论文网
关于电力系统相关论文范本,与基于神经网络的电力负荷预测相关论文怎么写
本论文是一篇关于电力系统相关论文怎么写,关于基于神经网络的电力负荷预测相关在职毕业论文范文。免费优秀的关于电力系统及负荷及电力负荷方面论文范文资料,适合电力系统论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
摘 要：近几年来,中国电力工业正在逐步进行电力体制改革,电力市场运营机制也逐步在我国建立.国内电力市场的逐步开放并投入运营,对电力系统负荷预测的研究也越来越引起人们的关注.负荷预测是从已知的用电需求量出发,在考虑经济、气候等相关因素的前提下,对未来的用电需求做出的合理预测.负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测.电力需求量的预测决定发电、输电、配电系统新增容量的大小；电能预测决定发电设备的类型（如调峰机组、基荷机组等）.
关 键 词：神经网络；电力负荷；预测
中图分类号：TM715文献标识码：A文章编号：1674-7712（2014）12-0000-02
本文采用山西省太原市2007年3月10日到26日24小时整点历史负荷数据以及对应的气象数据（包括温度、湿度）,在训练样本的选取上,由于双休日的负荷状况与工作日差别较大,因此,本文也考虑了假期特征值作为输入节点.取得的样本数据不能直接用作神经网络的输入,然后经过以下一系列的处理：
这篇论文出处 http://www.sxsky.net/zhengzhi/05060334.html
编制了负荷预测程序,通过Matlab软件,预测出太原市3月28日的电力负荷数据.对比表中均列出了实际值和预测值以及相对误差.相对误差的公式如所示：相对误差等于（K-G）/K,说明：K为历史负荷实际值,G为预测负荷值.
这些误差分析将在日负荷预测出来后,与实际的负荷数据进行比较,计算出这些误差值.首先根据经验公式初步确定隐含层神经元个数,然后通过对不同神经元数的网络进行训练对比,再最终确定神经元数.
以下2个公式可用于选择最佳隐层单元数时的参考公式.
隐含层取61节点的网络训练的进程曲线如下图所示,相比较于58节点的网络该网络学习时间更久运行了94步的时候误差精度都能收敛到0.001,满足设定的要求.所以61节点的隐含层也能很好的满足要求.程序的具体运行过程如图1所示.
在网络训练了一定次数后,隐层节点数分别为58点和61点的误差精度都能收敛到0.001,隐含层取58节点时程序运行了94步.隐层节点数取61点的负荷预测平均相对误差为1.71%,所以,本文负荷预测决定采用隐层节点数为61节点.下面针对湿度对负荷预测是否有较大的影响,分别建立两个神经网络模型,其中一个模型考虑温度作为输入节点（输入节点数为27）,作程序运算,预测负荷曲线如图2.
图2预测的曲线与历史负荷曲线对比图
历史负荷曲线（红色曲线）；
只考虑气温预测负荷曲线（黑色曲线）；隐层节点数55
考虑湿度,气温的预测负荷曲线（蓝色曲线）；隐层节点数58
只考虑湿度预测负荷曲线（黄色曲线）；隐层节点数55
图2明显直观的看出（其中红线的为历史负荷值,黄线和蓝线为预测出的负荷值）,有考虑温度,湿度影响的负荷预测较为准确,相对误差比较小.因此可以证明,湿度对负荷预测的影响是比较大的,进行短期负荷预测考虑湿度的影响预测比较准确.
本次日负荷预测的平均相对误差为1.60%,电力系统负荷属于既有一定规律性又有较强随机性的非平稳过程.未来某时刻的负荷状态通常与过去的负荷、现在的运行状况、未来的气象因素以及日期类型等密切相关.
本文采用的人工神经网络的BP算法,在结合Matlab强大的数据处理能力和完善的神经网络工具箱的情况下预测出来的,蓝色虚线曲线表示预测出的26日历史负荷数据的曲线图,红色实线型曲线为26日的历史负荷数据的曲线图.
由图像分析可知,预测曲线与历史负荷曲线还是存在较大的差别,特别是在最高点与最低点之间的.预测误差和预测结果的准确性关系密切,误差越大,准确性就愈低.由于影响负荷预测的因素很多,所以预测不是很准确,产生日负荷预测误差产生的主要原因有：（1）日负荷变化规律受气温等气象因素的影响；（2）日负荷具有随一天24小时周期变化的内在规律；（3）日负荷变化规律受近期日负荷变化趋势的影响；（4）日负荷变化规律受节假日的影响.
计算并分析误差的大小有着重要意义,这不仅可以客
关于电力系统相关论文范本
26日共24小时的平均相对误差为1.60%,短期负荷预测的平均相对误差一般要求在3%以内,本文由于日负荷的影响因素较多,没有采用改进的BP算法或结合其他负荷预测的算法,导致有些误差稍稍超过了标准范围,不过基本符合短期负荷预测的标准,也证明了运用神经网络模型的预测精度较好.预测26号的负荷与实际负荷曲线的比较图3.
图3预测26号的负荷与实际负荷曲线的比较图
当然,本论文对应用神经网络实现日负荷预测的研究远未结束,比如在网络训练中如何将其他方法与BP算法结合起来,提高预测的精度,还是个值得研究的问题；如何更加有效的减少节假日和天气、温度和季节等的影响,这些都会导致预测出现误差,本文只考虑将量化后的最高、最低温度作为输入变量,没将量化后的平均温度作为输入变量,这可能是导致误差不够精确的原因之一.
影响短期日负荷预测的因素比较多,所以存在的误差也相对较大,今后需要研究跟改进的问题有：（1）在今后的负荷预测中,重要的是研究如何减小最大预测误差值,减少较大预测误差发生的次数.一般短期负荷预测的平均相对误差要求在3%以内,本文由于日负荷的影响因素较多,没有用改进的算法或结合其他负荷预测的算法,导致有些误差稍稍超过了电力系统的预测标准范围,平均相对误差为1.60%满足条件；（2）采用人工神经网络的BP算法来进行负荷预测,因为BP算法存在收敛速度慢,误差函数存在局部极小这两大问题,使预测出来的负荷值存在较大的误差.因此,以后的研究工作是需要结合其他的预测方法或运用改进的BP算法,使误差在最小范围内；（3）考虑影响负荷的因素应都考虑些,尽量把所有影响到负荷预测的因素都考虑进去：温度、湿度、降雨量、节假日、特殊时间等等,都会对负荷预测产生影响.其中,温度是影响日负荷的最中要因素.因此,有影响负荷预测的因素应尽量考虑进去,作为输入变量.尽量减少负荷预测的影响因素,提高日负荷预测的精确性.
参考文献：
[1]ParkDC,El-SharkawiMA,MarksRJ,eral.Electricloadforecastingusingaartificialneuralwork.IEEEtransonpowersystems,1991（05）：442-449.
[2]MohammedO.Practialexpericeswithanadaptiveneuralworkshort-loadforcastingsystems.IEEEtrans.onpowersystems,1995（01）：245-265.
[3]赵希正.中国电力负荷特性分析与预测[M].北京：中国电力出版社,2001：2-3.
[4]飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计[M].北京：电子工业出版社,2003.
[5]宋宝利.电力系统负荷预测[D],西安理工大学,2003.
[6]杨奎河,王宝树,赵玲玲.基于神经网络的预测模型中输入变量选择[J].计算机科学,2003（08）：139-143.
[7]张立明.人工神经网络的模型及其应用[
关于电力系统相关论文范本,与基于神经网络的电力负荷预测相关论文怎么写参考文献资料：