基于神經(jīng)網(wǎng)絡(luò)智能算法的電力系統(tǒng)短期負荷預(yù)測研究.pdf

1、短期負荷預(yù)測是電力系統(tǒng)規(guī)劃、營銷、市場交易、調(diào)度等部門工作的重要依據(jù)，科學(xué)的預(yù)測是正確決策的前提和保證。以年用電量290億千瓦的中等城市為例，當預(yù)測誤差每降低1%，可節(jié)約運行成本1.45億元。目前國內(nèi)外學(xué)者提出各種預(yù)測方法，其中人工神經(jīng)網(wǎng)絡(luò)不依賴人為經(jīng)驗，通過訓(xùn)練網(wǎng)絡(luò)，建立預(yù)測模型，能夠較好地處理負荷數(shù)據(jù)的非線性關(guān)系。本文主要以短期負荷預(yù)測為研究對象，以神經(jīng)網(wǎng)絡(luò)為預(yù)測模型，旨在提高短期負荷預(yù)測精度和效率，主要工作如下：
　　首先，

2、介紹了歷史負荷數(shù)據(jù)來源，針對部分異常數(shù)據(jù)樣本采用橫向處理與縱向處理相結(jié)合的方法進行修正；對負荷特性進行了分析，歸納了日負荷變化規(guī)律、周負荷變化情況以及節(jié)假日負荷變化規(guī)律；對電力負荷的影響因素進行分析，主要分析了氣象因素對負荷預(yù)測的影響，同時也對經(jīng)濟因素、電價因素、日期因素等其他因素加以討論。正確認識負荷特性及其變化規(guī)律，科學(xué)把握各因素與電力負荷之間的關(guān)系，有助于提高負荷預(yù)測準確性。
　　其次，介紹了BP、RBF、ELM和Elman

3、四種神經(jīng)網(wǎng)絡(luò)模型及其特點，并以這四種網(wǎng)絡(luò)建立預(yù)測模型，對其預(yù)測性能加以研究驗證，以江蘇省某地區(qū)真實負荷數(shù)據(jù)進行預(yù)測分析，結(jié)果表明Elman神經(jīng)網(wǎng)絡(luò)預(yù)測的準確率較高，預(yù)測的平均百分誤差為1.98%，而其他三種網(wǎng)絡(luò)模型均在2.00%以上，但其預(yù)測效率和精度仍有待提高。
　　然后，在上述兩部分的基礎(chǔ)上提出基于PCA和MEA-Elman神經(jīng)網(wǎng)絡(luò)的電力負荷短期預(yù)測研究方法。該法利用主成分分析PCA算法對氣象因素進行綜合分析得到綜合氣象指標；

4、利用MEA算法對Elman網(wǎng)絡(luò)權(quán)值閾值進行優(yōu)化，并對其激活函數(shù)進行改進，建立MEA-Elman模型。同樣以江蘇省某地區(qū)真實負荷數(shù)據(jù)進行預(yù)測分析，結(jié)果表明本文所提方法進一步提高了預(yù)測精度和效率。
　　最后，隨著智能電網(wǎng)、網(wǎng)絡(luò)通信以及傳感器技術(shù)的發(fā)展，電力負荷數(shù)據(jù)呈現(xiàn)指數(shù)增長，逐步形成海量數(shù)據(jù)。針對傳統(tǒng)的預(yù)測方法主要是基于小數(shù)據(jù)樣本，無法滿足海量數(shù)據(jù)下負荷預(yù)測精度和效率的需要。提出基于MR-MEA-Elman并行計算預(yù)測模型，該模型主