基于BP网络三门地区短期负荷预测_开题报告

（1）电力系统负荷预测的研究意义

随着我国经济发展进入新常态,正从高速增长转向中高速增长, 电力行业作为国民经济的基础产业,必须适应新常态,满足经济社会发展对电力的需求。电力是一个实时系统，发、输、配、用需要同时完成，发电和用电必须要平衡。平衡概念包括或分为两个平衡，第一是电量平衡，第二是负荷平衡。因此电力负荷预测工作具有巨大的社会和经济意义。

电力负荷预测作为电网规划的前提和基础，占据着举足轻重的地位。电力负荷预测的准确程度直接影响到投资、网络布局和运行的合理性，为电力系统规划提供可靠的决策依据，也为电力系统的稳定，可靠，经济的运行提供便利条件[2]。

基于准确的负荷预测可以经济合理的安排电力系统内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，有效降低发电成本，提高经济效益和社会效益，保证社会的正常生产和生活。

因此，电力负荷预测工作已经成为衡量一个电力企业的管理是否走向现代化的显著标志。尤其是在我国电力体制改革9号文的出台，意味着新一轮电改大幕的开启，用电管理将走向市场，如何做好电力负荷预测已经成为我们面临的重要而艰巨的任务。

（2）电力系统负荷预测研究现状

随着负荷预测领域研究的不断深化，国内外的很多专家和学者在预测理论与方法上做了大量的研究工作，取得了很多卓有成效的进展。

负荷预测的发展历程

总体来讲负荷预测发展可以分为两个阶段[1]：

第一阶段（20世纪60年代到80年代末）基本沿袭了经济领域的预测技术，采用传统的预测方法如时间序列法、回归分析法等。时间序列法是通过对预测对象的历史数据－时间序列的分析处理，来研究其发展过程的基本特征和变化规律，并根据这些规律和特征来预测未来的方法。包括时间序列平滑法、季节变动法、马尔可夫法和Box.jenking法等，回归分析法通过建立某些变量和负荷之间的因果关系而获得预测负荷，由于电力负荷的变化受到很多相关因素的影响，所以采用回归法进行预测是自然可行的途径。传统的分析法由于影响因素的多样性、突发性和随机性造成负荷预测误差较大，在扰动情况下不具备稳定性，对特殊负荷模型的预测效果较差，无法满足不断提高的精度要求。

第二阶段（20世纪80年代末至今）随着人工智能理论的发展与成熟，新的负荷预测技术也不断呈现，主要有专家系统法、灰色数学系统理论、人工神经网络法、模糊系统法、小波分析法、混沌预测法、支持向机类预测法及其组合方法等。这些方法都拥有其优缺点，适用范围也有所不同。专家系统预测法是对于数据库里存放的过去几年的历史数据，借助专家系统按照一定的推理进行负荷预测。一个完整的专家系统包括：知识库、推理机、知识获取部分、接收界面。灰色预测法以灰色系统理论为基础，其模型具有要求负荷数据少、不考虑分布规律、运算方便的优点，但数据离散度大或用于时间跨度长的中长期预测时，预测精度明显降低。神经网络预测可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、资助学习、知识推理和优化计算的特点，这是常规算法和专家系统技术所不具备的。小波分析法是一种时域-频域分析方法，能根据信号频率高低自动调节采样的疏密，容易捕捉和分析信号、图像的任意细小部分。模糊预测法以模糊数学为工具的负荷预测方法，也是近几年比较热门的研究方向。

负荷预测的发展趋势

随着电力市场的发展，负荷预测的重要性也日益显现，对负荷预测的精度要求也越来越高。随着现代科学技术的不断进步，理论研究的逐步深入，以灰色理论、专家系统理论、模糊数学、神经网络理论为代表的新兴交叉科学理论的出现，为负荷的飞速发展提供了坚实的理论依据。近些年的负荷研究偏重于将各种算法的优点结合从而提高预测的精度，如丁军威、孙雅明尝试应用混沌学习算法结合神经网络来实现负荷预测，克服BP学习算法所存在的本质问题，使训练的收敛性好、速度快、误差小[3]；姜勇提出将神经网络和模糊理论相结合，充分发挥了神经网络和模糊理论处理非线性问题的能力,提高了学习效能[4]；徐剑、陆俊等人提出基于粗糙集的遗传神经网络短期负荷预测方法，结合粗糙集理论、遗传算法和神经网络的优点进行负荷预测[5]；刘绚、刘天琪提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测[6]等。这些算法在预测精度上有一定的提高，但同时也增加了负荷模型的复杂性。

负荷预测的方法从简单到复杂，从只考虑历史负荷到考虑各种影响因素，从单一模型到多模型的组合预测，预测方法得到了长足的发展和进步，精度得到了大幅度提高，但在实际运用中，应根据不同的地区细致分析负荷的实际变化规律和影响因素，选择最有效的算法才能有效解决负荷预测问题。

（3）本文主要工作

由于人工神经网络方法具有较强的学习能力、记忆能力、容错能力、自适应能力、复杂映射能力等智能处理能力[2]，使得其在负荷预测领域迅速发展，运用的也较为成熟。因此本文以三门地区短期电力负荷预测为研究背景，着重讲述了人工神经网络的BP算法并将其应用于负荷预测的过程。

本文主要进行以下几项工作：

电力负荷预测的研究意义、特点、基本原理出发，介绍常用负荷预测的方法，分析比较其优缺点和适用范围。

短期负荷预测方法的学习和选择。通过分析比较确定短期负荷预测方法，着重点放在BP网络的基本理论与实现。

采集三门地区的历史负荷数据，结合相关气象数据，考虑负荷类型，建立BP神经网络模型，用Matlab的实现仿真，检验负荷预测程序的速度和精度。

对预测结果进行分析，提出负荷预测模型提高精度的措施。 

二、^范文提纲

1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研究现状

1.3电力系统负荷预测概述

1.3.1电力系统负荷预测的含义

1.3.2电力系统负荷预测的特点

1.3.3电力系统负荷预测的原理

1.3.4电力系统负荷预测的基本程序

1.4电力系统负荷预测的方法

1.4.1负荷预测的传统方法

1.4.2负荷预测的现代方法

1.5负荷预测的优缺点及适用范围分析

1.6本文的主要工作

2人工神经网络

2.1人工神经网络概述

2.1.1人工神经网络的特点

2.1.2神经元模型

2.2神经网络BP算法

2.2.1 BP网络结构

2.2.2 BP网络原理

2.2.3 BP网络的局限性

2.3本章小结

3负荷预测模型设计与实现

3.1数据分析与处理

3.1.1历史数据采集与分析

3.1.2数据的归一化

3.2负荷模型设计

3.2.1模型的结构设计

3.2.2模型的初始参数设计

3.3Matlab仿真设计

3.4预测结果分析

4结论与展望

三、参考文献

[1]牛东晓,曹树华,等.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998

[2]肖国泉,王春,张福伟.电力负荷预测[M].北京:中国电力出版社.2001

[3]丁军威,孙雅明.基于混沌学习算法的神经网络短期负荷预测[J].电力系统自动化, 2000, 24(2):32-35

[4]姜勇.基于模糊聚类的神经网络短期负荷预测方法[J].电网技术.2003, 27(2):45-49

[5]徐剑,陆俊,孙毅,唐良瑞.基于粗糙集的遗传神经网络短期负荷预测方法[J].电力系统保护与控制.2008, 36(6):37-41

[6]刘绚,刘天琪.基于小波变换和遗传算法优化神经网络负荷预测[J].四川电力技术. 2010,33(3):15-18

[7]陈夫进,王宝成.基于BP神经网络系统的短期电力负荷预测[J].河南科学.2013,31(2):168-171

[8] 李鹏飞,加玛力汗.库马什,常喜强.几种电力负荷预测方法的比较[J].电气技术.2011.6:49-52

[9]郭华安, 加玛力汗.库马什, 常喜强,姚秀萍.电力系统短期负荷预测方法与预测精度综述[J].电气技术.2011.10:20-23

[10] 柳松青.MATLAB神经网络BP网络研究与应用[J].计算机工程与设计.2003.24(11):81-83

[11] 苏宁.MATLAB软件在电力负荷预测中的应用[J].华北电力技术.2007（8）:16-19

[12]吴杰康,陈明华,陈国通.基于PSO的模糊神经网络短期负荷预测[J].电力系统及其自动化报.2007.19(1):63-66

[13]陆宇烨,张健钊,等.电力负荷预测方法综述[J].电子科技.2013(26).11:173-175

[14] S. Muralidharan, K. Srikrishna, and S. Subramanian.A Novel Pareto-Optimal Solution for Multi-Objective Economic Dispatch Problem IRANIAN JOURNAL OF ELECTRICAL AND COMPUTER ENGINEERING, VOL. 6, NO. 2, SUMMER-FALL 2007