论文部分内容阅读
电力工业是涉及到国家社会经济的共同进步和人民生活持续发展的重点基础工业。电力系统短期负荷预测更是电网管理系统的一个核心工作任务,优化电网结构、营销、交易、调度和交易计划都是在此基础和前提上分别开展的。预测的准确程度事关到电网的安全、稳定和经济运行。社会经济持续高速进步,人民生活质量的日益稳步提升,供暖和大型冷却设备的广泛普及使得气象因素对负荷的干扰越来越大。本文基于某市的电力负荷,对短期负荷预测进行了研究。首先阅读了大量的理论研究资料,从多个角度深层次挖掘了当前电力系统负荷预测的研究状况,并对不同研究侧重的不同预测方法特点进行了比较分析,其次系统详细地介绍了神经网络的基本构成、原理和学习算法,通过抽象模拟人脑神经系统,神经网络生成了自适应的并行信息处理方法,且同时具备非线性映射以及自学习的特征,对电力系统负荷预测而言,其发挥着十分重要的作用。此外,本论文对误差方向传播神经网络以及如何利用方向传播来构成参数学习展开了详细论是。在介绍了在预测领域神经网络的应用方法,为避免神经元饱和,涉及到需对一些数据进行归一化处理;对于模型的初始权值及学习参数的选取也进对行了分析;以及怎样将天气、温度等影响因素特征进行量化,最终根据经验如何确定隐藏层的节点个数。最终通过构造日特征相关因素的BP神经网络负荷预测模型,使用标准BP算法做了相关预测,但由于该预测模型需要较长的学习训练时间,且该模型收敛性差,易产生局部极小状况。进而采用了三种改进的Bp算法(自适应BP算法、弹性梯度下降法以及L-M法)基于某市负荷实现了预测,把2011年六月负荷作为样本,对6月23日的负荷开展预测,预测结果表明,在使用标准BP算法训练时预测的速度太慢,训练要求的精度所需的最大步数达不到实际预测误差的要求,与期望的差异太大,很难达到电力部门的准确度要求。其余三种改进BP算法经过最终对比分析结果表明,L-M法是训练速度最高也是预测准确度最高的一种算法。