江苏省电力负荷预测现状分析专业电气工程及其自动化_开题报告

（一）电力负荷预测意义

电力负荷预测是电力系统规划的重要组成部分，从预测对象来看，电力负荷预测包括对电力需求量的预测和对用电量的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据[1]。电力预测是今后进行电网商业化所必需的基本内容，其重要性已经越来越被人们所认识。随着近年来各种数学模型的涌现，以及人工智能的发展，出现了不少新颖的预测方法，这些方法大概能分成两大类别：一类是数学统计类的经典预测方法，比如回归分析法、趋势外推法、时间序列法等；另一类是人工智能类的现代预测方法，如灰色数学理论法、专家系统法、人工神经网络法等[3]。

由于电能具有不能大量储存的特殊性，所以电力系统内的可用发电容量，在正常运行条件下需随时保持供求平衡，不足的电力供给不仅影响着国家经济发展，还影响社会稳定和人民的日常生活[1]。因此，合理的进行电力系统规划不仅可以获得极大的经济效益，也会获得极大的社会效益，而实现这一目标的基础就是要做好电力负荷预测。

(二) 电力负荷构成特点

电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。

1、城市民用负荷主要来自城市居民家用电器的用电负荷，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。

2、商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。

3、工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等)，而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。

4、农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。

从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。

电力负荷的特点决定了电力总负荷由以下四部分组成:基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。 

 (三) 电力负荷预测分类

负荷预测根据目的的不同可以分为超短期、短期、中期和长期:

1、超短期负荷预测

指未来1h以内的负荷预测，在安全监视状态下，需要5-10s或1-5min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。

2、 短期负荷预测

指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等，对短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，特别是天气因素、类型等和短期负荷变化的关系。

3、中期负荷预测

指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。

4、长期负荷预测

指未来3-5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。

对于负荷进行中长期预测，有利于决定未来新发电机组的安装，决定装机容量的大小、地点和时间，决定电网的增容和改建[8]。

（四）电力负荷预测现状

东西方国家对电力负荷预测研究的侧重点有些不同，西方国家如英美等国更注重短期负荷研究，国内则是中长期及短期预测并重。

1、国内现状

近几十年来，国内外对电力系统负荷预测的研究热情逐渐升温，许多学者提出了各自看法。当前国内短期负荷预测也备受瞩目，近年来发展起来的径向基函数（radial basis function,简称RBF）理论为前传网络的学习提供了一种新颖而有效的手段。BRF网络具有良好的推广能力, 而且学习比通常的快得多，具有广阔的应用前景。西安电子科技大学的马涛教授提出了一种基于RBF神经网络的短期负荷预测方法, 并在RBF神经网络预测的基础上引入模糊控制规则, 使神经网络以较快的收敛速度得到了最优解，并通过实例研究结果表明该方法可以取得较高的预测精度[14]。为更好地反映气象因素对负荷的影响及提高预测的精度，有学者选用Morlet小波构建小波神经元网络，采用误差反传学习算法来训练网络，采用自学习隶属度分析聚类的新方法选择训练样本，以为武汉近年的负荷数据和气象资料进行了建模和预测，预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性，采用自学习隶属度分析聚类法选择训练样本能改善预测精度[12]。负荷预测的方法众多，每种预测都有自己的适用范围，城市电力负荷的中长期预测是城市电网规划中的基础性工作，其精度的高低直接影响着整个规划工作的优劣[11]，又由于中长期电力负荷预测不仅包括电量和负荷的预测，还包括分布曲线的预测，所以有学者将灰色系统和人工神经网络结合起来进行中长期负荷预测，利用灰色预测样本数据量少和建模过程简单的特点，对中长期电力负荷进行前期预测，结合人工神经网络对大量非线性，非精确性规律具有自适应和自我学习能力的有点，采用改进的BP算法最终得出预测方法。随着经济的发展及人民生活水平的提高，我国的电力消费迅速上升，2000以后，电力需求大幅度提升，尽管这几年国家已经在大力建设电站，但由于电能不能大量储存，消耗量又大，2000-2003年间，夏天及用电高峰期，江苏部分市县经常采取地区或按时段限电。另外，我国国情复杂，地区差异大，对电力的需求量分布不均，这些情况都需要我们做好精确的负荷预测工作，尤其是中长期的电力负荷预测工作。

2、国外现状

国外大概是工业发达，负荷发展变化规律趋于稳定的缘故，对中长期电力负荷预测的研究远远少于短期预测。随着电力市场日益成熟，电力供应商为了获取最大利益，在电力负荷预测工作方面投入非常大的精力，因此，科研工作者一直在致力研究电力负荷预测的新方法，以提高预测精度。从研究情况来看，国外广泛应用的人工神经网络电力负荷短期预测系统(ANNSTLF)可根据工业和居民用电及天气预报情况预测发电站需要提供的发电量，这一系统的应用大大提高了电站的经济效益和安全运转系数[5]。其中，Khotanzad等人的ANNSTLF已被北美地区的40多家电网所采用，取得了非常明显的经济效益并具有很好的通用性。但是，ANN还存在着诸如网络的隐节点数难于确定、最终解过于依赖初值及收敛速度比较慢等待解决的问题[15]。

二、^范文提纲

1 电力负荷预测综述

1.1 电力负荷预测基本概念

1.2 电力负荷预测的构成与特点

1.3 电力负荷预测的意义

2 电力负荷预测方法与应用

2.1 经典预测方法

2.1.1指数平滑法

2.1.2趋势外推法

2.1.3时间序列法

2.1.4回归分析法

2.2现代负荷预测方法

2.2.1灰色数学理论

2.2.2专家系统方法

2.2.3神经网络理论

2.2.4模糊负荷预测

3 电力负荷预测的基本程序

3.1 调查和选择电力负荷数据资料

3.2 历史资料的整理

3.3 对电力负荷数据的分析与处理

3.4 电力负荷预测模型的建立

4 电力负荷预测的影响因素

4.1 季节气候因素影响

4.2 节假日因素的影响

4.3 国民经济发展因素的影响

4.4电网突发事件的因素的影响

5 总结

三、参考文献

[1] 蒋惠凤;中长期电力负荷预测技术与应用[M];江苏:东南大学出版社，2016-10-01. 起止页码27-29,153-154.

[2] 沈铁军;电力负荷预测方法的简要思考[J];黑龙江科技信息;2011年20期

[3] 李元;关于电力系统中的负荷预测与分析[J];科技资讯;2011年16期

[4] 杨凯;如何提高负荷预测的准确率[J];大众用电;2009年10期

[5] 陈建;电力负荷预测方法[J];渤海大学学报(自然科学版);2006年02期

[6] 杨颖;运用季节和趋势模型预测用电负荷[J];电力需求侧管理;2004年03期

[7] 康重庆,夏清,张伯明;电力系统负荷预测研究综述与发展方向的探讨[J];电力系统自动化;2004年17期

[8] 顾洁,申刚,徐光虎;改进的电力系统中长期负荷预测方法研究[J];电力自动化设备;2002年06期

[9] 齐志刚,袁晓辉,王金文;电力系统中长期负荷预测的新方法[J];电站系统工程;2002年06期

[10] 李伟,牛东晓;基于灰色神经网络的短期电力负荷预测分析[J];科技和产业;2008年10期

[11] 李燚;电力市场环境下的负荷预测研究[J];中国高新技术企业;2011年22期

[12] 张步涵,赵剑剑,刘小华,刘沛,程时杰,陆俭;一种基于小波神经元网络的短期负荷预测方法[J];电网技术;2004年07期 

[13] 孔胜,王宇,张承伟;经济危机对中长期电力预测影响的实证研究[Z];第五届（2010）中国管理学年会  ://cpfd.cnki.com.cn/

[14] 马涛,傅周兴,孙静; 基于模糊控制的RBF神经网络的短期负荷预测[Z]; 第十八届全国煤矿自动化学术年会中国煤炭学会自动化专业委员会学术会议^范文集;2008年;   ://cpfd.cnki.com.cn/

[15] 王蒙，张力，孙骁强; 一种新的峰负荷预测方法[Z]; 第二十九届中国电网调度运行会收录^范文全集;  s://wenku.baidu.com/