电力市场环境下的电力负荷预测研究_开题报告

一、研究背景和意义

（一）研究背景

随着我国大力发展智能电网，电网的管理日趋现代化，负荷预测问题的研究越来越引起大家的注意，并且成为现代电力科学的一个重要领域。目前我国电力行业市场化脚步越来越快、电力企业改革也在不断的深入。正确的预测电力负荷是保证国民经济各部门及人民生活的电力需要，是电力工业健康发展的需要，也是电力规划的基础。在这样的环境下电力负荷的预测也有了更加重要的意义了。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，所以其预测十分重要。

（二）研究理论依据

        由于负荷预测是根据电力负荷的过去和现在推测其未来值，所以负荷预测研究的对象不是确定事件。电力负荷未来的发展是不确定的，它受到多种因素的影响，很难把握这些因素在未来某一时刻的状态，只能在一定的条件下，进行一定的简化并做出若干假设的预测结果。所以，负荷预测有不确定性、多条件性和多方案性的特点。

        虽然负荷预测有多样的条件，但是也有一定的规律。通过对历史数据的研究，找到其内在的规律，按照一定的科学依据，可以保证负荷预测工作尽可能的接近实际情况。首先，电力负荷的发展具有一定的规律，这是进行预测的基础：其次，电力负荷的发展是一个连续统一的过程，其未来的发展是这个过程的延续：第三、各地区、各年段电力负荷的发展具有一定的可比性、相似性。

（三）研究意义

电价是电力市场的信号，是电力供应的桥梁，是电力交易的枢纽。电价作为重要的经济杠杆，在建立和培育电力市场，优化配置电力资源，调整各种利益关系方面具有不可替代的作用。电力负荷预测是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理的安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本提高经济效益。

电力系统的稳定运行要求发电量能随时紧跟系统负荷的变化，即发电站发出的电能必须能够平衡线路负荷，如果不事先进行负荷预测，或负荷预测不准，将会导致大量的电能浪费。准确预测负荷，不但对确定日运行方式有重要的作用，有助于确定机组组合方案、地区间功率输送方案和负荷调度方案。此外，电力负荷预测直接关系到电力系统生产计划和电力系统运行方式的安排，具有重要的经济效益和社会效益。电力系统的作用是对各类用户尽可能性提高可靠性高的和质量好的电能。电力负荷的大小，无论是电力系统的规划设计还是运行研究，都是非常重要的因素。对未来电力负荷的事先预测，是电力系统发展和运行研究的重要课题。

二、国内外研究现状

近几十年来，国外学者对电力系统负荷预测的研究做出了很大的贡献，目前为止提出了200多种预测方法，但是在实际应用中就几十种，大多还处于实验研究阶段。目前国外学者大多采取与神经网络和支持向量有关的一些方法。有学者提出先选择相似日负荷作为输入负荷，而后应用小波分解将负荷分解成低频分量和高频分量，最后使用单个的神经网络来预测这两个分量的未来值。也有学者提出采用非对称二次损伤函数支持向量回归来准确的预测负荷，有效的提高了电力负荷预测模型的准确性。

目前国内电力负荷预测研究也备受瞩目，很多学者都提出了自己的看法。东南大学的单渊达教授采用径向基函数（RBF）为神经网络预测系统前向网络的学习提供了新颖有效的手段。BRF网络具有良好的推断能力，而且在学习方面比误差反向传播（BR）方法快的多。但不同地区电力负荷的特性不同，影响电力负荷的因素也不一样，预测时要针对不同地区的特性，对输入输出关系的选择和样本集的构成进行较大的调整。华北电力大学的牛晓东的教授引入小波神经元网络电力负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而达到最优的效果，国内著名人工智能学者蔡自兴教授则结合多层感知神经网络和多分辨率遗传算法来进行电力负荷预测。 

电力负荷预测是在充分考虑一些重要的运行特性，自然条件和社会影响的条件下，研究或者利用一套系统处理过去和未来负荷的数学方法，在满足一定精度要求下，确定未来一个时刻下的负荷数值。基本的预测方法有4种：长期负荷预测、中期负荷预测、短期负荷预测、超短期负荷预测。传统预测法其有回归模型法、时间序列法、趋势外推法；人工神经网络法、小波分析法、专家系统法、模糊推理法都是属于人工智能方法。

负荷预测的核心问题就是预测的数学模型，随着现在科学技术的不断进步，负荷预测的理论水平得到很大发展，为了找到使用方便、精确度高、计算快的负荷预测方法，许多人在理论和实践上进行了广泛的研究和探讨。

三、发展趋势

负荷预测要考虑社会经济的发展，人口数量的变化，地理环境的变化，这些因素与各种社会、政策因素有着较密集的联系，具有一定的不可预料性，电力负荷的变化，具有一定的不确定性，明显受到各种因素的影响，比如气候的变化意外事故的发生等对电力负荷的干扰，这使得负荷时间序列的变化出现非平稳的随机过程。另一方面，在一定条件下，电力负荷存在明显的变化趋势，具有明显的周期性，一旦找到变化趋势，按照变化趋势就能对未来负荷变化趋势做出判断，这就是趋势外推预测技术，

现代预测方法随着人工智能的发展而兴起的，它结合了人工智能领域里的模糊数据、神经网络，专家系统等研究成果，这些方法主要分四大类；（1）数理统计法（2）模糊数学法（3）神经网法（4.）智能系统法

四、^范文提纲

1.绪论

1.1研究的背景和和意义

1.2电力市场的研究现状

1.3国内外负荷研究的现状与发展

2.电力负荷预测的概述

2.1电力负荷构成及其特点

2.1.1电力负荷的构成

2.1.2电力负荷的特点

2.1.3影响负荷水平的因素

2.2输入数据的预处理

2.3负荷预测的误差指标

3.负荷预测基本原理及其研究

3.1.负荷预测的一般原理

3.1.1负荷预测的基本原则和基本要求

3.1.2负荷预测步骤

3.2负荷预测的内容及其分类

3.2.1经典负荷预测的内容及其分类.

3.3影响电力负荷预测的主要因素

3.4电力市场环境下负荷预测的新特点

4.电力负荷预测方法分析与比较

4.1电力负荷预测方法

4.2预测方法的比较

5.短期电力负荷预测

5.1概述

5.2基于RBF神经网络的短期负荷预测模型

5.3短期负荷预测的综合模型

5.4实例分析

6.总结

五、参考文献

[1]黄锦铭.电力系统短期负荷预测方法[J].中国科技博览，2016（5）：26-26.

[2]赵希正 中国电力负荷特性分析和预测.北京.中国电力出版社 2001

[3]张涛 基于小波神经网络的电力系统负荷预测研究 《哈尔滨理工大学》 , 2009

[4]马洪松 基于改进灰色模型的电力负荷预测方法研究及应用 《华北电力大学》 , 2013

[5]杜松怀 电力系统负荷预测技术，华东电力 N.09,2009.09

[6]牛晓东 曹树华，赵磊等编著，电力负荷预测技术及其应用[M].北京：中国电力出版社，2001

[7]卓金武。魏永生，秦建等 MATLAB在数学建模中的应用[M] 北京：北京航天航空大学出版社。2011.4

[8] 王大成 程浩忠 奚珣等，灰参数GM（1,1）模型及其在电力负荷在预测中的应用 华北电力 2004 32（8）：4-6

[9] 康重庆、夏清、刘梅 电力系统负荷预测[M]  北京中国电力出版社，2002

[10]杨科. 潭伦农 电力市场环境下的中长期负荷预测的应用分析[J]《电力系统及其自动化学报》 2011年3期

[11]何正轩   基于BP神经网络的电力系统短期负荷预测[D] 电气工程《广东工业大学》 2016（学位年度）

[12]陈巧玲 组合预测法在中长期电力负荷预测中的应用[D] 水利水电工程 《华北水利水电大学》 2014（学位年度）

[13]董立美. 郭忠林 电力负荷预测方法研究[J] 《建筑工程技术与设计》2018年17期

[14]HASSAN S,KHOSRAVI A,JAAFAR J. Improving load forecasting accuracy through combination of best forecasts[C].IEEE International Conference on Power System Technology, Auckland, New Zealand:2012. 

[15]SINGH A K, IBRAHEEM I, KHATOONS S, et al. Load forecasting techniques and methodologies: A review[C]. International Conference on Power, Control and Embedded Systems (ICPCES), ALLahabad, India:2012

[16]YING CHEN, LUH P B, CHE GUAN, et al. Short-Term load forecasting: Similar day-based wavelet neural networks[J].IEEE Transactions on Power Systems,2010,25(1):322-330

[17]STOCKMAN M, EIRAMLI R S, AWAD M, et al. An  asymmetrical and quadratic support vector regression loss function for beirut short term load forecast[C]. IEEE International Conference on System, Man and Cybernetics (SMC),Seoul,Korea:2012.