论文部分内容阅读
电力系统短期负荷预测是保障电力系统高效运行的重要工作之一,对电力系统的稳定、经济、和安全运行起着关键性的作用。对于负荷预测的精度问题,在电力系统中有着非常重大的意义,是保证电力系统合理调度的基础,电力负荷的高精度预测是学者们关注的重点方向之一。鉴于此,本文在分析电力负荷短期预测需求的基础上,对BP神经网络预测算法的原理与关键技术进行了总结,建立了一个考虑日气象特征的BP神经网络的电力系统短期负荷预测模型,并分别对隐含层个数为10、20、30的BP神经网络模型进行了预测结果分析和误差分析。此外,针对BP神经网络模型训练过程中的权重和阈值初始化而产生的精度不足,采用遗传算法对BP神经网络算法进行改进,然后建立了考虑日气象特征的以及遗传算法改进的BP神经网络电力负荷短期预测模型。针对构建的模型,以11月份芜湖市某个区为样本对模型进行了训练,对11月21日的日负荷进行了预测结果分析和误差分析,得出的主要结论如下:(1)建立了一个考虑日气象特征的BP神经网络电力系统短期负荷预测模型,应用BP神经网络对电力系统短期负荷预测进行了实例分析,通过对BP神经网络模型进行了应用分析,结果表明所构建的BP神经网络模型具有最好的预测性能,其绝对误差均低于2%,且随着时间增加,其预测结果呈现降低的趋势,满足电力系统电力负荷预测误差3%的要求,并且效果较好。然而,BP神经网络模型在进行电力负荷预测时,虽能取得较好的预测效果,但存在一定程度的局部过优化问题。(2)不同的隐含层个数对BP神经网络模型的在电力负荷的短期预测影响显著,隐含层个数为20的BP神经网络模型预测效果最差,但计算效率最高,其计算步长为5991时就达到了目标计算误差;而隐含层个数为10的BP神经网络仿真效果最好,具有最好的预测性能,及预测值较好地仿真出实际值,同时相对误差和绝对误差均最小。(3)在建模中对隐含层的确定进行了对比分析,发现BP神经网络模型中隐含层并不是越多其预测结果越好,在一定范围内增加隐含层有利于减少训练速度和减少不长,但预测精度却达不到要求。而隐含层个数为10时BP神经网络模型具有最好的预测性能,及预测值较好地仿真出实际值,同时相对误差和绝对误差均最小,且随着时间与训练步长的增加,其预测结果呈现逐步好转的趋势。其预测值更符合实际情况。(4)应用遗传算法对BP神经网络进行优化,然后建立了考虑日气象特征的基于遗传算法改进的BP神经网络预测模型。并以11月份芜湖市某个区为样本对模型进行了训练,对11月21日的日负荷进行了预测分析,采用遗传算法优化BP神经网络模型有效的提高了神经网络模型电力负荷预测的精度,这种改进无论是从个别时刻还是从整体上来看,都取得了非常好的预测效果,这表明采用遗传算法不仅能有效的改进BP神经网络模型预测的不足之处,也同时能有效的提高BP神经网络模型在电力负荷预测的应用价值。结果证实。通过遗传算法改进神经网络在预测精度上有了很大的提高。