电力负荷管理系统中的短期负荷预测技术的研究

论文摘要

电力负荷管理系统中的短期负荷预测是现代电力系统运行研究中的重要课题之一。电力系统短期负荷预测的结果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。实践证明,在电力系统发展日趋复杂的今天,各种传统的负荷预测技术已经越来越难以满足电力部门越来越高的负荷预测精度要求,所以应用智能算法进行电力系统的短期负荷预测,提高负荷预测的精度和稳定性,具有十分重要的意义。本文首先概述了电力系统负荷管理的背景及短期负荷预测的步骤及现状,然后介绍了电力系统负荷管理系统的组成,并重点研究了BP人工神经网络在短期电力负荷预测中的应用。针对BP神经网络中最常用的算法所存在的收敛速度慢,容易陷入局部极小问题,本文应用一种改进的算法来优化神经网络,进行电力负荷预测。应用德州市的历史负荷数据对建立的短期负荷预测系统进行了测试验证,与传统的BP神经网络相比,可以看出本文所建立的基于粒子群优化算法(PSO)的神经网络预测模型能提高预测精度,其预测性能明显优于基于神经网络的负荷预测,具有很好的非线性映射能力,有进一步开发并应用于实际在线预测的良好前景。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 电力负荷管理概述
• 1.2 电力系统负荷管理中的短期负荷预测
• 1.2.1 电力系统负荷预测的步骤
• 1.2.2 国内外短期负荷预测现状
• 1.3 论文的主要工作及意义
• 第2章 电力负荷管理系统
• 2.1 SCADA系统组成
• 2.1.1 系统结构
• 2.1.2 系统功能
• 2.2 监控中心软件
• 2.3 负荷管理终端（RTU）
• 2.3.1 负荷管理终端的工作原理
• 2.3.2 性能参数指标
• 2.3.3 功能
• 第3章 基于BP神经网络的短期负荷预测
• 3.1 人工神经网络的概述
• 3.1.1 人工神经网络的基本概念
• 3.1.2 人工神经网络的基本特性
• 3.2 BP神经网络
• 3.2.1 BP神经网络概述
• 3.2.2 BP网络数学模型的建立
• 3.2.3 BP算法原理分析
• 3.2.4 BP算法流程图
• 3.2.5 标准BP算法的缺陷及改进
• 3.3 算例分析
• 3.3.1 神经网络隐含层节点数
• 3.3.2 BP神经网络的拟合情况分析
• 3.3.3 BP神经网络用于简单情况下的负荷预测
• 第4章 基于PSO-BP神经网络的短期负荷预测
• 4.1 粒子群优化算法
• 4.1.1 粒子群优化算法的基本原理
• 4.1.2 粒子群优化算法的特点
• 4.1.3 粒子群优化算法的改进
• 4.2 粒子群优化的BP神经网络
• 4.3 负荷预测中的影响因素分析
• 4.3.1 经济因素
• 4.3.2 时间因素
• 4.3.3 天气因素
• 4.3.4 负荷的其他影响因素
• 4.4 数据预处理
• 4.5 算例分析
• 4.5.1 正常日负荷预测
• 4.5.2 节假日负荷预测
• 第5章 结论
• 5.1 结论
• 参考文献
• 致谢