毕业论文《基于BP神经网络的电力系统短期负荷预测》.doc

1、 摘要电力系统短期负荷预测在实时控制和保证电力系统经济、安全和可靠运行方面起着重要作用，它已成为电力系统中现代能量管理系统的一个重要组成部分。负荷预测的误差将导致运行和生产费用的剧增，因此，精确的预测就成了电力工作者和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，一方面，负荷变化存在着未知不确定因素引起的波动；另一方面，又有周期变化的规律性，这使得负荷曲线具有相似性。同时，由于受天气、节假日等特殊情况的影响，又使负荷变化出现差异，呈现强烈的非线性特性。本文提出了一种基于BP神经网络的预测方法，这种方法的最大优点就是对大量的非线性特性、非准确性规律具有自适应功能。本文主要针对BP 神经网

2、络应用于电力系统短期负荷预测做了进一步的研究,并通过MATLAB设计BP神经网络，仿真结果表明BP神经网络在短期负荷预测中的应用是可行的，能较好的反映负荷预测的非线性特性，但由于本文没有考虑气候，温度，节假日等因素的数据，做出来的仿真结果并不令人十分满意，不过依然可以肯定BP神经网络依然优于传统的预测方法，是一个有待于我们去研究和开发的新领域。关键词：电力系统；BP神经网络；短期负荷预测Based on BP neural network power systemShort-term load forecastingAbstractShort-term load forecasting in

3、real-time power system control and to ensure economic, safe and reliable operation plays an important role, it has become a modern power system energy management system is an important component. Load forecasting errors will lead to sharp increase in operating and production costs, therefore, accura

4、tely predict the power to become the workers and technical personnel to address the problem.Various power system affected by the load change, on the one hand, there is the unknown load change caused by fluctuations in uncertainty; the other hand, there are periodic changes in the laws, which makes a

5、 similar load curve. At the same time, due to weather, holidays and other special circumstances of, and differences in the load changes occur, showing a strong nonlinearity.In this paper, BP neural network based prediction method, the biggest advantage of this approach is that the nonlinear characte

6、ristics of a large number of non-accuracy of the law of adaptive function. In this paper, BP neural network for short term load forecasting in power system to do further research and design BP neural network through the MATLAB , simulation results show that BP neural network in the short-term load f

7、orecasting is feasible, and can better reflect the load predict the nonlinear characteristics, but because this article does not consider the climate, temperature, holidays and other factors, the data, so it is not very satisfactory simulation results, but still certainly better than the traditional

8、 prediction ,and it is a need to be us to new areas of research and development.Keywords：Power Systems; BP neural network; Short-term Load forecasting;目 录基于BP神经网络的电力系统短期负荷预测I摘要IAbstractII第一章 绪论11.1 课题背景和意义11.2 现有的电力负荷预测方法综述11.3 基于神经网络的负荷预测技术研究现状及存在的问题41.4 本文的主要内容及结构5第二章 BP神经网络的基本原理72.1 引言72.2 BP神经网络

9、的基本原理72.3 BP神经网络的主要缺点及改进142.3.1 BP算法的优点142.3.2 BP算法的缺点152.3.3 BP算法的改进162.4 本章小结17第三章 负荷预测的概述183.1 引言183.2 负荷预测的组成及作用183.3 短期负荷特性分析203.4 短期负荷预测的模型213.4.1 短期负荷预测模型要求213.4.2 短期负荷预测的基本模型223.4.3 本论文中短期负荷预测的模型233.5 本章小结24第四章 电力系统短期负荷预测的MATLAB实现254.1引言254.2神经网络预测模型254.2.1样本集的设计254.2.2网络结构设计254.2.3参数的选择274.

10、2.4输入输出数据预处理284.3 MATLAB 仿真实现304.3.1 实例分析304.3.2 仿真结果334.4本章小结35结论36参考文献37附录38致谢42IV第一章 绪论1.1 课题背景和意义电力系统负荷预测是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。电力系统负荷预测理论就是因此而发展起来的，尤其在形成电力交易市场的过程中，负荷预测的研究更具有极其重要的意义。电能的特点之一是不能大量储存，即电能的生产、输送、分配、消费是同时进行的，所以系统内的可用发电容量，在正常运行条件下，应当在任何时

11、候都能满足系统内负荷的要求。若发电容量不够，则应当采取必要的措施，来增加发电机组或从邻网输入必要的功率；反之，若发电容量过剩，则也应当采取必要的措施，如有选择地停机(如计划检修)或向邻网输出多余的功率。因此，对未来本电网内负荷变化的趋势与特点的预测，是一个电网调度部门和规划设计部门所必须具有的基本信息之一。负荷预测按预测的时间可以分为长期、中期和短期负荷预测，其中，在短期负荷预测中，周负荷预测(未来7天)、日负荷预测(未来24小时负荷预测)以及提前数小时预测对于电力系统的实时运行调度至关重要，因为对未来时刻进行预调度要以负荷预测的结果为依据。负荷预测的结果的准确性将直接影响调度的结果，从而对电

12、力系统的安全稳定运行和经济性带来重要影响。在当前市场化运营的条件下，由于电力交易更加频繁和经营主体之间的区别，会出现各种不确定性因素，同时负荷对于电价的敏感度也随着市场的完善而逐渐增强，这也给负荷预测带来了新的难度。由于市场各方对信息的获取和运营的经济性更加重视，准确的预测对于提高电力经营主体的运行效益有直接的作用，短期负荷预测的重要性就更加突出。因此，电力系统短期负荷预测的研究不仅具有一定的理论背景而且还有广阔的工业应用前景。1.2 现有的电力负荷预测方法综述以前，负荷预测往往是凭借调度人员的经验作直觉判断，即根据已有的资料和经验，编制负荷预测曲线。近年来许多学者对此进行了研究，提出了很多种

13、预测方法，并且及时地将数学上的最新进展应用到预测中去，使预测的水平得到迅速提高，负荷预测研究取得了很大的进展。已有的负荷预测方法可以分为经典的方法和智能技术两大类。经典方法主要是基于各种统计理论的时间序列模型，而智能技术包括人工神经网络和专家系统方法。具体的预测方法有如下几种：(1) 回归分析法回归预测是负荷预测常用的方法，即根据历史数据的变化规律寻找自变量和因变量之间的回归方程，确定模型的参数，据此做出预测。它分为一元线性回归，多元线性回归，一元非线性回归和多元非线性回归。(2) 时间序列法时间序列模型有自回归(AR)，动平均(MA)，自回归一动平均(ARMA)等模型。使用时间序列法一般要进

14、行序列分平稳化、模型的识别、模型阶数的确定、模型参数的估计、模型检验以及负荷预报等步骤。由于时间序列方法是假定负荷曲线是平稳的时间序列，但实际上电力系统的负荷并非平稳时间序列，所以利用它来预测周末、节假日或季节变化周期时，预测精度就比较差，同时复杂的模型技术，和巨大的计算量也是它的不足。(3) 灰色系统预测方法灰色系统理论应用于电力系统负荷预测，如果将影响负荷的各种因素联合起来看成一个大系统，那么它兼有确定性和不确定性，本征性和非本征性灰色系统的特征，实际的负荷历史资料能够清楚地显示其灰色系统特征，年、月、日负荷既有逐年增长趋势的确定性一面，同时又有每年每月每日负荷值随机变化的不确定性的一面，

15、因此可以利用灰色系统理论来研究电力系统负荷预测。但是灰色系统方法一般用于中长期的负荷预测较多。(4) 卡尔曼滤波预测方法卡尔曼滤波法是建立状态空间模型，把负荷作为状态变量，用状态方程和量测方法来描述。卡尔曼滤波算法递推地进行计算，适用于在线负荷预测，这是在假定噪声的统计特性以知的情况下得出的，而估计噪声的统计特性是个难点。(5) 神经网络预测方法一般的负荷预测方法没有考虑天气情况，也有的涉及大气变化对负荷的影响。前者是基于外推法，负荷情况是用时间序列或趋势曲线表征，主要为静态变量模型和ARMA模型，后者是将总负荷分解为天气敏感负荷和非天气敏感负荷，天气敏感负荷大多用相关技术进行预测，然后对每个

16、负荷元素进行预测，最后得到总的负荷预测值。另一类方法是从前述专家系统的观点找到历史负荷数据和温度之间的对应规则，它是运用知识、经验和经验系统操作器的模拟推理预测负荷。运用神经网络技术进行电力负荷预测的优点是对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、逻辑推理和优化计算的特点。其自学习和自适应功能是常规算法和专家系统技术所不具备的。我们可以将对电力负荷影响最大的几种因素作为输入，即当天的温度、能见度、风力、平均湿度、峰谷负荷及相关负荷等，争取获得较好的预测结果。用ANN预测电力系统负荷是ANN在电力系统中应用最为成功的领域之一，ANN预测负荷的良好性能已得到普遍的认可。(

17、6) 模糊逻辑方法电力系统负荷预测问题可作为多输入多输出未知系统来处理，具有去模糊的模糊逻辑系统可以识别和以任意精度在一个简单设备上去逼近任意未知非线性动态系统。在每周负荷趋势中，在某种周期变化在工作日之间、周末之间、月与月之间、季与季之间同一小时都存在某种相似性。已证明，模糊逻辑系统具有从大量数据中描绘这种相似性的能力，因此只要有足够大历史数据，就能识别负荷趋势中存在的相似性。因此利用模糊逻辑系统去识别和预测负荷是合理的，可是如何实现这种预测或换句话说，如何去识别这种相似性或未知动态系统仍然是一个问题。(7) 专家系统预测方法专家系统是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有

18、某个领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理，在那个领域内做出智能决策，所以一个完整的专家系统是由四个部分组成:知识库、推理机、知识获取部分和界面。对于专家系统最重要的部分是知识库，一方面需要足够的知识，而且知识于数学规则之间的转化是非常重要的。利用专家知识建立短期负荷预测，但将专家知识转化为数学规则是特别困难的。1.3 基于神经网络的负荷预测技术研究现状及存在的问题利用神经网络进行负荷预测是近几年来才开始广泛使用的负荷预测方法，其优点是对大量的非结构性、非准确性规律具有自适应功能。其中BP神经网络具有较强的非线性拟合能力，尤其对预测中天气、温度等因素的处理尤为方便。应用人

19、工神经网络对电力系统进行负荷预测，主要的任务就是利用人工神经网络可以以任意精度逼近任意非线性过程的特性，来模拟负荷的运行规律，目前应用的情况主要集中在以下几个方面。(1) 网络和标准BP算法神经网络的输入及输出量都是相关历史负荷数据而网络的训练样本的数据凭经验选取。对所选取的神经网络结构也没有一定的方法给出。这种方法主要用于电力系统日负荷预测。它算法简单，计算速度快，但是预测误差较大。(2) 前馈神经网络和BP算法，并加入了温度的影响神经网络的输入量为历史负荷值与温度值，输出量为预测值。不同的类型日及不同的时间段，采用不同的编码夹表示。这种方法用一个神经网络表示了不同的情况，但是增加了网络的输

20、入节点，同时为了使其具有泛化能力，隐含层节点也要增加，这就增加了神经网络的复杂性，延长了网络的训练学习时间。(3) 前馈神经网络和改进即算法神经网络的输入及输出量的选取基本同上，只是利用了神经网络的多种改进算法。大致有以下几种：加入动量项的BP算法、二阶BP算法、变步长算法、基于Karman滤波的快速算法、遗传学习算法等。这种方法加快了网络训练的收敛速度，有的方法对预测结果也有一定的改善。但是，这种方法由于加入了多个约束因子，确定其值比较困难。(4) 模块神经网络的方法由于电力系统负荷在不同的情况下，运行规则是不同的。比如在不同的类型日、一天中的不同时段，其运行规律不同。因此应选取多个神经网络

21、解决不同的情况。对每日24小时分为五个时段，每个阶段都用不同的网络进行预测。这种方法的优点是每小块的网络结构简单，网络训练速度快，预测精度也较高，但网络个数太多。利用神经网络进行短期预测有以下几个问题需要解决：(1) 神经网络结构的选取。由于电力系统负荷的运行规律是相当复杂的，对应用于电力系统负荷预测的前馈结构的选取对神经网络是否能体现负荷变化规律至关重要。(2) 输入样本的选取。把前馈应用于电力系统负荷预测，就是要利用人工神经网络的高度非线性影射特性，来找出电力系统中输入与输出点影射关系。输入样本的选取对前馈神经网络是否能够体现电力系统负荷的运行规律有很重要的作用。(3) 电力系统负荷历史数

22、据的预测处理方法。电力系统负荷运行是一非平稳随即运行的过程，其中存在着许多偶然因素的影响，比如拉闸限电等认为因素的影响，并且历史负荷数据的测量还存在着噪声影响，因此负荷的历史数据常常包含“不良数据”，这就需要在对其利用前进行预测处理，因此需要研究数据预测处理方法。(4) 应用于电力系统负荷预测的前馈网络的学习速度及预测精度还需要进一步提高。总之，把人工神经网络应用于电力系统负荷预测中，还是一个十分崭新的研究课题，很多学者在这方面做了大量的工作。本文正是从这里出发，提出了各种方法，对神经网络应用于负荷预测进行了研究，并从理论上证实了本文中各种方法的先进性及实用性，从而使人工神经网络更好地应用到电

23、力系统负荷预测中，为生产实际提供良好的服务。1.4 本文的主要内容及结构第 1 章 主要介绍了目前为止国内外专家电力负荷预测的领域里取得的成就与研究的重要成果，以及各种方法对电力预测的优点和缺点，使我更好的了解了我研究的课题目前的状况和发展的趋势。第 2 章 主要介绍了BP神经网络的原理，提出计算参数的BP算法，以及BP网络在预测电力负荷预测中的优点和缺点。主要强调了BP神经网络的缺点，并且提出了几种改进方法，使BP在电力负荷预测领域里能够更充分的发挥其优点。第 3 章 主要介绍了短期电力负荷预测的定义和影响电力负荷预测的因素，一般情况下，考虑的因素越多，最后的误差肯定越下。本文因为数据比较单

24、一，因此没有办法考虑很多因素，因此最后的结果不是十分令人满意。第 4 章 主要介绍了下本文的建模过程，以及对仿真结果的分析和处理。第二章 BP神经网络的基本原理2.1 引言我们把存在于人脑中的实际神经网络叫做生物神经网络(Biological Neural Networks，简称BNN)，而把向生命学习，用电子方法、光学方法或其它生物物理化学方法仿照生物神经网络所构造出来的神经网络，称为人工神经网络(Artificial Neural Networks，简称ANN)，平常所称的神经网络指人工神经网络。误差反向传播神经网络，简称BP网络(back propagation )，是一种有隐含层的多层

25、前馈网络，它是人工神经网络模型中应用最广泛的一种。它由输入层、隐含层和输出层构成，层与层之间多采用全连接方式，同一层神经元之间不存在相互连接。如果网络的输入节点数为N，输出节点数为M，则这种神经网络可看成是从N维欧氏空间到M维欧氏空间的映射，这种映射是高度非线性的。BP模型思路清晰、结构严谨、工作状态稳定、可操作性强，已经证明含有足够多隐含层节点的3层BP网络能够以任意精度逼近一个非线性函数。现实世界中的许多问题，如模式识别、非线性映射、复杂系统仿真、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等，都可以转化成这种神经网络来处理。但是BP神经网络在训练中存在着收敛速度慢、易陷入

26、局部极小点等缺陷，从而限制了它在实际中的应用，为此本章从这两个缺点入手对它提出了改进:（1）针对神经网络的收敛速度慢的缺陷，采用了带有变步长和变动量因子的改进BP算法，（2）针对BP神经网络由于初始权值选取不当容易陷入局部极小点，本文将遗传算法引入到网络初始权值的确定中，提出了遗传算法和BP神经网络相结合遗传BP神经网络训练算法与传统神经网络方法相比，该方法可以加快网络学习速度和提高学习精度。2.2 BP神经网络的基本原理BP网络学习是典型的有导师学习，其学习算法的基本思想是最小二乘学习算法，或称LMS (Least Mean Squares) 算法。它实质上是一个无约束的优化计算过程，采用剃

27、度搜索技术，沿着误差的负梯度方向不断修正网络中的权值与闽值，直到误差达到最小数值。网络学习过程是一种误差边向后传播边通过一些学习规则来修正神经元之间的连接权值的过程。BP网络的每一层的连接权值都可以通过学习来调节。本文负荷预测所采用的是三层NN结构，如图2-1所示。图中的输入是一个N维矢量X，X=，它的输出是一个M维矢量Y=。网络的第一层包括J个神经元，其输出为。第2层包括K个神经元，其输出为。第3层包括M神经元，其输出为。输入矢量分量至第一层各神经元之间的权重系数用表示。第一层至第二层之间的权重系数用表示。第二层至第三层之间的权重系数用表示。图2-1 采用S形函数的前向三层神经网络结构模型图

28、2-2 前向三层神经网络结构中的通用层结构为了方便分析，可用一个通用神经元来描述三层中任意一层（l层），如图2-2所示：对于图2-1中的第一层，它的变量与参数和通用层结构中的各变量与参数对应关系如下所列： =,=0,1,L-1 (2-1)=,=1,2,Q-1 (2-2)其中和的第一个下标p表示学习过程中所用的训练样本编号，若l=3,则通用层的各输出分量与三层神经网络总的输出矢量的各个分量相对应。对于图2-2所示的通用层，它的输出与输之间的关系可表示如下： (2-3) 式子中的是S形函数。下面是按照最陡下降法导出采用S形函数的BP算法。假设对于训练样本p，三层神经网络总输出矢量Y的各个分量的理想

29、值是而这些分量的实际值是 （2-4）理想值与实际值之间的误差是，各输出误差的平方和可以表示为 （2-5）由式子（2-3）可知，改变网络中各隐层间的加权系数，可以使尽可能减小。因此我们采用最陡下降算法来导出数值的调整量地计算公式如下： （2-6）式子中的是学习的步长，它可以为一个常量也可随学习过程而变化，进行自适应调整。为了算出（2-6）右侧的微分，我们先将它表示为下列的符合微分： （2-7）我们设置一个新变量，如下： （2-8）由（2-3）可知： （2-9）将（2-8）和（2-9）带入（2-7），再将（2-7）代入（2-6），即能得到权值调整的计算式： （2-10）其中可直接从神经网络中得到，

30、而不能直接得到。因此，为了求得，我们再一次用复合函数的微分得到 （2-11）引用（2-3）就可以求得（2-11）右测第二项的下列计算公式： （2-12）此式的计算由下式子完成： （2-13） （2-14）为完成（2-11）右测第一项的计算，我们分两种情况进行讨论。(1) 对于网络的输出层，有，则可表示为 （2-15）可求得 （2-16）式中的是伴随训练样本给出的，即，因此，此式可立即计算，将（2-16）和（2-14）代入（2-11）就能得到 （2-17）(2) 对于网络的隐含层，即第一层和第二层，（2-11）右侧第一项可推导如下：当或时，根据（2-3）可以写出下列公式： （2-18）这样有 （

31、2-19）此式右策求和括号中的第二项为： （2-20）根据（2-11），可知（2-19）求和括号中的第一项即是，可表示为： （2-21）（2-19）可改写为： （2-22）将（2-22）和（2-14）代入（2-11）可得 （2-23）再将（2-17）和（2-23）代入（2-6）就能得到三层神经网络中权值调整的计算公式。当时 （2-24）当时 （2-25）当时 （2-26）注：对于阈值，其修正公式如下：, （2-27）其推导过程与权值的推导过程一样，则有：当时 （2-28）当时 （2-29）当时 （2-30）归纳上述计算过程，它首先计算第三层(即输出层)的各项“误差分量”，再用计算第二层(隐含层

32、)的“等效误差分量”再由计算第一层的“等效误差分量”，从各误差分量可计算出系数调整量。所以，是由输出层向输入层逐步反推的学习算法，故称为“逆推”学习算法，或BP算法。一个标准的BP算法流程如图2-3所示:图2.3 标准BP算法流程图2.3 BP神经网络的主要缺点及改进2.3.1 BP算法的优点BP神经网络能够以任意精度逼近任何非线性连续函数，具有较强的非线性拟合能力，尤其对预测中天气、温度等因素的处理尤为方便。BP 神经网络算法具有自学习、自组织、自适应和容错性等一系列优点。其自学习和自适应功能是其他常规算法所不具备的, , 采用人工神经网络方法, 能较好地拟合原始数据, 其预测输出值与实际值

33、的相对误差较小, 能够满足精度要求应用人工神经网络对电力系统进行负荷预测，主要的任务就是利用人工神经网络可以以任意精度逼近任意非线性过程的特性，来模拟负荷的运行规律，2.3.2 BP 算法的缺点 BP算法具有三个大家熟悉的本质缺点：一是收敛速度慢，一般具有四五个元件的网络用BP算法求解，通常必须循环几千次，甚至上万次才能收敛，故难以处理海量数据；二是所得到的网络容错能力差；三是算法不完备。下面将分析这些缺点是BP算法固有的。先分析其收敛速度慢的问题，BP算法对样本进行学习有三种方法，即逐个学习、批量学习和随机学习。BP算法对样本进行逐个学习时，常会发生“学了新的，忘了旧的”的现象。为此，只好对

34、样本不断循环重复学习，这样一来其学习时间必然很长。为克服这个缺点，将逐个学习改为批量学习，但是批量学习又带来新的问题，由于批量学习将各个样本的误差加在一起，根据其“和”值对权系数进行调整，由于这些误差可能相互抵消，这就降低了算法的调整能力，也就延长了学习的时间。若改用误差的平方和，仍然无法避免落入局部极值的现象。换句话说，按批量学习其收敛速度也必定很慢。同时，批量学习方法还可能产生新的局部极小点。这是因为如果各误差不为零，但其总和为零，这种情况产生之后算法就稳定在这个状态上，这个状态就是由于使用批量学习算法而产生的新的局部极小点。若改用随机算法，而随机算法的复杂性基本上与逐个学习算法一样。总之

35、，BP算法收敛速度慢是个固有的缺点，因为它是建立在基于只具有局部搜索能力的梯度法基础之上。而只具有局部搜索能力的方法，若用于有多个极小点的目标函数时，是无法避免陷入局部极小和速度慢的缺点的。其次，当元件的功能函数是符号函数时，BP算法的迭代过程是一个从“非解”到“解”的搜索过程，于是最后一个“非解”与“解”之间有“一步之差”。也就是说，到达“解”之后，若受到一点噪声干扰，就会从“解”变为“非解”。这是因为BP算法的目标只是追求学习“误差”最小，而没有考虑网络的其他性能。另一方面，为了使迭代过程不产生震荡，当接近到“解”时，迭代的步长要很小，从而使“解”与“非解”只有很小的最后一步。于是用BP算

36、法得到的网络其容错能力必然很差。最后，因为用BP算法常会落入局部极小点，故算法不是完备的。2.3.3BP算法的改进在实际应用中BP算法存在的两个重要问题：收敛速度慢，目标函数存在局部极小值。在提高收敛速度方面，可以有很多改进方法：(1)附加冲量项。 该方法是在每个加权调节量上加上一项正比于前次加权变化量的值，这就要求每次调节完成后，要把该调节量记住，以便在下面的加权调解中使用.这种方法既改善了训练时间，同时保证了过程的稳定性。(2) 采用动态步长BP算法在学习计算中，学习速率和动量系数是由经验选定。对于学习率来说，越大，权值变化越大，收敛越快，但是越大容易引起震荡，所以应在不引起震荡的情况下尽

37、量取最大值。这就是说，在训练开始时，可以给较大值； 发现震荡时再减小值，否则按原步长。(3) 与其他全面局搜索算法相结合为克服BP算法全局搜索能力弱点，将BP算法与具有很强全局搜索能力的算法相结合，如与遗传算法相结合。(4) 模拟退火算法为了克服BP算法易陷入局部极小的缺点，人们从退火现象中得到启发，引入模拟退火算法。为了不陷入局部极小，在用梯度法进行迭代的过程中，可以不完全按梯度下降的方向进行迭代，而是给予一个小概率的机会，按不同的方向进行迭代，这样就有可能“跳”出局部极小的陷阱。虽然理论上可以证明，用模拟退火方法可以使迭代过程按概率为1收敛与全局最优解，这个结果并未能克服迭代收敛速度慢的缺

38、点。若将由梯度法得到的关于最优点位置的信息看成是关于目标的启发式信息，根据启发式搜索方法的理论，Pearl证明，即使对最优点位置估计的相对误差达到任意小，也不能克服计算量指数爆炸的困难。将商空间理论、统计推断方法与启发式搜索技术相结合，可以有效地降低计算量。2.4 本章小结本章我们针对BP神经网络的两个主要缺点，网络训练速度慢，对初始权值敏感，容易陷入局部极小点提出了如下改进措施:(1) 针对神经网络的收敛速度慢的缺陷，可以采用了带有变步长和变动量因子的改进BP算法，另一方面还可以将Lederberg-Marquardt数值优化技术引入到网络的训练中。(2) 针对BP神经网络由于初始权值选取不

39、当容易陷入局部极小点，本文将遗传算法引入到网络初始权值的确定中，提出了遗传算法和BP神经网络相结合遗传BP神经网络训练算法。第三章 负荷预测的概述3.1 引言电力系统在逐步发展、完善过程中，负荷预测已成为能量管理系统(EMS)中一项独立的内容;在当前电力系统市场化的必然趋势下，负荷预测已成为电力市场交易管理系统中必不可少的一部分。在实际应用中，电力系统不同组成部分对负荷预测的范围和精度有所不同。因此研究负荷预测的范畴和影响因素及负荷特性对提高预测精度及负荷预测的发展有重要的意义。在电力系统中，负荷是其中重要的组成部分。负荷可指电力需求量或者用电量，而需求量是指能量的时间变化率，即功率。负荷预测

40、也包括两方面的含义：即对未来需求量(功率)的预测和未来用电量的预测(能量)的预测。对功率的预测用来决定发电设备的容量，以及相应的输电与配电的容量;而对能量的预测则决定了应当安装何种类型的发电容量。本论文主要是针对需求量，即功率进行预测，目的是将其预测值作为电力市场技术支持系统的原始数据。3.2 负荷预测的组成及作用随着电力市场运营的建立，负荷预测在电力系统中的作用及地位有所改变。负荷预测系统成为电力市场技术支持系统的重要组成部分，为期货交易管理系统和调度决策支持系统提供数据。电力市场运营同时也赋予了各类负荷预测新的作用。在电力市场技术支持系统中，长期、中期、短期负荷预测还是系统适应性评估的主要

41、依据。而短期和超短期负荷预测的数据又是电力市场技术支持系统核心模块，调度决策支持系统的主要数据源。以上主要是针对系统负荷预测各部分的作用加以说明，在能量管理系统(EMS)中还有第二种负荷预测，母线负荷预测。其模型与系统负荷有所不同，包括建负荷区层次(树型)结构和预测计划。预测计划的参数采用大潮流母线负荷数据或状态估计结果修正。由于负荷预测是根电力负荷的过去和现在推测它的未来数值，所以负荷预测工作研究对象是不肯定事件、随机事件，需要采用适当的预测技术和模型，推出负荷的发展趋势和可能达到的状况。负荷预测具有如下的特点。(1) 负荷预测的不准确性预测学本身就是一个研究不确定问题的理论与方法，在当今科

42、学界，也是一个新的、正在探索的领域，因此，其预测的结果应是一个概率的值。电力负荷未来发展是不肯定的，它要受到多种多样复杂因素的影响，而且各种因素也是发展变化的。这就决定了预测结果的不准确性或不完全准确性。在负荷预测系统中，针对各类不同的负荷预测都有一定的精度要求。长期的负荷预测甚至容许误差达到10%，而短期的日负荷预测的误差一般不能超过3%。(2) 负荷预测的条件性负荷预测的预测过程是一个由历史向未来递推的过程，是在一定条件下做出的。条件可分为必然条件和假设条件两种。可靠的负荷预测往往依赖于做出的。条件可分为必然条件和假设条件两种。可靠的负荷预测往往依赖于电力负荷预测的本质规律，这种预测条件就

43、是必然条件。在很多情况下，由于负荷未来发展的随机性，需要一些假设条件，给出的负荷预测结果都是基于这种假设的前提。如果负荷的过去和现在的发展直接延伸到未来，没有什么重大的干扰和破坏，或完整的记录了这些突发事件，并将这些历史数据模型化来类比现在、预测未来。但是如果在预测其中发生了无法估计的重大事件(如气象的剧烈变化，突发事故，国家政策变化等)，以至于负荷变化的正常规律被破坏使预测失效。这种类型的负荷预测的在实际应用中并不少见，这种转折点是最难预测的。如果历史数据中含有类似的事件，预测的趋势就比较好定。因此要尽量保证负荷预测历史数据的完整性。在电力市场调度决策支持系统中，超短期、短期负荷预测的数据是

44、电力交易的重要数据源，直接与经济利益挂钩。对不同的预测类型性能要求也有所不同，超短期负荷预测在线预测的预测速度要求小于等于1分钟；短期负荷预测要求预测速度小于等于10分钟；日负荷峰荷的预测时差小于等于15分钟；日负荷谷负荷的预测时差小于等于30分钟。(3) 负荷预测的地区效应在不同负荷预测的范围内，负荷的构成比重不同，因此影响负荷的因素有所不同。一般来说，大电网(网、省级)负荷变化有较强的统计规律性，预测结果较准确，而地区级电网的预测精度则相对低一些。(4) 负荷预测的多方案性负荷预测的机理是一个数学建模的过程，而不同的数学模型的使用条件是有一定的限制的，不是万能的，如果不注意各数学模型的使用

45、条件，一味地输入相应的值去计算，其预测的结果误差肯定很大。所以需要考虑不同的负荷条件建立模型。3.3 短期负荷特性分析负荷预测是根据负荷过去的历史资料，建立恰当的数学模型对未来的负荷进行预测。所以了解负荷的特性对掌握负荷预测本质，提高负荷预测的精度有重要的意义，尤其是对精度要求较高的短期负荷预测。电力系统负荷的变化一方面有其不确定性，如气候的变化、意外事故的发生等造成对电力负荷的随机性干扰。另一方面，在一定条件下，电力负荷按一定趋势有规律地发展变化。因此，在进行电力系统的短期负荷预测时，针对负荷变化的这些特点，既要充分分析、掌握并利用其规律性，又要兼顾各种因素的影响。本论文考虑了影响短期负荷预

46、测的各种因素，将负荷特性分成4部分分别进行分析。长期以来，通过对大量历史数据的分析，可以发现影响负荷变化的因素有：负荷构成、负荷随时间的变化规律、气象变化的影响及负荷的随机波动。所以，将任意时刻的负荷假设为以下4种成分的组合，针对每种成分的特性分别进行分析，然后在预测模型中分别考虑各种成分如何处理。(1) 典型负荷分量典型负荷分量也称为正常负荷，它与气象无关，具有线性变化和周期变化的特点。线性变化描述日平均负荷变化规律，而周期变化描述以24小时为周期的变化规律。典型负荷的不同主要是由于各地负荷组成方式的不同所引起。负荷组成的差异性主要体现在两个方面:一是负荷种类，二是各种负荷成分所占比重。不同组成的负荷在这两方面的差异决定了它们的负荷特性及对影响因素的响应特性互不相同。究其原因，不同的组成成份对各种影响因素的灵敏度不同，表现出不同的响应特性。可见，负荷的具体组成对负荷特性具有根本性和决定性的影响。(2) 天气敏感负荷分量天气敏感负荷分量与一系列天气因素有