张宝平[1]2003年在《基于遗传BP神经网络的电力系统短期负荷预测》文中研究表明电力系统短期负荷预测是电力调度部门制定发电计划的依据，是市场环境下编排调度计划、供电计划、交易计划的基础。随着电力工业市场化进程的加快，电力系统短期负荷预测精度的好坏直接影响到产业部门的经济效益，是现代电力系统运行研究中的重要课题之一，它是研究电力系统规划问题、电力系统经济运行及其调度自动化的重要依据。 本论文将前馈神经网络应用于电力系统短期负荷预测中，并引入遗传算法对网络的初始参数进行优化，主要研究工作如下： 1．电力系统负荷是一个随机非平稳过程，其负荷观测值由于受到各种因素的影响，可能会存在某些“坏数据”或“不良数据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。本文利用统计学的方法，求出某段时间内负荷序列中的均值与方差，再利用偏离率的计算公式计算出负荷序列中每一点的偏离率，并与阈值相比较，从而除去“不良数据”，为准确有效地进行负荷预测提供了保证。 2．通过对历史负荷数据规律性的分析，得出负荷是以周为大周期变化，以日为小周期变化，“大周期”中嵌套“小周期”规律变化的结论。在神经网络输入节摘要 点的选择方面，除了引入相关历史负荷作训练样本外，还考虑了温度、气候敏 感因素和特征日对负荷变化的影响，提高了负荷预测的精度。3.针对神经网络的收敛速度慢的缺陷，本文采用了带有变步长粉和变动量因子“ 的改进BP算法，针对BP神经网络由于初始权值选取不当容易陷入局部极小点， 本文将遗传宣法弓}入到网络初始权值漏定中，提出了遗传算法和BP神经网 络相结合遗传BP神经网络的短期负荷预测方法，与传统神经网络方法相比，该 方法可以加快网络学习速度和提高学习精度。我们用遗传算法来训练网络参数， 直到误差趋于一稳定值，然后用优化的权值进行BP算法，实现短期负荷预测， 仿真实验结果表明该方法加快网络学习速度，并能提高负荷预测精度。
苏蔚[2]2011年在《基于神经网络的电力系统负荷预测》文中认为电力系统负荷预测对电力系统的经济、安全和可靠运行起着至关重要的作用,它已经成为现代能量管理系统的一个重要组成部分,其中以短期电力系统的负荷预测对于电力系统运行和人民日常生产消费的意义尤为重大。电力系统负荷预测是电力系统部门对整个网络进行最优控制调节的重要先决条件。由于负荷预测的误差会导致运行和生产成本的增加,因此,精确的电力系统负荷预测对电力系统控制、运行和规划都具有现实意义。本文在分析电力系统负荷预测的特点和研究现状基础上,采用BP人工神经网络对电力系统负荷预测的模型进行优化,这种方法可以更好的刻画出电力系统负荷多输入多输出、复杂非线性以及繁杂的无规律可循的特征。遗传算法是在达尔文的生物进化论的基础上发展起来的,它模拟了进化过程中的自然选择与遗传规律,是一种全局搜索最优解的算法。本文首先分析了GA算法与BP神经网络的优劣势,将GA算法与BP网络结合起来,用GA算法来训练BP神经网络的连接权值,给出了基于GA与BP相结合的具体算法和实现过程,以期克服BP神经网络容易陷入局部极小点的缺陷。本文用matlab仿真软件构建了GA-BP算法在电力系统负荷预测模型中进行优化的网络结构,用电力系统的历史负荷数据和预测日的最高气温、最低气温作为网络的输入,用GA算法优化BP神经网络的权值,以预测电力系统的负荷,并利用该仿真软件对天津市某地区的电力系统负荷进行了仿真,结果验证了该模型用于电力系统负荷预测的研究具有可行性,能够在一定程度上提高负荷预测的精度和速度。
吕丰[3]2011年在《基于神经网络的短期电力负荷预测研究》文中研究指明电力负荷预测是供电部门的重要工作之一,电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显着标志之一。随着经济和社会的发展,高准确度的短期负荷预测越来越重要。本文首先重点分析了电力负荷特性,提出了进行负荷分析应遵循的理念,并收集了上海地区2008和2009两年1至8月份影响电力负荷特性的的各类数据,进行了统计和分析,以上海地区为代表介绍大城市的负荷特性情况。第二部分介绍了神经网络的基本理论,其中重点研究了BP模型的结构、算法,对BP算法进行改进,利用遗传算法优化BP网络,仿真结果表明优化后的BP网络改善了训练过程中的误差,且预测结果更精确。第叁部分首先提出建立影响短期负荷的相关因素映射数据库,并提出了映射数据库优化处理的策略,算例分析表明经过训练的相关因素的量化映射值更加合理,预测效果和稳定性得到了进一步提高。然后进行基于相关影响因素映射数据库的神经网络短期负荷预报的实现,由仿真结果可知映射数据库的建立明显有助于提高负荷预报的准确度。接着提出一种基于天气影响因素差异度的神经网络模型,算例分析表明该模型对天气变化较大或剧烈的负荷预测更为准确。第四部分主要是在对华东某地区各种影响负荷变化的相关因素进行研究的基础上,提出针对该地区供电企业进行短期负荷预测系统开发的框架设计思路。应用效果表明,该系统负荷预测模块满足应用需求。
王丹丹[4]2013年在《基因表达式编程在电力负荷预测中的应用研究》文中进行了进一步梳理随着工业体制改革的深化和国民经济的发展，对电能质量的要求越来越高电力负荷是保证电能质量的一个基本工具特别是对未来一天或几天的短期负荷预测显得特别重要。电力负荷预测是电力系统规划和研究的组要组成部分，也是电力系统经济运行的基础，其对电力系统和规划都极其重要。目前，关于电力负荷预测的方法不断涌现，但单一的模型应用一般只能局限在一定范围内，精度性较低。研究一种通用性好且预测精度较高的电力负荷预测模型对电力系统的运行具有重要的意义和实际价值。电力负荷预测模型的建立需要考虑到的相关负荷问题多为随机性和非线性问题，可以通过分离随机变量的属性来建立数学模型，以表达电力负荷这个随机变量变化过程的统计规律性，在数学基础上确立合理的负荷预测数学表达式，根据历史数据对未来负荷进行预测。近年来基于软计算和智能模型的方法是电力预测模型的研究重点，以GA模型、BP模型为代表的软技术理论虽然较为突出但仍无法脱离自身固有的缺陷，从一定程度上影响了负荷预测的预测精度。论文深入研究了计算智能中最前沿理论——基因表达式编程(Gene Expression Programming,GEP)，它是一种高效的进化算法，有全新的、优于传统的信息表达和处理方式，GEP适用于解决复杂度较高的非线性系统问题，尤其适合解决复杂未知系统问题。GEP不同于人工神经网络，它不需划分层次和进行多样本训练，更容易解决实际问题。本文中基于GEP的电力负荷预测研究工作主要包括以下内容：论文首先阐述了负荷的概念，影响因素及数学描述，继而从建模的要求和原理上总结了几种经典模型的建立方式，并介绍了将神经网络模型和遗传算法模型等软计算应用于电力系统负荷预测中时，单一模型的缺陷和耦合模型进行预测的研究趋势。其次，详细介绍了GEP的基本原理，阐明其相比GA和GP具有较高效率的根本原因。由于GEP本身存在未成熟收敛的局限性，本文从种群多样性角度出发，提出了一种基于分段的多策略改进GEP算法(Gene Expression Programming basedon Multi-Strategy, MS-GEP)，理论和实践验证该改进算法可以很快收敛到最优解，为建立电力系统负荷短期预测模型奠定了基础。该算法以分阶段的多样性策略为基础，并动态调整遗传算子和适应度函数，保留了较多的种群多样性，避免算法陷入局部收敛；为充分证明改进策略有效性，建立MS-GEP算法的马尔科夫链模型，分析此算法的收敛性和多样性理论。最后，在短期负荷预测算法中，针对神经网络收敛速度慢的问题，利用改进GEP以电力负荷历史数据为输入，在考虑气候敏感因素影响的条件下进行预测。采用GEP及其改进算法的寻优训练网络参数，以加快网络学习速度和提高预测精度。影响负荷预测多因素的综合作用力，进化寻优的权值进行BP算法，建立GEP-BP电力系统短期负荷预测模型。实验仿真结果表明，基于改进的GEP与BP神经网络的组合预测建模方法，在降低了对历史数据收集的要求前提下，对提高预测精度和算法收敛速度均有重要突破，能更加高效地找到具有优良拟合度和预测能力的电力负荷模型，在电力预测建模理论研究方面取得了一定的成果。
杨颖[5]2005年在《应用信息熵和遗传神经网络的电力短期负荷预测研究》文中研究说明针对电力系统多因素负荷预测问题的复杂性,融合粗糙集方法与遗传神经网络各自优势,提出一种新型的短期负荷预测方法。利用粗糙集理论中信息熵的概念,约简负荷影响因素,简化网络输入变量。利用遗传算法对神经网络进行权值优化。而且,引入综合反映气温、湿度及风力对人体作用的几个气象因子(实感温度、温湿指数及舒适度指数)来评价气象因素对短期负荷的影响。利用本文所述方法编制了程序,对实际的地区电网进行了短期负荷预测试验,结果表明预测精度是满意的,从而说明了本方法的有效性和实用性。
刘韶峰[6]2009年在《基于县调系统的短期电力负荷预测》文中研究指明县级电网短期负荷预测是电力系统运行调度中一项非常重要的内容,它是保证电力系统安全经济运行和实现电网科学管理及调度的基础,是能量管理系统的组成部分,也是今后进行电网商业化运营所必需的基本内容。本文首先以课题组开发研究的甘肃某县电力调度自动化项目为例,介绍了县级调度系统的组成和工作原理。然后对县级电网电力负荷预测的现有研究方法进行了综述,分析了县级电网电力负荷特点,并设计了负荷预测的整体方案,主要包括数据预处理、特征参数提取和负荷预测等内容。在数据预处理中,通过数理统计等方法计算负荷的偏离率来进行负荷异常数据的预处理,对原始数据进行预处理后,负荷的原序列更加趋于合理。在特征参数提取过程中,利用小波分析法有函数局部放大的优点,对神经网络的特征参数进行提取。在负荷预测时,选用了目前最为成熟的BP(back propagation)神经网络预测方案。在此基础上,对各种方案进行了算法研究,着重分析了神经网络的建模问题,构建了一个叁层BP神经网络,确定了BP网络模型中的相关参数。在分析基本BP神经网络的缺陷后,提出了对其改进的OBP(optimization back propagation)算法。最后通过算例进行了仿真实验,比较两种方案的预测结果可知本文提出的基于神经网络的短期电力负荷预测方法是可行的,也是可靠的。
苏舟[7]2017年在《基于CSO-BP神经网络的电力系统短期负荷预测》文中提出电刀系统短期负荷预测意义深远,是系统优化运行的基础,负荷预测结果对系统的经济与安全有重要意义。目前有很多种方法可以进行负荷预测,但是人们仍然希望得到更高精度的预测结果。因此,探索研究快速、准确的负荷预测方法有很大意义。本文详细介绍了电力系统短期负荷预测的研究内容,总结了国内外负荷预测的方法,分析了各预测方法的优缺点。分析了传统的神经网络预测算法的不足,提出了猫群算法优化BP神经网络的组合算法,本文的内容主要包括以下个方面:分析了美国某地的负荷特性,总结了负荷的周期特点和节假日特性,分析了影响负荷的各种因素与负荷之间的关系。介绍了历史负荷数据中不良数据的成因与对负荷预测的影响,采用改良后的模糊c-均值聚类算法对日负荷曲线进行聚类,得到若干特征曲线,通过负荷的横向相似性找出不良数据;最后对不良数据进行修正。修正不良数据,消除负荷曲线毛刺。建立了考虑日特征相关因素的BP神经网络负荷预测模型。以历史时刻的温度、负荷、星期类型归一化后作为BP神经网络预测模型的输入变量。介绍了猫群算法,测试函数表明猫群算法相比与遗传算法收敛更快且不易陷入局部最优解。为克服神经网络收敛速度慢,网络初始值选取不当而陷入局部极小点的缺点,提高电力系统短期负荷预测精度,将猫群算法和BP神经网络结合,提出基于猫群-BP神经网络的短期负荷预测模型。用猫群算法优化BP神经网络的权值和阈值,避免神经网络初始权值选取的盲目性,训练BP神经网络预测模型求得最优解。算例表明,猫群优化的BP神经网络有效改善了 BP神经网络的缺点,提高了神经网络用于电力系统短期负荷预测精度的效率和精度。相比于遗传神经网络,该方法预测精度更高,收敛更快,具有一定的实用性。
陈鹏[8]2008年在《基于模糊粗糙集和神经网络的短期负荷预测研究》文中研究说明短期负荷预测是对电力系统进行在线控制时,实现发、供电合理调度的基础,是电力系统安全调度、经济运行的重要依据,负荷预测的质量将直接影响到电力系统运行的可靠性、经济性和供电质量。随着电力事业的发展,电力部门为获得最好的经济效益,对负荷预测精度的要求越来越高。人工神经网络以对大脑的生理研究成果为基础,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能。人工神经网络是由大量的简单计算单元(即神经元)构成的非线性系统,它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能,因而具有学习、记忆和计算等智能处理功能。大量研究表明,神经网络模型用于短期负荷预测是有效的。通过分析比较,本文选用改进的单隐层BP网络来建立短期负荷预测基本模型。神经网络用于负荷预测,输入变量的选择是影响预测效果的关键问题。神经网络的结构受网络的输入数据的维数影响很大,同时,输入数据的维数也直接影响到决策规则的数目、网络的计算量,甚至影响到神经网络是否收敛。粗糙集理论和神经网络在数据挖掘方面的互补性是大家所共识的,通过粗糙集的数据挖掘方法精简网络输入属性是提高网络模型预测质量的一个有效途径。本文根据电力系统短期负荷预测的特点,在对待预测地区的负荷特性进行分析的基础上,提出了一种利用模糊粗糙集理论与神经网络互补建立负荷预测模型的方法。模糊粗糙集理论通过模糊隶属函数将模糊集的研究方法引入到粗糙集的研究中,通过模糊隶属函数来分辨类内元素,把模糊集合中的隶属度看作是粗糙集理论中的属性值,可以更好指导特征选取。首先,该方法能在充分考虑多种负荷影响因素的前提下,通过约简舍去多余或不重要的输入信息,并把约简后属性相应的属性重要度作为网络输入的初始权值,这样大大缩减了网络结构,提高了网络效率和精度。另外,模糊粗糙集约简理论可以经过属性模糊化处理天气等连续变量,避免了经典粗糙集离散化时的信息丢失,从而可以得到更为合理的输入参量。通过对具体电网的实例分析,表明用该模型进行短期负荷预测能取得比较令人满意的预测结果。
熊永胜[9]2012年在《基于BP神经网络的电力系统短期负荷预测》文中进行了进一步梳理电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.
刘明[10]2012年在《基于小波和神经网络理论的电力系统负荷预测研究》文中认为电力系统的负荷预测可以分为长期负荷预测、中期负荷预测和短期负荷预测。比较准确的短期负荷预测对调度安排、运行计划等起着关键性的作用。从大的方面说,对提高电力系统的电能质量,保证电力系统的安全性、可靠性都有重大影响,并且能够使电力系统在较低成本下运行。本文首先深入研究了电力系统的整体负荷特性,包括一年的变化特性、一个月的变化特性、一周的变化特性和一天的变化特性。对温度高低和负荷数值的变化关系等进行了较深入的探讨,对训练样本做了大量的预处理工作。接着介绍了神经网络理论,并随之建立基于BP学习算法的预测模型,通过大量的实验确定了网络的最佳结构,得到了较满意的预测结果。虽然误差反传(BP)算法的预测结果比较理想,但该算法的缺点是收敛的时间较长、且陷入局部极小点的可能性很大,故文章紧接着介绍了遗传算法(GA),类比遗传学理论,初始化BP神经网络的权值和阂值,编码并进行遗传算法操作,不断迭代寻优,从而获得最佳的权值和阈值,使用优化后的神经网络进行负荷预测时,预测负荷和实际负荷数值更加接近。在文章的最后,系统地介绍了小波理论、PSO算法、支持向量机(SVM)理论,构建了基于小波分析的综合预测系统,得到的预测结果以及最终的预测误差等指标表明该方法的预测精度和效率更高,达到了论文所期待的比较理想的误差和要求。
参考文献：
[1]. 基于遗传BP神经网络的电力系统短期负荷预测[D]. 张宝平. 西安理工大学. 2003
[2]. 基于神经网络的电力系统负荷预测[D]. 苏蔚. 天津大学. 2011
[3]. 基于神经网络的短期电力负荷预测研究[D]. 吕丰. 上海电力学院. 2011
[4]. 基因表达式编程在电力负荷预测中的应用研究[D]. 王丹丹. 河北工程大学. 2013
[5]. 应用信息熵和遗传神经网络的电力短期负荷预测研究[D]. 杨颖. 华北电力大学（河北）. 2005
[6]. 基于县调系统的短期电力负荷预测[D]. 刘韶峰. 中南大学. 2009
[7]. 基于CSO-BP神经网络的电力系统短期负荷预测[D]. 苏舟. 西安理工大学. 2017
[8]. 基于模糊粗糙集和神经网络的短期负荷预测研究[D]. 陈鹏. 河北农业大学. 2008
[9]. 基于BP神经网络的电力系统短期负荷预测[J]. 熊永胜. 成都大学学报(自然科学版). 2012
[10]. 基于小波和神经网络理论的电力系统负荷预测研究[D]. 刘明. 南京理工大学. 2012
标签：电力工业论文; 电力负荷论文; 遗传算法论文; 神经网络模型论文; 预测模型论文; 网络模型论文; 负荷曲线论文; bp神经网络论文; bp算法论文;