摘 要

电力在当今社会发挥着越来越重要的作用，电力负荷的预测也因此成为电力系统研究的重要方向。越精确的电力负荷预测使相关部门做出越准确的增容决策，实时地控制好余缺调剂。电力负荷预测包括了对功率，即未来用电需求量的预测，对能量，及对未来用电量的预测，和对负荷曲线的预测。随着科学发展，电力负荷预测的方法越发成熟，弹性系数法、回归分析法、人工神经网络法、时间序列法、专家系统法、灰色系统理论法、小波分析法等等预测方法被广泛使用。

本文主要使用人工神经网络模型中的BP算法，对短期电力负荷进行预测。采用traingdx自适应学习步长附加动量法对神经网络进行改进，得到预测的负荷曲线，与实际负荷曲线对比，得出误差曲线。在三次预测中采用不同的样本数量对网络进行训练，得到的预测曲线也不同。预测结果最接近实际结果的一次预测的最大误差为6.07%。

采用BP神经网络对短期电力负荷进行预测，用以训练网络的历史负荷数据越多，网络训练越精准，得到的误差越小。精确的电力负荷预测对电力相关部门具有极为重要的意义。

关键字：短期电力负荷预测、神经网络、BP算法、traingdx改进、误差曲线

Abstract

Electricity plays an increasingly important role in today's society, and the prediction of electric power load has become an important direction of power system research. The more accurate the power load forecast makes the relevant departments make the more accurate capacity of the decision-making, real-time control of the remaining lack of swap. Power load forecasting includes the prediction of power, ie, future demand for electricity demand, energy, and forecasting of future electricity consumption, and prediction of load curves. With the development of science, the method of forecasting power load is becoming more and more mature, elasticity coefficient method, regression analysis method, artificial neural network method, time series method, expert system method, gray system theory method and wavelet analysis method are widely used.

In this thesis, we use the BP algorithm in artificial neural network model to forecast short-term power load. The incremental load curve is obtained by using trainedx adaptive--learning step size plus momentum method to obtain the predicted load curve, and the error curve is obtained by comparing with the actual load curve. In the three predictions, the number of different samples is used to train the network, and the predicted curves are different. The maximum error of the prediction is closest to the actual result. The maximum error is 6.07%.

The BP neural network is used to predict the short-term power load. The more the historical load data is used to train the network, the more accurate the network training is, and the smaller the error is. Precise power load forecasting is of great importance to power-related departments.

Key words：Short - term power load forecasting, neural network, BP algorithm, traingdx improvement, error curve

目 录

第1章 绪论 1

1.1 研究背景和目的及意义 1

1.1.1 研究的背景 1

1.1.2 研究的目的及意义 1

1.2 国内外研究现状 1

1.3 电力负荷预测 3

1.3.1 电力负荷预测的概述 3

1.3.2 电力负荷预测的方法 4

1.3.3 电力负荷预测的基本流程 4

1.4 本文主要工作 5

第2章 人工神经网络 6

2.1 人工神经网络的概述 6

2.2 人工神经网络的结构及其模型分类 7

2.2.1 人工神经网络的结构 7

2.2.2 人工神经网络的模型分类 7

2.3 人工神经网络的激励函数 8

2.4 人工神经网络的学习规则 9

2.5 本章小结 11

第3章 基于BP神经网络算法的短期负荷预测 12

3.1 BP神经网络算法的概述 12

3.2 BP神经网络算法的基本原理 12

3.2.1 BP神经网络结构 13

3.2.2 BP神经网络的学习算法 14

3.3 BP神经网络算法的优化 14

3.4 基于BP神经网络预测模型的建立 16

3.4.1 数据的预处理 16

3.4.2 选取学习参数 18

3.4.3 改进学习算法 19

3.5 算例分析 20

3.6 本章小结 20

第4章 负荷预测结果分析 22

4.1 改进BP神经网络算法结果 22

4.2 改进BP算法的结果分析 26

4.3 本章小结 27

第5章 结论与展望 28

参考文献 29

附录A 31

附录B 34

附录C 38

致谢 42

第1章 绪论

1.1 研究背景和目的及意义

1.1.1 研究的背景

在电力现代化的社会，电力已经渗入到社会的方方面面。电能用户越来越多，工业、农业、企事业、医院、政府、学校无不依靠电能运行，尤其像医院这样事关人命的地方，电能的稳定安全提供是必不可少的保障。可以说，随着社会发展，电力系统的安全稳定运行决定着人们的生活、工作的正常进行。人们生活水平提高，对电能质量要求越来越高，因此，电力质量成为电力系统研究的重要内容。电能是不可存储的一种能量，如果发电量超过用户所需用电量，不仅会造成浪费，对电力系统也会有一定的影响。因此，要保证电力质量，就要有精确的电力负荷预测。电力负荷预测经过长时间的发展，已经拥有了较为可靠的预测方法。

在“十三五”期间，我国的GDP年平均增长率为6.6%左右，电力消费的增长速率和消费结构也在逐渐换挡。不再呈现‘高速增长’的趋势，变为‘中高速’增长。电力市场增长速率将低于经济发展的增长速度，电力消费的弹性指数将长时间低于1。对电能的使用，在经济上需要考虑节约人力成本和物力成本，质量上必须保证用户得到可靠的电力能源，提高经济效益。因此，精确的电力负荷预测成为电力系统分析中越来越重要的部分。

1.1.2 研究的目的及意义

电力负荷预测是能量管理部门（ESM）的关键组成部分，可以说，ESM的安全可靠运行依赖着精确的电力负荷预测。电力负荷的预测与经济也有着密切的关系，电能发出后，不能储存，直接送往用户，若用户需求量与发电量不匹配，则会造成电能浪费或者用户电量不足，无论那种情况都会影响用户体验，影响电力系统的经济效益。所以可以说，电力负荷预测是电力市场交易的基础。一个好的电力规划，能够保证电力系统的健康，提供给用户充足且不浪费的电力供给，这也依赖于电力负荷的预测工作。电力系统相关部门必须具备的基础知识就是对电力负荷运行、预测的充分了解。

电力负荷的预测，需要考虑很多的影响因素，总的来说分为两类。一内在因素，即电力系统的运行；二是外在因素，即社会和自然因素。受众多因素的影响，电力负荷预测变得较为复杂。只有保证电力负荷更加准确地预测，才能使电力系统做出正确的增容决策，才能实时地控制电力系统的电能调剂。电力负荷的预测是与电力系统从计划、规划，到调度，到配送电都密切相关的准备工作。

1.2 国内外研究现状

从电力出现到发展至今，电力负荷预测也经历了漫长的发展。在海内外专家的极力研究下，电力负荷预测有了实质性的进步，已经成长得较为成熟了。