论文总字数：20730字

摘 要

由于时间，天气，人为，地理等因素导致使用电量不同从而使电力系统负荷出现变化，比如时间因素之一便是在某一地方周一到周五，五天的工作日会比周日使用电量多。夏天南方由于使用空调较多，电力系统负荷会增加。在北方冬天会使用地暖，其地方使用的电力负荷将会增加。人为因素比如举办某一活动（2008年北京奥运会），其使用电量也将会增加。为了确保日常活动和工作的稳定进行，最好的方法就是对电力系统负荷进行有效预测。电力系统负荷预测按照时间的长短可以分为长期负荷预测，中期负荷预测和短期负荷预测。这次本文主要是针对如何运用BP神经网络法对短期负荷预测进行研究。针对对于短期负荷预测方法有以下几种:①神经网络法，②时间序列法，③回归分析法等。神经网络法是九十年代以来才开始广泛实际运用的方法，它的可以对大量非结构性，非准确性规律具有适应性拥有自学的能力，是目前最理想的短期负荷预测方法之一。因此本文将以BP神经网络法进行短期负荷预测展开。本文将采用江苏某地区二零一八年八月一日至二零一八年十二月三十一日全市区电网负荷数据，运用神经网络进行数据分析和归一化预处理并且使用这些数据训练网络。并且在采用神经网络的多层前馈网络的神经元网络分析法的基础上利用MATLAB仿真绘出短期负荷预测数据曲线，并与预测日实际负荷数据进行对比，最后分析并提出合理改进方法。

关键词 电力系统，负荷预测，神经元网络，matlab负荷曲线仿真

Abstract

Due to time, weather, man-made, geographical and other factors, the power system load changes, such as one of the time factors is that in a certain place Monday to Friday, five days of work will be more electricity than Sunday. In the south of the summer, due to the use of more air conditioning, the power system load will increase. In the north winter will use ground heating, its local use of electricity load will increase. Human factors such as holding an event (the 2008 Beijing Olympics) will also increase power consumption. In order to ensure the stability of daily activities and work, the best way is to effectively predict the load of power system. Power system load forecasting can be divided into long-term load forecasting, medium-term load forecasting and short-term load forecasting according to the length of time. How to use BP neural network method to predict short-term load is studied in this paper. There are the following methods for short-term load forecasting :1 neural network method ,2 time series method and 3 regression analysis method. Neural network method is a widely used method since the 1990s. It can be self-taught for a large number of non-structural and non-accuracy laws. It is one of the most ideal short-term load forecasting methods at present. As a result, the BP neural network method will be used for short-term load forecasting. In this paper, the load data of the whole urban power grid in a certain area of Jiangsu Province from August 1,2018 to December 31,2018 will be used, and the data analysis and normalization preprocessing will be carried out by using the neural network and the training network will be used. Based on the neuron network analysis method of multilayer feedforward network of neural network, the short-term load forecasting data curve is drawn by MATLAB simulation, and compared with the actual load data of forecasting day. Finally, the reasonable improvement method is analyzed and put forward.

Key words power system,load forecasting,artificial neural network,matlab

Simulation

目录

摘要 I

Abstract II

第一章 绪论 1

1.1. 短期负荷预测的意义 1

1.1.1. 国内外负荷预测的研究现状和方法 2

1.1.2. 本文讲究的主要内容 4

第二章 负荷预测的概念 5

2.1.1. 负荷预测的含义 5

2.1.2. 负荷预测的意义 5

2.1.3. 负荷预测分类 5

第三章 神经网络及其算法 6

3.1. 神经网络的起源及发展 6

3.2. BP神经网络算法 6

3.2.1. BP神经网络算法简介 6

3.2.2. BP神经网络算法的基本结构 7

3.3. 神经网络结果 7

3.3.1. BP神经网络算法 8

3.4. BP神经网络算法的优缺点 11

3.5. 神经元网络的MATLAB算法 13

3.5.1. MATLAB简介 13

第四章 基于BP神经网络的短期负荷预测 17

4.1. 数据样本 17

1、11月分天气、温度较平稳无较大的波动。 17

2、 该月无重大节假日、和大型活动。 17

续表4:5 18

续表4:5 20

4.2. 数据分类处理 20

4.2.1. 数据分类 20

4.2.2. 输入向量和输出目标向量的选择 20

4:2:3 20

4.3. 数据仿真结果 21

4.3.1. 训练结果展示 21

4.3.2. 预测结果与实际值之间比较 23

第五章 总结 23

绪论

短期负荷预测的意义

电力系统在如今作为提供能源与动力的基础网络，对各类用户提供稳定,持续，良好的电能。由于目前技术无法对发电厂生产的电能进行大量的储存，进而发电厂的电能的生产，传输线路的传输，配电和使用就必须同一时刻进行。换一句话说就是生产，传输，使用在同一时间。然而用户对电能的需求量因一些天气、节假日、人为、地理等因数变化而变化的。在正常稳定的电力系统中发电量应时刻满足负荷需求，如过发电量不够则应提高发电机组的输出功率，如果发电量过高则应降低发电机组的输出功率，从而使发电量时刻跟随负荷变化而变化并且达到负荷和发电机组的输出功率平衡的目的。所谓的预测，就是通过对事物进行分析和研究，并运用正确且准确的方法总结和探索出被预测事物的未来发展方向和未来变化的规律，通过探讨和研究出的被预测数据发展方向和变化规律对其未来发展方向和变化规律对未来做出预先的估计和判断。在充分考虑一些重要的电力系统运行特征下精选电力系统短期负荷预测下，并探讨和研究出一套短期负荷预测系统，在精确度合格的抢矿下区确定未来某一天后者某一时刻的电力系统负荷数据。因为提高预测准确度有利于提高电网的运行系数，也有利于减少煤，油等发电资源的浪费进而减少发电成本。（煤，油发电资源）以降低发电成本来提高电力系统的经济效益和社会效益。因此电力系统的负荷预测是实现电力系统智能化和经济化的重要步骤之一。

按照国际上的规定，我们将电力系统负荷预测按时间段分，可以分为:长期、中期和短期。时间长为数年到十年的时间长度为长期负荷预测，当新的发电机组安装和改建时就应当先进行长期负荷预测长期负荷预测是电力规划部对电源发展，电网发展计划的重要工作内容之一；对未来一年以内三周以上的用电负荷进行负荷预测称为中期负荷预测，当机组检修，燃料替换，水库调度等短暂因素时就需要中期负荷预测。对未来三周以内的用电负荷进行预测被称为短期负荷。其中短期负荷预测在电力调度的整个过程中起重要作用，它为电力规划，电网控制，系统安全分析等提供重要数据，从而使电力调度，电网控制更接近实际，从而使发电的使用率提高，减少能源浪费。随着电力市场发展开放力度越来越大，电力市场变化的更新很快，因此对短期负荷预测其准确性很重要也越来越依赖于短期负荷预测。

精确度高的短期负荷预测有利于提高电力市场的经济性，工厂的效益性。并且短期负荷预测可以有效的促进供，运，用户三方的协调，给电网带来了巨大的效益。

我国的电力负荷可以分为三类类负荷:

第一类：第一类负荷用于军事、政治、民用（关乎生命安全）的负荷，如果一旦断电就会造成不可逆的损失和破坏，影响政治和经济。更重要的是影响人生安全。因此第一类负荷要采用两个互相独立的电源，一旦其中一个电源断电或者检修就不用停电。保证供电的连续性。

第二类：第二类负荷用于重要的产业、交通和大型剧名点。这类负荷如果一旦断电，将会导致企业严重停产，居民生活无法正常运行。因此在这类负荷应采用双回路供电。

第三类：第三类负荷是除一类和二类负荷以外的负荷。对于供电无特殊要求的负荷

国内外负荷预测的研究现状和方法

自上世纪七十年代开始，国内和国外发达国家对电力系统负荷预测的研究开始逐渐成为一个热门的研究课题和方向，进入一九八零年以后，我国改革开放后进入到了全面大力发展经济建设为目标的核心阶段，对电力需求也日益剧增，然而当时的能源非常的稀有，电力市场的供电已经多次出现供不应求的严重情况，为了解决这一系列问题，负荷预测才开始成为我国电力公司重要的一项日常工作内容。一九九零年以后，全球经济化的情况下，电力也成为市场化。而且二战以后科技发展迅速，对于电力系统负荷预测的方法也越来越多，为电力系统负荷预测提供了丰富的选择。

自90年代以来，国内和国外的电力行业的学者和工作人员在长期的思考和实践中不断的提出和改进负荷预测的方法。随着各种数学模型的建立和出现，以及90年代以来人工智能的快速的发展，出现了很多新奇的预测方法，这些方法分成两大类:一类是以数学统计类为基础的经典预测方法，比如回归分析法、趋势外推法和时间序列法等；第二b类是以人工智能为代表的新型预测方法，比如1980年以后专家系统法比较流行但是1990年以后发展起来的更为流行的BP神经网络法等。

1:回归分析法

回归分析法是一种基于古典统计学分析,从而影响数据统计分析总结,分析和预测总结前面找的负担和影响变量线性或非线性关系之间的关系,建立数学模型,这样就可完成基本的预测未来的负担。简而言之，这是一个建立电力消费者(因变量)和电力企业(因变量)之间关系模型的问题。
2:趋势外推法

假期、社会环境、气候变化等都会影响电荷的波动，但在这种随机、不确定的情况下，电荷总是有一定的波动趋势。我们发现这一趋势在一个电荷,基于这些趋势变化的历史相关的电荷,电荷曲线趋势波动,依照本条的仿真模拟负荷曲线趋势、估算未来负荷周转时间的曲线,不同的曲线模拟应用于不同的负荷波动，这就是趋势外推法的原理。这个方法的优点和缺点一样的明显，它的优点它优点就在于所需的基本数据比较少可以忽略不确定因素。缺点就是对于不可控因素的发生无法进行准确的预测。

3:时间序列法

时间序列分析负载变化,变化就是历史时间顺序进行排序,披露时间轴负载天气的变化发展,这种匹配关系,就像你可以负担的时间变更前为预测未来基础负载的变化。时间序列法在稳态条件下具有良好的预测精度，在稳态条件下，电网正常运行时外部环境的影响变化不大，但对电网的季节性要求过高

4:专家系统法

专家系统方法，本质上是一种复杂的计算机编程系统，利用计算机模拟转化为负荷预测的人类专家，从收集历史负荷变化知识库和人工智能利用计算机处理电力负荷信息，根据专家水平进行电力负荷预测工作的评估。专家系统方法在处理需要人工经验判断的节假日等不确定因素时，对电力负荷的影响有较大的变化，取得了较好的效果。但是由于每个地区的地理位置不同，因而电力环境也不同。这样就导致了计算机程序也更为复杂，数据量也很大，这样就导致了不能对每一个因素造成的用电负荷数据进行准确的分析和预测。

5:人工神经网络法
人工大脑神经网络法就是通过处理模拟智能化信息，该系统能够对对学习最出色的制元输出处理的预测和输入变数之间复杂的非线性关系产生影响分析处理任意瞬间复杂的非线性关系问题和在任何不确定性时处理好问题的能力。它具有优秀的学习能力，可以在预测过程中随时选择新的训练样本，以优化和调整系统人数。对这种雨具有结构性模糊的规律，回避一定的自动感知功能，即数学模型的难度也越来越大。电脑系统计算的时间，对比前面介绍了四种方法，其中包括反映各种不确定因素(如天气，事件，节日等)的负重影响，所以适合短期预报。但是人工神经网法的缺点很多，网络的层数和神经细胞的选择，几乎是在经验的多次实验的帮助下确定的，网络较晚收敛，也容易从部分收敛。这本质上是建立在经验风险最小化的基础上，在小的样本学习上也受到很大的限制。

本文讲究的主要内容

本次毕业设计的主要内容是针对于现有预测方法对于短期负荷预测的使用，再比较之后选择在这些基础上详细介绍了负荷分析的方法。因为有自身的学习能力，因此不需要通过函数一样的映射关系来反映输入变量和输出变量之间的关系，而是通过神经元网络的激励函数和负反馈来进行学习来反应的。最早期神经网络是单层感知网络，即只有输入层和输出层，虽然简单但是它的优点并不少，比如模型清晰、结构简单、计算量小等。因为只有简单的输入层和输出层因此只能处理简单线性的问题。既然可以自学习，那么它是如何进行自学习的？这里简单说明一下：训练多层前馈网络是按误差反向传播算法去训练，它流程主要分为两步:第一步方向是输入层到隐含层再到输出层的正向传播；第二步是误差的反向计算和权值的修改即输出层输出后与实际值之间对比找出误差。然后进行反向计算。然而反向计算使用的核心算法为梯度下降法，使用梯度下降法是为了使神经网络实际输出值和期望输出值之间的误差最小，因为最简单的多层神经网络具有基本的输入层、隐含层和输出层所以能够解决一定非线性问题。

本文以二零一八年江苏省某地区全市供应的负荷数据为例，建立模型并，然后利用平台训练网络，最后利用本文提供的江苏省某地区的短期负荷历史数据对负荷进行预测，并得出预测值，最后根据预测值与实际值之间的误差大小判断分析误差是否合理。这次的毕业设计主要利用实验平台，使用编写代码的方式建立网络模型对工作日和休息日的负荷进行预测实验获取实验结果，自行编码的方式更具有主动性，人机结合程度也比较高，因此使得实验方向更贴近实验者的想法更具有把握性。

负荷预测的概念

负荷预测的含义

负荷预测的意思使指通过对电力系统历史负荷数据进行研究和分析，在考虑电网运行特性、地理位置、地区人民生活习性、自然因素等条件下。运用合理的分析探讨出电力负荷变化的一般规律，进而对短期负荷进行一定的判断，最后得出一个对未来合理且一定精确度的预测数据

负荷预测的意义

第一点:当电力系统进行安全分析使，必须先进行对于未来短期内负荷进行预测，因为短期负荷预测是电力系统安全分析的重要基础，当负荷数据超过预测数据时也就是电力系统零界点。精准的负荷预测可以帮助和提醒调度人员进行一定必要的操作以此确保电力系统的安全运行。

第二点:电力负荷预测数据作为基本的电力负荷数据，店里管理员和电力调度员都会参考这一基本信息，由此电力负荷预测的准确预测有助于电力管理员和电力调度元员对电力的充分管理和人民对电力的充分利用。

第三点:一个电力公司的电力成本在一定程度上取决于电力负荷预测的准确度高低。一个预测数据准确度高的短期负荷预测可以使电力公司在电网安全运行的情况下，减少电力资源的浪费进而降低发电成本和电力公司的成本。

第四点:电力电网运转的最基础的工作包括一天至三周的短期负荷预测，短期负荷预测的精确度越高则带来的经济效益也越高

负荷预测分类

负荷预测按照时间来进行分类，通常分为的有以下三种:

第一种:短期负荷预测，对未来三周以内的用电负荷进行预测被称为短期负荷。其中短期负荷预测在电力调度的整个过程中起重要作用，它为电力规划，电网控制，系统安全分析等提供重要数据，从而使电力调度，电网控制更接近实际，从而使发电的使用率提高，减少能源浪费。随着电力市场发展开放力度越来越大，电力市场变化的更新很快，因此对短期负荷预测其准确性很重要也越来越依赖于短期负荷预测。

第二种:中期负荷预测:对未来一年以内三周以上的用电负荷进行负荷预测称为中期负荷预测，当机组检修，燃料替换，水库调度等短暂因素时就需要中期负荷预测

第三种:长期负荷预测，时间长为数年到十年的时间长度为长期负荷预测，当新的发电机组安装和改建时就应当先进行长期负荷预测长期负荷预测是电力规划部对电源发展，电网发展计划的重要工作内容之一。

神经网络及其算法

神经网络的起源及发展

在生物学上大脑的神经网络是人脑神经元的建模与联结进而形成神经系统，因此人可以自身学习、思考、联想、记忆。是模拟人脑的神经系统，进而成为一种自身具有学习，联想，记忆和模型识别等智能化信息处理的人工智能系统与人脑工作模式相似，所以被人们称为人工神经网络。它是在1943年由神经生物学家梅卡洛克郡和青年数学家皮茨一起合并模拟人脑工作模式提出的世界上第一个人工神经网络模型未未来的人工智能奠定了一定的基础，并且梅卡洛克郡和皮茨在这个基础上抽象的提出一种神经元的数理模型，也就是未来的的原型。直到1958年罗森布拉特在梅卡洛克郡和皮茨提出的的模型基础上增加了模型的学习机制,与此同时罗森布拉特也提出了感知模型，这个感知模型的提出也第一次证明了把神经网络模型用于工程上实现的可实现a，是由Rumelhat和McChekkand等16位参在1986年与撰写的《Parallal Distrivuted Processing:Exploration in Microstructures of Cognition》（并行分布式处理:认知微结构的探索） 一书中提出建立并且进行了分布式处理的理论和算法理论，的具体内容将在下文进行一一的详细简述。林思特在1988年在感知器神经网络的基础上提出了一种新的理论——自由组织理论。

关于BP神经网络算法

简介

BP网络算法是在1986年提出的，这种算法是当今运用最多的神经网络模型，它是运用一种误差传播方法去训练神经网络的多层前馈网络。神经网络通过学习、记忆、储存输入层到隐含层再到输出层之间的神经元可以储存大量的输入-输出模式数据之间的映射函数关系，因此不需要在使用之前对输入和输出之间的映射函数关系进行详细的文字描述或者函数关系。而是通过自身的学习记忆能力对输入和输出的数据样本进行训练和学习。他们通过神经元之间的激励函数、通过训练找出最适合权值和阈值并且自行更新。就是因为可以自行学习、记忆、更新的方法。所以可以更加适合与非线性的情况。神经网络算法的结构就是模仿大脑，通过大量的神经元互相构成非线性系统。通过模拟人类大脑的工作模式去处理数据和信息。

BP神经网络算法的基本结构

神经网络的基本计算单元是神经元，它也被称作节点或单元。它可以像人脑的神经元一样接受来自其他神经元和外部输入的数据，然后计算出一个数据并进行输出。输入层每一个输入的数据都会有一个自身的权重，这个权重代表的意思是—这个数据的重要性，如果权重越大表示这个数据越重要。。最后在神经元上执行特定的函数，如下图所示:

图中b 为偏置值bias它的作用是提供每个神经元一个可训练的长量，被称为为激活函数，例如函数。

神经网络结构

多层的基本机构保函三层分别是：输入层、隐含层、输出层。下面将分别介绍这个三个层。

①输入层的:输入层里主要是由输入神经元构成，它的主要任务是作为神经网络的入口主要是接受外面的信息和数据的输入，通过激励函数等计算再传递给隐含层。

②隐含层:隐含层主要是有隐含神经元组成，隐含层在输入层和输出层之间，因此不会与外界直接取得联系，他们通过输入层处理的数据再一次经过激励函数计算，获得一个新的数据，再一次传递给输出层，如上图，上图虽然只有一个隐含层，但是在神经网络中隐含层可以不止有一层。
③输出层：输出神经元位于输出层，输出神经元的作用是将接收到的隐含层数据进一步处理后输出。图形如下图所示:

BP神经网络算法

如上图，图中隐含层的神经元数量是由输入层和输出层的神经元个数确定。

其关系式为:：

其中：表示隐含层中神经单元的个数

：表示输出层神经单元的个数，

：为常数。

下面分情况分析:

一:前向神经网络

①由输入层到隐含层

其中，X₁和X₂和X₃分别是输入层三个神经元的输入，W_1、W_2、W₃

是输入层的三个神经单元输入数据的权重，则是一个常数表示阈值

单个神经元输出;（1）

剩余内容已隐藏，请支付后下载全文，论文总字数：20730字