基于神经网络的电力系统负荷预测

论文摘要

电力系统负荷预测对电力系统的经济、安全和可靠运行起着至关重要的作用,它已经成为现代能量管理系统的一个重要组成部分,其中以短期电力系统的负荷预测对于电力系统运行和人民日常生产消费的意义尤为重大。电力系统负荷预测是电力系统部门对整个网络进行最优控制调节的重要先决条件。由于负荷预测的误差会导致运行和生产成本的增加,因此,精确的电力系统负荷预测对电力系统控制、运行和规划都具有现实意义。本文在分析电力系统负荷预测的特点和研究现状基础上,采用BP人工神经网络对电力系统负荷预测的模型进行优化,这种方法可以更好的刻画出电力系统负荷多输入多输出、复杂非线性以及繁杂的无规律可循的特征。遗传算法是在达尔文的生物进化论的基础上发展起来的,它模拟了进化过程中的自然选择与遗传规律,是一种全局搜索最优解的算法。本文首先分析了GA算法与BP神经网络的优劣势,将GA算法与BP网络结合起来,用GA算法来训练BP神经网络的连接权值,给出了基于GA与BP相结合的具体算法和实现过程,以期克服BP神经网络容易陷入局部极小点的缺陷。本文用matlab仿真软件构建了GA-BP算法在电力系统负荷预测模型中进行优化的网络结构,用电力系统的历史负荷数据和预测日的最高气温、最低气温作为网络的输入,用GA算法优化BP神经网络的权值,以预测电力系统的负荷,并利用该仿真软件对天津市某地区的电力系统负荷进行了仿真,结果验证了该模型用于电力系统负荷预测的研究具有可行性,能够在一定程度上提高负荷预测的精度和速度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 电力系统负荷预测的意义
• 1.2 电力系统负荷预测的内容
• 1.2.1 电力系统负荷预测的周期性分类
• 1.2.2 短期负荷预测
• 1.3 电力系统短期负荷预测研究现状
• 1.4 本文主要研究内容
• 第二章 人工神经网络概述
• 2.1 人工神经网络的发展及其特征
• 2.2 生物神经元
• 2.3 人工神经元
• 2.4 人工神经网络模型
• 2.5 神经网络的学习方式
• 第三章 基于GA-BP 算法的神经网络混合训练
• 3.1 BP 学习算法
• 3.1.1 BP 神经网络模型
• 3.1.2 BP 神经网络的学习过程
• 3.1.3 BP 神经网络学习的传播公式
• 3.1.4 BP 算法流程图
• 3.1.5 BP 算法的缺点
• 3.2 遗传算法简介
• 3.2.1 遗传算法描述
• 3.2.2 遗传算法的特点
• 3.2.3 遗传算法实现的技术问题
• 3.2.4 遗传算法的流程
• 3.3 基于遗传算法的神经网络训练方法（GA-BP 算法）
• 3.3.1 基于BP 网络训练与GA 遗传算法相结合的可行性分析
• 3.3.2 GA-BP 算法优化连接权的过程与特点
• 3.3.3 GA-BP 算法的流程图
• 第四章 电力系统负荷预测模型及实例分析
• 4.1 负荷预测神经网络方法
• 4.1.1 负荷预测BP 模型结构
• 4.1.2 负荷数据预处理
• 4.1.3 训练样本的组织
• 4.2 预测模型的确定
• 4.2.1 编码方案
• 4.2.2 适应度函数
• 4.2.3 遗传操作
• 4.3 算例分析
• 4.3.1 基于BP 算法的学习和预测
• 4.3.2 基于遗传算法和BP 算法的学习和预测
• 4.3.3 基于GA-BP 算法的小时递归预测模型
• 第五章 结论与展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢