论文部分内容阅读
电力系统短期负荷预测是电力调度部门制定发电计划的依据,是市场环境下编排调度计划、供电计划、交易计划的基础。随着电力工业市场化进程的加快,电力系统短期负荷预测精度的好坏直接影响到产业部门的经济效益,是现代电力系统运行研究中的重要课题之一,它是研究电力系统规划问题、电力系统经济运行及其调度自动化的重要依据。 本论文将前馈神经网络应用于电力系统短期负荷预测中,并引入遗传算法对网络的初始参数进行优化,主要研究工作如下: 1.电力系统负荷是一个随机非平稳过程,其负荷观测值由于受到各种因素的影响,可能会存在某些“坏数据”或“不良数据”,这些数据夹杂在正常的负荷数据中参与神经网络的训练,严重影响了负荷预测的精度。本文利用统计学的方法,求出某段时间内负荷序列中的均值与方差,再利用偏离率的计算公式计算出负荷序列中每一点的偏离率,并与阈值相比较,从而除去“不良数据”,为准确有效地进行负荷预测提供了保证。 2.通过对历史负荷数据规律性的分析,得出负荷是以周为大周期变化,以日为小周期变化,“大周期”中嵌套“小周期”规律变化的结论。在神经网络输入节摘要 点的选择方面,除了引入相关历史负荷作训练样本外,还考虑了温度、气候敏 感因素和特征日对负荷变化的影响,提高了负荷预测的精度。3.针对神经网络的收敛速度慢的缺陷,本文采用了带有变步长粉和变动量因子“ 的改进BP算法,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, 本文将遗传宣法弓}入到网络初始权值漏定中,提出了遗传算法和BP神经网 络相结合遗传BP神经网络的短期负荷预测方法,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。我们用遗传算法来训练网络参数, 直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测, 仿真实验结果表明该方法加快网络学习速度,并能提高负荷预测精度。