电力负荷的预测方法的建模与仿真

《电力负荷的预测方法的建模与仿真》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、28卷第12期计算机仿真2011年12月文章编号：1006—9348(201I)12—0331—04电力负荷的预测方法的建模与仿真曾德明(泸州职业技术学院，四川泸州646005)摘要：研究电力负荷预测准确性问题，电力负荷与天气、经济、假期等多种因素密切相关，变化规律具有周期性和随机性，单一预测疗法不能全面进行准确预测，导致电力负荷预测精度低。为了提高电力负荷预测精度，提出～种ARMA和BP神经网络的组合预测方法。首先采用ARMA模型对电力负荷的周期性变化规律进行预测，然后结合BP神经网络方法对电力负荷的随机变化规律进行预测，最后将2种预测结果进行相加，得到组合模型

2、的电力负荷预测结果。采用某市电力负荷数据对组合模型预测性能进行验证，实验结果表明，组合模型充分利用了单一模型优势，使电力负荷的预测提高了精度，为电力负荷的预测提供了有效手段。一关键词：电力负荷；神经网络；建模；仿真中图分类号：TP393文献标识码：AModelingandSi击ulationonPowerLoadPredictionZENGDe—-ming(LuzhouVocationalandTechnicalCollege，LuzhouSichuan646005，China)ABSTRACT：Powerloadforecastingwasresearched．

3、Powerloadisrelatedwithweather，economy，andholidayfec-tots．nevariationruleiscyclicalandrandomieil)，．thereforesingleforecastingmethodcannotdescribethevariationdue，andthepredictionaccuracyislow．Inordertoimprovethepowerloadforecastingaccuracy，thepaperproposedacombinedforecastingmethodbased

4、onfARMAandBPneuralnetwork．Fifty，ARMAmodelWasusedtopredeitthepowerloadperiodicchangerule，andthentheBPneuralnetworkwagusedtopredictthepowerloadstochasticvariation．1astlytwoforecastresultswereaddedtogetthepowerloadcombinationforecastingresults．nemodelWastestedbyacitypowerloaddata，theexpe

5、rimentalresultsindicatethatthecombinedmodelCanmakefulluseoftheadvantagesofthesinglemodel，andimprovethepowerloadforecastingprecisioneffectively．KEYWORDS：Powerload；Neuralnetwork；Modeling；Simulation1引言随着经济发展和人民生活水平提高，用电量逐年提高，电力系统负荷预测成为电力生产部门的重要工作，其对制订电力系统规划和实现电力系统运行自动化具有重要的意义，因此对电力负荷进行建模

6、并对未来负荷进行预报，成为目前较受关注的研究课题⋯。迄今为止，许多学者提出了多种方法电力负荷预测方法，并取得了不同程度的应用效果，这些方法可分为传统预测方法和人工智能方法两大类嵋1。传统预测方法有时间序列法、灰色模趔、回归分析和外推，这些方法都是基于线性数据的预测，而电力负荷与气温、降雨、湿度、经济、政治等凶素收稿日期：2011-01一15修回日期：2011—05一12密切相关，具有一定的周期性、随机性，有时波动比较大，是一种非平稳随机变化系统，因此传统方法无法对其进行准确的预测，预测结果与实际需求有一定的差距¨J。人工智能方法主要有神经网络法、专家系统、模糊逻辑

7、法和支持向量机等，这些方法有着成熟的理论基础，能够对电力负荷的随机性进行很好的预测，因此在电力负荷预测中得到了不同程度的应用，然而它们有各自的缺陷，同时这些方法无法很好描述电力负荷的周期性，有时预测效果不理想¨。1。电力负荷变化受到多种因素的因素，具有随机性和周期性特点，采用单一预测方法无法对其进行全面预测，本文基于竞争理论n]，采将有周期性预测能力强的自回归滑动平均模型(ARMA)和非线性预测能力强的BP神经网络(BPNN)结合起来，提出一种组合的电力负荷预测方法(ARMA—BPNN)。ARMA—BPNN首先采用ARMA模型对电力负荷数据进行预测，得到电力负荷变

8、化的周期性