赛学校： 证书邮寄地址、邮编、收件人： 阅卷专家 阅卷专家 1 阅卷专家 2 阅卷专家 3 论文等级 报名序号： 电力系统短期负荷预测 摘 要 提高负荷预测进度是保障电力系统优化决策科学性的重要手段。根据已有电力负荷数据及气象因素数据，文章主要建立了 4 个模型来解决关于短期负荷预测方面的问题。 针对问题一，建立日最高负荷量模型、日最低负荷量模型、日峰谷差模型、日平 均负荷量模型以及日负荷率模型。利用 Excel 软件可将两地区 014 年各个负荷量的统计值求出（详见附件 1），其中地区二 2014 年 1 月 1 日的日最高负荷量、日最低负荷量、日峰谷差、日平均负荷量以及日负荷率分别为 6765.5、3748.48、3017.05、5138.23 和 0.76。通过观察两地 2014 年负荷数据变化曲线图，考虑数据的波动性等因素可得出地区二更准确的预测结果的结论。 针对问题二，构建多元线性回归模型，利用 SPSS 软件对日最高负荷、日最低负 荷、日平均负荷与各气象因素进行回归分析。通过观察标准化残差图（详见图 4），认为没有趋势性，回归模型有效。用同样的方法可得出两地区各个因变量的回归方程（详见表 5）。对多元线性方程做回归误差分析，认为将不重要的气象因素剔除可减小误差。利用逐步回归法可进行更合理的回归分析，得出优先推荐平均温度来提高负荷预测精度。 针对问题三，构建 ARIMA 预测模型，对数据进行预处理，取每年春季的负荷量作为参照数据，消除了季节成分的影响。通过自相关方面的分析，确定模型为 ARIMA（1,1,1），利用 SPSS 软件可得出所需的预测结果。例如地区一在时间 点 T0000 的负荷量预测模型为V x t ? 0.928V x ? ? t ?1 t 0.999 。模型拟合的可决系数 都在 0.8 以上，说明预测结果精度比较高。 针对问题四，构建基于 BP 神经网络算法的多元非线性系统模型，确定模型 为 y ? ANN (x , x 1 2 , x , x , x 3 4 5 ) ，利用 Matlab 编程可训练出相应的神经网络结构，得 出预测结果。通过参照数据、模型原理这两个方面，论证了计及气象因素影响的 负荷预测结果的精度得到了改善这一结论。 针对问题五，提取两地区日负荷率作为待处理数据，分别对两地区日负荷率进行正态拟合、T 分布拟合、Logistic 拟合，做出拟合曲线并对各个拟合进行拟合曲线广义似然比检验。得出地区二的数据比地区一的数据更有规律的结论。 关键词：短期负荷预测；多元线性回归；ARIMA 预测模型；BP 神经网络；拟合 1．问题的重述 短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。 已知地区 1、地区 2 从 2009 年 1 月 1 日至 2015 年 1 月 10 日的电力负荷数据（每 15 min 一个采样点，每日 96 点，量纲为 MW）以及 2012 年 1 月 1 日至2015 年 1 月 17 日的气象因素数据（日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量）。 具体要求如下： 请分析两个地区 2014 年 1 月 1 日一 2014 年 12 月 31 日的负荷数据，统计各地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率指标的分布情况， 并绘制两地区 2014 年全年的负荷持续曲线;结合上述结果，分析两地区负荷变化的主要差异；初步预判哪个地区的负荷可以获得更准确的预测结果，说明你的理由。 根据 2012 年 1 月 1 日至 2014 年 12 月 31 日的数据，分别对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析，分析回归误差；如果要用气象因素来提高负荷预测精度，在诸气象因素中，你优先推荐哪个（或哪几个）？简要说明理由。 请根据已知负荷数据，构建预测方法，对两个地区 2015 年 1 月 11 日至 17 日共 7 天的电力负荷进行预测（间隔 15min），给出负荷预测结;在不知道实际负荷数据的条件下，你对预测结果的准确度有何推断，请说明理由。 如果已获得 2015 年 1 月 11 日至 17 日的气象因素数据，你能否构建计及 气象因素的负荷预测方法，对两个地区 2015 年 1 月 1