石嘴山地区短期负荷预测算法研究

论文摘要

短期电力负荷预测是电力系统运行必不可少的工作,负荷预测的结果是系统安排发电计划、确定备用容量的基础,其结果的准确与否对系统运行的安全性和经济性都有着重要的影响。故而如何提高短期负荷预测的精度一直是人们致力研究的方向之一。目前,国内外关于电力系统短期负荷预测的文献很多,但由于影响负荷的诸多因素和负荷的不确定性,使得短期负荷预测至今没有得到令人十分满意的解决。本文首先阐述了短期负荷预测的概念和意义,进而介绍了当前短期负荷预测的研究现状,并简要概括了现有几种短期负荷预测方法。其次,本文对石嘴山地区电网的电力负荷特性进行了深入的分析和探讨。针对具体的电网研究了影响电力负荷变化的一些可测因素,并详细分析了各种因素与负荷特性问的具体影响关系。然后,本文对神经网络理论进行了简要的阐述,并对两种前向型网络进行了详尽的分析,也对这两种网络的差异进行了探讨。在对石嘴山地区负荷特性和神经网络进行深入分析的基础上,本文提出了一种基于BP网络和RBF网络的级联神经网络(CNN)预测模型。模型的子网络分别处理可测因素与历史负荷对负荷预测值的影响。在模型的实现过程中,对各种相关因素及输入量分别进行了合理的量化和归一化处理。最后将此模型应用于石嘴山地区常规日负荷的预测之中。模型的算例结果分析表明,级联模型的预测结果达到了比较令人满意的精度,具有实用化的价值。本文最后对灰色系统理论进行了简要的阐述,并建立一种基于灰色系统理论的灰色模型,将此模型应用于常规周负荷的预测之中,预测结果达到了比较令人满意的精度,具有实用化的价值。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 引言
• 1.2 问题的提出及研究意义
• 1.2.1 负荷预测的内容和分类
• 1.2.2 短期负荷预测的意义
• 1.3 国内外研究现状
• 1.4 本文研究的主要内容
• 2 石嘴山电网负荷特性分析
• 2.1 年度负荷特性分析
• 2.1.1 最大负荷和用电量
• 2.1.2 年负荷曲线
• 2.1.3 年持续负荷曲线
• 2.2 月负荷特性分析
• 2.2.1 月平均日负荷率及月最小日负荷率
• 2.2.2 月不均衡系数
• 2.3 典型日特性分析
• 2.4 结论
• 3 基于BP与RBF级联神经网络的日负荷预测
• 3.1 人工神经网络的特征及一般模型
• 3.1.1 人工神经网络的特征
• 3.1.2 人工神经网络的一般模型
• 3.2 神经网络的基本学习方式及学习算法
• 3.2.1 神经网络的基本学习方式
• 3.2.2 神经网络的学习算法
• 3.2.3 BP网络的基本计算
• 3.2.4 RBF网络的基本计算
• 3.3 RBF网络与BP网络之间的差别
• 3.3.1 BP网络的不足之处
• 3.3.2 RBF网络与BP网络的差别
• 3.3.3 BP与RBF算例分析
• 3.4 日负荷预测模型的建立
• 3.4.1 对预测模型建立的几点思考
• 3.4.2 神经网络模型拓扑结构分析
• 3.4.3 对有关输入输出变量的处理
• 3.5 神经网络模型的训练
• 3.5.1 样本的选取
• 3.5.2 样本数据的预处理
• 3.5.3 网络模型的训练与测试
• 3.6 日负荷预侧的计算实例与评估分析
• 3.6.1 计算实例
• 3.6.2 评估分析
• 3.7 本章小结
• 4 基于灰色系统理论的周负荷预测
• 4.1 灰色系统的特点
• 4.2 灰色预测模型GM（1，1）的建模过程
• 4.3 灰色预测误差检验
• 4.4 GM（1，1）模型的改进
• 4.5 等维新息灰色预测模型
• 4.6 周负荷预测的计算实例
• 4.7 本章小结
• 5 结论
• 致谢
• 参考文献