基于bp神经网络短期负荷预测毕业设计 - 图文

更新时间:2023-11-08 03:47:01 阅读量: 教育文库 文档下载

说明:文章内容仅供预览,部分内容可能不全。下载后的文档,内容与下面显示的完全一致。下载之前请确认下面内容是否您想要的,是否完整无缺。

本科生毕业设计(论文)

题 目:

姓 名:

学 号:

学 院:

专 业:

年 级:

指导教师: (签名)

年 月 日

电力系统整点负荷预测研究

摘要

短期负荷预测在电力系统中有着举足轻重的作用,是电力系统最基本的工作之一,准确的负荷预测为电力系统的稳定,可靠,经济的运行提供了便利条件。随着我国电力经济进一步发展,负荷预测对电力系统的经济效益和国民经济的影响越来越大。负荷预测的精度的保证成为现在电力科学人员的重要工作,负荷预测误差大直接导致导致成本增加,电力系统调度难度变大等后果。

本文简单阐述电力系统负荷预测的内容,负荷的特点。并介绍几种国内外所用的短期负荷预测的方法和发展趋势,比较其优缺点,说明人工神经网络在处理短期负荷预测这类问题有自适应,自主学习的优点。本文将利用人工神经网络BP算法来进行短期负荷的预测研究,这种方法主要是利用人工神经网络的非线性逼近功能来实现的。

本文将对电力系统短期负荷预测进行简单的理论介绍,着重讲述了神经网络的BP算法并将其应用于负荷预测研究的计算过程。本文技术要求学习日负荷的特点以及建立神经网络模型,确定三层网络的节点数目,选好传递函数和初始权值。建好模型之后,利用原始的5到20日的整点负荷数据来预测第21,22及23日的整点负荷数据,用MATLAB编写程序进行网络训练,训练出结果之后对其进行分析,画出负荷数据变化曲线和原始数据的曲线进行比较。

由于本文没有考虑天气以及节假日等影响负荷变化的因素,所做出的仿真的误差精度不是很小。

关键词:短期负荷预测;人工神经网络;BP算法;

The Power system integer point Load forecasting

Abstract

Short-term load forecasting plays an important role in the power system,It is one of the basic work of the power system.Accurate load forecasting is to provide convenient conditions for the power system to work stable, reliable, and economic.With the further development of China's electric power economy, Load forecasting has more affections on economic efficiency of the power system and the national economy. The guarantee of the accuracy of load forecasting now is the important work for Electric Power Researchers.Large load forecasting error is a direct result of the increased costs, larger difficulty power system scheduling and other bad consequences.

This paper briefly discusses the contents of the power system load forecasting and load characteristics.And introduced several domestic and foreign short-term load forecasting methods and its trends,compare its advantages and disadvantages,make an explanation about artificial neural network has the advantages of adaptive and self-learning working on short load forecasting.This paper will make use of the neural network BP algorithm to study short load forecasting,This method is mainly using artificial neural network linear approximation to achieve.

In this paper, power system short-term load forecasting will be briefly theoretical introduced ,focuses on the process of BP neural network algorithm and its applied to the calculation of the load forecasting .The technical requirements of this paper is to learn the daily load characteristics and the establishment of neural network model and to determine the number of nodes of the three-tier network, then select transfer function and initial weights.After building the model,By using of the original day 5 to day 20 integer point of load data to predict the integer point load data of day 21, day 22 and day 23. By using of MATLAB programming to train the network and analysis the training results, Plot the forecasting load data curve and the original data curve and compare them .

Due to this paper does not consider the factors of weather and holidays which affect the load ,the error of the simulation is not so small.

Keywords: Short load forecasting; artificial neural network; BP algorithm

目录

摘要 ................................................................................................................................................... I Abstract ............................................................................................................................................ II 目录 ................................................................................................................................................ III 第1章 绪论 ..................................................................................................................................... 1

1.1 负荷预测的背景和意义 .................................................................................................... 1 1.2 负荷预测国内外发展现状 ................................................................................................ 1 1.3 本文主要研究内容 ............................................................................................................ 3 第2章 负荷预测介绍 ..................................................................................................................... 4

2.1 负荷预测的组成和特点 .................................................................................................... 4

2.1.1 负荷预测的组成 ..................................................................................................... 4 2.1.2 负荷预测的特点 ..................................................................................................... 4 2.2 影响负荷预测的因素 ........................................................................................................ 5 2.3 负荷预测的原则和步骤 .................................................................................................... 5

2.3.1 负荷预测的原则 ..................................................................................................... 5 2.3.2 负荷预测的模型 ..................................................................................................... 6 2.3.3 负荷预测的步骤 ..................................................................................................... 6 2.4 本章小结 ............................................................................................................................ 7 第3章 BP神经网络原理 ............................................................................................................... 8

3.1人工神经网络概述 ............................................................................................................. 8

3.1.1 神经网络的特性 ..................................................................................................... 8 3.1.2 人工神经元模型 ..................................................................................................... 8 3.2 神经网络BP算法 ............................................................................................................. 9

3.2.1 BP网络结构 ............................................................................................................ 9 3.2.2 BP网络的算法 ...................................................................................................... 10 3.2.3 BP网络的缺点和改进方法 .................................................................................. 11 3.3 本章小结 .......................................................................................................................... 11 第4章 整点负荷预测设计及其实现 ........................................................................................... 12

4.1 模型的设计及参数设定 .................................................................................................. 12

4.1.1 模型的设计 ........................................................................................................... 12 4.1.2 参数的设定 ........................................................................................................... 13 4.2 整点负荷预测数据 .......................................................................................................... 13 4.3 BP仿真设计 ..................................................................................................................... 15 4.4 预测结果分析 .................................................................................................................. 20 第6章 结论与展望 ....................................................................................................................... 21 参考文献......................................................................................................................................... 22 附录 ................................................................................................................................................ 23 致谢 ................................................................................................................................................ 26

第1章 绪论

1.1 负荷预测的背景和意义

电力系统的作用是为各类用户尽可能经济地提供可靠而合乎质量标准要求的

电能,以随时满足各类用户的需求。由于电能的生产、输送、分配和消费是同时完成的,难以大量储存,这就要求发电系统要随时紧跟系统负荷变化以达到动态平衡,否则就会影响供电质量,甚至危及电力系统的安全与稳定。因此,科学的电力系统负荷预测就成为电力系统一项重要的工作,同时也是电力系统自动化领域中一项中重要内容[1]。

负荷预测指的是,在充分考虑一些重要的系统运行特性,增容决策,自然条件和社会条件下,研究或利用一套系统来处理过去与未来负荷的数学方法,在满足一定精度要求的意义下,确定未来某特定时刻的负荷数值[2]。负荷预测按时间可以分成短期负荷预测,中期负荷预测和长期负荷预测。短期负荷预测有周负荷预测,日负荷预测和小时负荷预测。短期负荷预测精度对电力系统有着至关重要的影响,它影响着电力系统未来的调度、调控,影响着电力系统的供电质量,并与当地的电力市场稳定性和经济效益息息相关,由于我国处在社会主义初级阶段,节能和科学发展是现在发展的趋势,短期负荷预测精度重要性不言而喻。 因此,从各个方面来讲,电力系统短期负荷预测是一项十分重要和必不可少的工作。

1.2 负荷预测国内外发展现状

长时间内,人们发明了很多负荷预测的方法,比如传统分析法和人工智能等。

国外由于经济发展较好,电力系统长期比较稳定,所以以中长期负荷预测为主,而我国处在社会主义初级阶段,所以两者兼并重。

传统分析法有时间序列法和回归分析法,这些方法在现在的电力系统中有很大的缺陷,误差比较大而且没有自适应和自学习的能力,逐渐被淘汰。近年来,经过国内外专家不懈努力,发现了许多人工智能方法,具体的比如灰色理论、模糊逻辑系统预测法、人工神经网络、小波分析法等等一系列负荷预测的方法。 (1)灰色理论

灰色系统理论是20世纪80年代由我国学者邓聚龙教授提出,用来解决信息不完备系统的数学方法,已在各个领域得到广泛应用。灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量,常用累加生成和累减生成的方法,将杂乱无章的原始数据整理成规律性较强的生成数据列,灰色理论预测法就是以

灰色系统理论为基础的预测技术,可在数据不多的情况下找出某个时期内起作用的规律,建立负荷预测的灰色模型,灰色模型的微分方程作为电力系统单一指标(如负荷)的预测时,求解微分方程的时间响应函数表达式,即为所求的灰色预测模型,对模型的精度和可信度进行校验并修正后,即可据此模型预测未来的负荷,此方法是中长期负荷预测的主要方法[3]。 (2)模糊预测法

模糊预测法,是近几年来在电力系统负荷预测中不断出现的一种新的预测方法。模糊预测技术考虑了与电力负荷诸多相关的因素,将负荷与对应环境作为一个数据整体进行处理,得出负荷变化模式及对应环境因素特征,从而将待测年环境因素特征与各历史环境因素特征进行比较,得出所求负荷增长率,用以求取预测年负荷,所以模糊预测法是目前用于处理各种主观因素较重、材料和数据资料不完整等不确定因素的有效方法。目前模糊集合理论应用于负荷预测主要有以下几种方法:模糊聚类法、模糊相似优先比法、模糊最大贴近度法等[4]。 (3)人工神经网络法

自从1943年第一个神经网络模型被提出至今,神经网络的发展十分迅速,在电力系统负荷预测领域内应用较广泛的模型有:反向传播模型、自组织特征映射。将人工神经网络应用于短期负荷预测的具体过程为:以历史负荷、天气因素(如温度、风速、湿度、阴晴等)等作为输入变量,以负荷预测值为输出变量,通过大量的样本训练神经网络,确定神经元之间的连接权值及神经元的阈值,然后将训练完成的网络用于预测未来的负荷,并且随着新样本的加入,可以重新训练神经网络,形成新的权值和阈值以适应新的样本,训练好的新神经网络可以进行电力系统短期负荷的预测工作,预测结果具有较高的精度[5]。 (4)专家预测法

对数据库里存放的过去几年的每小时的负荷和天气数据进行细致的分析,汇集 有经验的负荷预报人员的知识,提取有关规则,按照一定的规则推理进行负荷预测,专家系统是对人类的不可量化的经验进行转化的一种较好的方法,若能将它与其他方法有机地结合起来,构成预测系统,将可得到满意的结果,专家系统法是一个很耗时的过程,对某些复杂的因素(如天气因素)要准确、定量地确定他们对负荷的影响也常常是很困难的事[6]。

总的来说,人工神经网络这种方法在负荷预测的时候有其独特的优势,并且得到了许多专家的认可,并取得了不错的成就。本文就是利用人工神经网络来进行短期负荷预测,证明这种方法在短期负荷预测中的可行性和实用性,为电力系统提供更良好的服务。

1.3 本文主要研究内容

本文在介绍多种负荷预测方法之后,以某地区的整点负荷为例,建立三层神经网络模型进行短期负荷预测。用MATLAB软件编写程序进行仿真,验证此方法的可行性。论文研究主要内容如下:

第1章 介绍选题背景、目的及其意义,介绍本课题的发展现状,说明本课题的主要工作任务。

第2章 介绍负荷预测的内容及其影响因素,详细介绍负荷预测的基本步骤。 第3章 介绍神经网络BP算法的原理,BP算法的特点。并说明BP算法在短期负荷预测时改进的方法。

第4章 主要介绍本文具体把神经网络BP算法应用到某地区负荷预测上,建模并仿真以及对结果的分析。 第5章 论文结论和展望。

第2章 负荷预测介绍

2.1 负荷预测的组成和特点

电力系统负荷按用途可以分为可以分为居民负荷、农业负荷、工业负荷、商业负荷和其他负荷,虽然每种负荷都有自己的特点和变化,但预测方法都是相同的。

2.1.1 负荷预测的组成

在电力系统中,按预测周期可分为长期负荷预测、中期负荷预测和短期负荷

预测以及超短期负荷预测。

中长期负荷预测主要是指对未来一年或几年的负荷进行预测,超短期负荷预测是指对未来几分钟几小时的负荷进行预测,而短期负荷预测是对未来几天的负荷进行预测。短期负荷预测和超短期负荷预测是电力系统核心技术模块,因为两者直接关系到发电输电方案的制定,也是能量管理系统(EMS)的重要组成部分。此外,在能量管理系统中,还有母线负荷预测等其他负荷预测。

2.1.2 负荷预测的特点

由于负荷预测是根据电力负荷的过去和现在推测它的未来数值,所以,负荷

预测工作所研究的对象是不肯定事件,只有不肯定事件、随机事件、才需要人们采用适当的预测技术,推知负荷的发展趋势和可能达到的状况。这就使负荷预测具有以下明显的特点[7]: (1)不确定性

因为电力负荷未来的发展是不肯定的,它要受到多种多样复杂因素的影响,而且各种影响因素也是发展变化的。人们对于这些发展变化有些能够预先估计,有些却很难事先预见到,加上一些临时情况发生变化的影响,因此就决定了预测结果的不准确性或不完全准确性。 (2)条件性

各种负荷预测都是在一定条件下作出的。对于条件而言,又可分为必然条件和假设条件两种。如果负荷预测员真正掌握了电力负荷的本质规律,那么预测条件就是必然条件,所作出的预测往往是比较可靠的。而在很多情况下,由于负荷未来发展的不肯定性,所以就需要一些假设条件。例如,我们经常说,如果天气一直不下雨的话,排灌负荷将保持较高的数值等等。当然,这些假设条件不能毫无根据的凭空假设,而应根据研究分析,综合各种情况而得来。给预测结果加以一定的前提条件,更有利于用电部门使用预测结果。 (3)时间性

各种负荷预测都有一定的时间范围,因为负荷预测属于科学预测的范畴,因此,要求有比较确切的数量概念,往往需要确切地指明预测的时间。 (4)多方案性

由于预测的不准确性和条件性,所以有时要对负荷在各种情况下可能发展状况进行预测,就会得到各种条件下不同的负荷预测方案。

2.2 影响负荷预测的因素

有很多影响负荷预测的因素,经过多年专家的总结,分为以下几种:

(1)电力系统负荷内部变化。电力系统负荷随着人们用电的规律变化而变化,比如日负荷,在白天负荷变化平缓,到傍晚的时候负荷变化迅速增大,到深夜又迅速减少。负荷内部变化往往具有线性和周期性两大特点。

(2)气候因素。在我国,由于南北跨越较大,各地气候有明显的不同,主要表现在温度、湿度、风力、天气、污染程度等。特别是温度对负荷影响最为明显,比如在南方,夏天温度升高,许多用户必须使用大功率的空调,导致负荷变化,增大电力系统的负荷。

(3)时间因素。时间因素是指比如法定节假日、星期循环、四季变换都会对负荷产生影响。一般而言节假日负荷要小于工作日负荷,因为在节假日许多工厂

第4章 整点负荷预测设计及其实现

4.1 模型的设计及参数设定 4.1.1 模型的设计

首先建立一个三层的BP网络,隐含层只有一层。因为多隐含层会延长训练的时间,隐层的激发函数选取正切双曲函数,输出层的激发函数采用纯线性函数。隐层节点数目不能太少,如果太少,会影响训练的的精度,也不能太多,太多会延长训练时间。隐层节点的确定一般按照下面三个公式的要求来确定: (4-1) (4-2) (4-3)

为隐层节点数目,为输出层节点数目,是输入层节点数目,是1到10的整数。实际训练的时候,按照从小到大的顺序逐个代入程序进行试验,选出最合适的值。 输入节点的个数就是输入神经元训练网络的个数,尽可能多的考虑其他影响因素作为输入量,由于本文没有考虑气候等其他原因,所以输入变量只有历史的整点负荷数据。

输出节点就是经过训练后期望的输出,就是要预测的那几天的整点负荷数据,是一个多输出变量。

建立网络通过newff来实现,这个函数将建立起已经设定好参数的满足要求的网络结构。初始化由函数init来确定,在确定网络结构的同时,这个函数会将连接网络的权值阈值随机赋值,所以每次训练网络的输出值都不一样。训练网络由train函数来确定,它会对输入矩阵和期望输出矩阵和设定好的参数比如训练次数、学习速率、最小误差精度等来进行训练,直到达到精度为止。仿真输出由函数sim来执行,他将根据上述训练的网络进行数据处理及计算。

由于BP算法只能处理归一化的数据,所以在进行负荷预测的时候,要将历史负荷数据进行归一化处理,去掉那些非法的数据,这些数据有明显的误差,不符合实际情况,会影响到网络的训练精度和数据处理。得到输出预测结果之后,再将输出结果进行反归一化处理,得到确切的预测负荷数值。

4.1.2 参数的设定

学习速率影响着网络收敛程度的大小和速度,它影响着每一次训练权值的变化,学习速率越大,修正值越大,可能导致系统震荡,网络不收敛,而学习速率小的时候,系统收敛变慢,训练次数增加,很容易陷入局部极小。所以学习速率要从大往按照经验小逐个实验,发现系统震荡就往小取,发现收敛速度变慢就往大取。一般取值范围在0.05到0.8之间。

训练次数的选取要看网络样本的大小,样本越大,需要的次数就越多,样本越小,次数就越少。但如果把训练次数设定的很大,收敛会变慢,有时候会达到设定的最大次数才会收敛。如果训练次数少,很可能因为训练次数不够而达不到收敛。

期望的误差精度选取要根据系统的要求来选取,取决于负荷预测误差的要求范围之内就可以,误差精度不可以取得太小,太小会导致收敛变慢,训练次数增多,很难达到所设定值。

4.2 整点负荷预测数据

本文以某地区5到20日的整点负荷作为训练样本,预测21、22、23日的整点负荷。输入变量就是训练样本,由于是24小时整点的数据,所以输入是一个24维的向量,也是一个2416的矩阵。由此可知,输出也是一个24维的向量,也是一个243的矩阵。不能直接把历史负荷数据作为输入,这样会导致网络结构不稳定,结果收敛不到,所以要对数据进行归一化处理,归一化就是把数据归一到0到1之间。本例不会因为样本过小而导致网络结构不稳定、表达不充分而陷入局部极小,反而本例样本很大,这样增大了网络训练次数,增长了收敛时间,数据过剩导致网络训练慢。样本数据如表4.1和4.2。

表4.1 某地区5到20日负荷数据 单位:(kw)

时间 0:00 1:00 2:00 3:00 4:00 时间 5:00

5日 1702 1560 1522 1504 1509 5日 1515 6日 1692 1602 1558 1501 1474 6日 1516 7日 1764 1662 1582 1535 1521 7日 1568 8日 1789 1642 1595 1568 1543 8日 1579 9日 1684 1609 1532 1509 1488 9日 1531 10日 1751 1643 1581 1546 1518 10日 1555 11日 1726 1648 1574 1528 1541 11日 1589 12日 1794 1693 1626 1607 1584 12日 1622

6:00 7:00 8:00 9:00 11:00 13:00 1696 1828 1970 2114 2322 2016 1721 1874 2013 2120 2196 2309 2061 2024 2050 2075 2176 2313 2354 2434 2331 2215 2174 1941 1748 1861 2023 2120 2188 2345 2038 1995 2031 2020 2121 2261 2295 2383 2323 2199 2120 1948 1661 1811 1910 2012 2063 2194 1930 1887 1913 1898 1972 2112 2154 2285 2233 2155 2054 1864 续表4.2

1790 1902 2030 2143 2220 2341 2014 2013 2064 2053 2149 2247 2292 2412 2338 2234 2140 1931 1779 1851 2050 2143 2234 2348 2031 2022 2063 2043 2157 2263 2298 2439 2331 2276 2136 1908 1807 1897 2066 2184 2236 2378 2055 2051 2107 2137 2191 2315 2337 2482 2396 2289 2197 2014 1886 1947 2098 2213 2307 2392 2064 2054 2140 2125 2207 2328 2328 2511 2428 2324 2235 2005 10:00 2190 12:00 2065 14:00 2039 15:00 2041 16:00 2125 17:00 2275 18:00 2308 19:00 2355 20:00 2294 21:00 2203 22:00 2091 23:00 1863 时间 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 11:00 13日 1829 1719 1644 1608 1627 1634 1882 1998 2142 2233 2392 14日 1877 1748 1693 1625 1614 1670 1837 1910 2055 2159 2254 2347 2067 2052 15日 1840 1694 1620 1588 1593 1602 1746 1785 1906 1984 2091 2227 1955 1906 16日 1786 1665 1622 1577 1526 1580 1810 1848 2024 2156 2239 2392 2067 2054 17日 1862 1715 1671 1633 1609 1645 1842 1937 2059 2197 2283 2399 2061 2053 18日 1727 1651 1569 1520 1531 1549 1816 1873 2000 2098 2188 2352 2006 2006 19日 1790 1740 1635 1659 1576 1619 1839 1921 2061 2136 2221 2355 2033 2001 20日 1791 1692 1625 1597 1588 1634 1853 1911 2089 2155 2245 2378 2096 2053 10:00 2268 12:00 2070 13:00 2073

14:00 2133 15:00 2117 16:00 2208 17:00 2284 18:00 2330 19:00 2504 20:00 2447 21:00 2351 22:00 2276 23:00 2070 2101 2088 2215 2356 2331 2396 2335 2263 2175 1980 1956 1964 2055 2170 2169 2333 2296 2228 2131 1928 2122 2124 2192 2273 2305 2490 2416 2346 2212 2008

2145 2147 2283 2371 2378 2410 2307 2171 2060 1867 2049 2056 2144 2256 2297 2450 2385 2311 2184 1999 2073 2080 2147 2265 2260 2425 2381 2304 2182 1955 2126 2132 2219 2322 2340 2475 2397 2332 2261 2036 4.3 BP仿真设计

由上文可知,文中输入节点和输出接点个数都为24个,隐层节点个数因为比较重要,直接影响着收敛精度和速度,由公式(4-1)、(4-2)和(4-3)来确定隐层节点个数,算出隐藏节点个数为50个,比较容易让网络收敛。所以本文的sigmond函数,函数形式如4-4

(4-4)

隐层到输出函数选用纯线性函数purelin 。训练方法选择按梯度下降法训练。 创建BP网络:

net=newff(minmax(samplelist),[20,24], {'tansig''purelin'},'traingd) 网络训练:

训练次数设定为20000,训练目标为0.01,学习速率是0.5,代码如下: net.trainParam.epochs=20000 net.trainParam.goal=1e-3 net.trainParam.lr=0.5

net=train(net,samplelist,expectlist)

接着用20日的数据来预测21日的,用21日预测的数据来预测22日的,22日的预测数据来预测23日的,最后画出和实际值的比较曲线图。 在经过3638次训练之后,达到了训练目标,结果如图5-1所示

102Best Training Performance is 0.00099985 at epoch 3638 TrainBestGoal101100误差目标10-110-210-310 0-4500100015002000250030003500训练次数

图4-1 训练结果

输出结果再经过反归一化之后,得到了21日、22日和23日的预测负荷数据,和实际负荷值相比较得出了误差,如表4-2、4-3、4-4所示

表4-2 某地区21日负荷误差表 单位(kw) 时间 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 实际值 1847 1716 1618 1623 1606 1633 1805 1880 2037 2146 2242 2373 2058 2034 2129 预测值 1855.394 1683.709 1647.997 1614.619 1632.597 1587.923 1804.094 1926.557 2091.241 2127.275 2262.614 2341.598 2064.08 2021.218 2140.46 误差(%) 0.45 1.88 1.85 0.52 1.66 2.76 0.05 2.48 2.66 0.87 0.92 1.32 0.29 0.63 0.54

本文来源:https://www.bwwdw.com/article/wm32.html

Top