论文部分内容阅读
短期负荷预测是电力系统规划、营销、市场交易、调度等部门工作的重要依据,科学的预测是正确决策的前提和保证。以年用电量290亿千瓦的中等城市为例,当预测误差每降低1%,可节约运行成本1.45亿元。目前国内外学者提出各种预测方法,其中人工神经网络不依赖人为经验,通过训练网络,建立预测模型,能够较好地处理负荷数据的非线性关系。本文主要以短期负荷预测为研究对象,以神经网络为预测模型,旨在提高短期负荷预测精度和效率,主要工作如下:首先,介绍了历史负荷数据来源,针对部分异常数据样本采用横向处理与纵向处理相结合的方法进行修正;对负荷特性进行了分析,归纳了日负荷变化规律、周负荷变化情况以及节假日负荷变化规律;对电力负荷的影响因素进行分析,主要分析了气象因素对负荷预测的影响,同时也对经济因素、电价因素、日期因素等其他因素加以讨论。正确认识负荷特性及其变化规律,科学把握各因素与电力负荷之间的关系,有助于提高负荷预测准确性。其次,介绍了BP、RBF、ELM和Elman四种神经网络模型及其特点,并以这四种网络建立预测模型,对其预测性能加以研究验证,以江苏省某地区真实负荷数据进行预测分析,结果表明Elman神经网络预测的准确率较高,预测的平均百分误差为1.98%,而其他三种网络模型均在2.00%以上,但其预测效率和精度仍有待提高。然后,在上述两部分的基础上提出基于PCA和MEA-Elman神经网络的电力负荷短期预测研究方法。该法利用主成分分析PCA算法对气象因素进行综合分析得到综合气象指标;利用MEA算法对Elman网络权值阈值进行优化,并对其激活函数进行改进,建立MEA-Elman模型。同样以江苏省某地区真实负荷数据进行预测分析,结果表明本文所提方法进一步提高了预测精度和效率。最后,随着智能电网、网络通信以及传感器技术的发展,电力负荷数据呈现指数增长,逐步形成海量数据。针对传统的预测方法主要是基于小数据样本,无法满足海量数据下负荷预测精度和效率的需要。提出基于MR-MEA-Elman并行计算预测模型,该模型主要是将Map Reduce编程模型与MEA-Elman算法相结合,进行并行计算,为处理海量数据提供可能。以EUNITE竞赛提供的数据样本进行分析,结果表明本章所提方法在保证预测准确率的同时,提高了预测效率,对研究海量数据下的负荷预测有一定的实际意义。