本站原创本文是一篇电力系统论文范文,电力系统类毕业论文的格式,关于电力系统负荷预测技术的相关大学毕业论文范文。适合电力系统及电力负荷预测及电力负荷方面的的大学硕士和本科毕业论文以及电力系统相关开题报告范文和职称论文写作参考文献资料下载。
简述了负荷预测的概念、意义及其分类.主要分为分传统预测方法和现代智能预测方法,介绍了负荷预测的基本方法及其优劣.
【关 键 词】电力系统负荷预测传统预测方法智能预测方法
电力负荷预测对电力调度具有重要意义.准确的电力负荷预测对节约能源、降低发电成本、提高社会经济效益都具有重要意义.随着电力改革的发展和电力市场化的深入,电力负荷预测在电力系统中的地位越来越重要.
1负荷预测基本情况
1.1负荷预测的概念
电力系统负荷预测是基于历史负荷数据、气象数据、经济数据等对电力负荷变化具有影响的因素,寻找负荷及各影响因素之间的映射关系,对未来的电力负荷做出预测.
1.2负荷预测的意义
电力负荷预测面向电力负荷,以用电量和负荷曲线为主要预测目标,可以对电力负荷在时间上和空间上的变化做出预先估计,对电网规划和运行,指导发电厂合理安排发电机组检修都具有重要意义.
1.3负荷预测分类
按照预测期限的长短可将负荷预测分为中长期、短期、超短期负荷预测.中长期负荷预测以年或月为预测期限,它对电力系统发展规划、发电厂和变电站选址都具有指导性作用.短期负荷预测主要对未来一周内的电力负荷做出预测,在电力市场环境下,短期负荷预测对电力调度、电力交易都具有重要作用.超短期负荷预测主要是对未来几个小时内的电力负荷进行预测,主要用于对电力系统进行实时安全分析与调度.
2传统负荷预测方法
传统的预测方法有时间序列法、回归模型法、趋势外推法等.
2.1时间序列法
时间序列法思想是把等时间间隔记录下来的负荷数据序列看做符合一定统计规律的随机变量,通过已知的历史负荷数据即可预测未来的负荷数据.时间序列法主要使用的模型有AR（自回归）模型、MA（滑动平均）模型、ARMA（自回归移动平均）模型、ARIMA（求和自回归移动平均）模型.它们都是用于处理单时间序列的模型.
时间序列法其基本模型为线性模型.其优点是模型相对简单、对历史负荷数据要求不高、计算量也比较小.但是预测模型未考虑天气因素等非线性因素的影响,因此其预测精度较低.
2.2回归模型法
回归模型预测的原理是根据负荷的历史记录及其他对负荷有影响的相关因素,建立负荷因变量y和自变量x之间的数学模型,得到回归方程y等于f（s,x）,s是回归模型的参数向量,用来对未来负荷进行预测.实质上也就是曲线拟合问题.回归分析按自变量的多少分一元回归分析和多元回归分析.回归分析方法简单、预测速度快、外推性好,对于历史上未出现的情况具有较好的预测性,但为了降低特异值的影响,回归分析法要求的样本量较大.
3现代智能预测方法
现代智能预测方法有支持向量法、人工神经网络法等.
3.1支持向量机
支持向量机（SVM）是由Vapnik等人根据统计学习理论提出的一种新的机器学习方法,是一种专门研究有限样本预测的学习方法.支持向量机方法实现了结构风险最小化的归纳原则,能很好的解决小样本、非线性、高维数和局部极小点等问题,因此在负荷预测中获得了广泛的应用.
支持向量机既可用于超短期、短期负荷预测,也可用于中长期负荷预测.其优点是具有全局最优、结构简单、泛化能力强.但SVM预测结果的好坏很大程度上依赖于其学习参数,预测精度受参数的影响较大.因此很多SVM负荷预测都是基于各种算法对SVM的参数进行优化,以达到降低SVM的建模误差和测试误差的目的.
3.2人工神经网络
人工神经网络是利用数学、信息处理等方法对人脑神经元网络进行模拟抽象,建立模型.由于其具有强大的自学习、自组织、自适应能力因而在电力负荷预测中获得了广泛的应用.其中BP网络是目前应用最广泛的人工神经网络.BP神经网络是一种三层结构的网络,包含输入层,输出层和隐含层,它是一种前向多层网络.权值的调整采用误差反向传播算法,将输入样本数据通过模型自动“学习”训练,从而生成最优网络结构.
BP神经网络的优点是具有较强的非线性拟合能力,而且学习规则简单,便于计算机实现.缺点是收敛速度慢、容易陷入局部极小值,以及难以确定隐含层节点的个数.
4结语
本文简述了电力系统负荷预测的基本知识和分类,并分传统预测方法和现代智能预测方法重点介绍了负荷预测的几种基本方法及其优缺点.在进行负荷预测时要根据待预测负荷性质及负荷预测周期,选择合适的预测方法,同时相似特征值的选取,气象因素,缺失数据,异常数据的修补对负荷预测的准确性也有着重要的影响.电力系统是一个庞大而实时变化的系统,影响负荷变化的因素众多,任何单一的预测方法都有其局限性,因此组合预测方法越来越受到人们的关注.