内容发布更新时间 : 2024/5/4 9:40:37星期一 下面是文章的全部内容请认真阅读。

基于BP神经网络的电力系统负荷预测研究

摘 要:通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于bp神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。 关键词:电力负荷预测神经网络bp算法 引言

电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件及社会影响等条件下,研究和应用一套系统处理过去负荷与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的电力负荷值。电力系统的正确调度、规划和运行都离不开电力负荷预报,准确的负荷预报不仅对电力系统的安全、可靠、经济运行起着重要作用,同时也是潜在节约能源的方法[1]。 电力系统负荷数据预测的研究在近些年来有了很大的发展,预测的方法由过去的人工方式逐步转换成软件干预方式。电力系统负荷预测问题的研究也越来越引起人们的注意,己经成为了现代电力系统运行研究中的重要课题之一。早在1990年d. c.park等人就采用人工神经网络(artificial neural networks,ann)方法对电力负荷进行预测[2]。人工神经网络技术可以模仿人脑做智能化处理,对大量非结构性、非确定性规律具有自适应功能。1个3层的bp神经网

络就可以直接实现输入参数与电力负荷状态之间的非线性映射,无需建立系统的模型,而且这种映射结果的精度可由足够的训练样本来保证。

1 电力负荷预测的原理、步骤

中期负荷预测通常是指预测未来一年(12个月)之内的电力负荷,它是电力系统运行调度中一项非常重要的内容,预测的结果将对发电机组生产计划的制定、水火电的合理配置、燃料配置、安全分析设备的维护以及电网能量的传播有着很大的影响,对于电力系统运行与控制有着非常重要的意义。 1.1 负荷预测的基本原理

负荷预测工作是根据电力负荷的发展变化规律,预计或判断其未来发展趋势和状况的活动,因此必须科学地总结出预测工作的基本原理,用于指导负荷预测工作。主要有以下几个方面:不准确性,条件性,时间性,多方案性,可知性原理,可能性原理,连续性原理,相似性原理,反馈性原理,系统性原理[3]。 1.2 负荷预测的基本步骤

对电力负荷的预测,一般可按下列步骤进行:收集和分析历史数据,对电力系统的历史数据及有关信息加以整理,排除偶发事件的有关信息,为电力负荷预测提供可靠的原始资料;建立预测模型,根据预测目标和资料,选择合适的电力负荷预测方法,建立相应的数学模型;对预测结果进行分析,评价各因素对电力负荷预测结果的影响及预测结果的可信度。

2 bp神经网络模型

bp网络(back-propagation network),即反向传播网络,是一种具有三层或三层以上神经元的神经网络,包括输入层、中间层(隐层)和输出层。上下层之间实现全连接,而每层神经元之间无连接。它利用误差反向传播算法对网络进行训练。

隐层的神经元数目选择是一个十分复杂的问题,往往需要根据设计者的经验和多次实验来确定,因而不存在一个理想的解析式来表示。隐单元的数目与问题的要求、输入/输出单元的数目都有着直接关系。隐单元数目太多会导致学习时间过长、误差不一定最佳,也会导致容错性差、不能识别以前没有看到的样本,因此一定存在一个最佳的隐单元数。以下4个公式可以用于选择最佳隐单元数时的参考公式。

(1),其中,k为样本数量,为隐单元数,n为输入单元数。如果i＞n1,。

(2),m为输出神经元数,n为输入单元数,a为[1,10]之间的常数。 (3)n1=log2n,n为输入单元数。 (4)n1=2n+1,n为输入层神经元个数。 3 工程应用

表1是岳阳县电网2008年1月-2010年3月的月最大电力负荷及月平均气温,我们用2008年1月-2009年12年的样本数据值来预测2010年前3个月的电力负荷,并与实际用电量进行比较。 3.1 bp神经网络模型