论文部分内容阅读
对电力系统的负荷进行预测是实现电力系统现代化管理的重要研究内容之一,而短期负荷预测是电力系统负荷预测应用最广泛的一种。但是,传统的电力负荷预测方法有的不能适合于某地区的负荷预测,有的不能精确反映未来负荷的走势或者负荷预测的步骤很繁琐,而且基本不能真正的实现计算机化。通过分析电力负荷的分类、特性,总结影响负荷预测的一些因素,采用增加动量项和在激励函数中加入陡度因子的方法对BP神经网络算法进行改进。这种方法解决了BP神经网络中存在的收敛速度慢、训练容易陷入瘫痪和容易陷入局部极小值等问题。而后采用改进的BP神经网络算法对临沂市某地区的电力系统进行负荷预测。在构建BP网络负荷预测模型时,本文引入了人体舒适度指数这一概念,把湿度、温度、风力等因素的值转化成一个指标值。它可以很好的体现多种气象因素对负荷曲线的综合影响,还可以避免网络的节点太多导致的网络太臃肿,加入气象因素的网络预测精度也会提高。在对网络进行训练时,使用尽可能覆盖24小时的96个时刻点的负荷值的大量样本,而且把训练得到的网络权值保存起来。这样做使得训练得到的网络通用性会增强,同时可以方便用户在近期进行预测时随时取用。最后,本文分析了短期负荷预测的系统平台——积成电子股份有限公司研发的iES-600调度自动化系统和iPAS网络分析软件,同时用VC++6.0对本文设计的BP神经网络进行负荷预测的过程进行编程实现,并绘制流程图进行说明,更好地体现了预测方法的计算机化。