电力负荷预测方法研究毕业设计40论文41

《电力负荷预测方法研究毕业设计40论文41》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、电力负荷预测方法研究1绪论电力工业的发展一方面直接制约着国民经济和社会的发展，另一方面电力工业的发展也依赖于社会对电力的需求。电力系统的作用就是对各类用户提供尽可能经济可靠而合乎标准要求的电能，以随时满足各类用户的要求，用电力系统的术语来说，就是满足负荷要求。所以正确的电力负荷预测既可以为国民经济的发展提供充足的电力，也可以为电力系统自身的发展提供帮助，特别是对于电力系统规划而言，准确的负荷预测是整个规划工作的基础和前提。电力系统短期负荷预测对未来1日至1周的负荷进行预测，而中期负荷预测则是对未来一月至一年的负荷进行预测的。中、短期负荷预测是随着电

2、力系统EMS的逐步发展而发展起来的，现已经成为EMS必不可少的一部分和为确保电力系统安全经济运行所必需的手段之一。电力系统负荷预测为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义。负荷预测技术经过几十年的发展，人们提出了许多的预测方法。现有的预测方法大体可以分为2类：经典的数学统计方法以及上世纪90年代兴起的各种人工智能方法。经典的数学统计

3、方法包括线性外推法、多元线性回归法、时间序列法和状态空间法等。人工智能方法包括人工神经网络法、专家系统方法和模糊推理方法、小波分析等。本文介绍了一种基于BP神经网络的短期负荷预测方法[1]。其中首先根据实际经验将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型；然后建立相应的人工神经网络模型用以预测负荷归一化系数；最后通过最小二乘法预测日最大负荷和日最小负荷。利用相应的BP神经网络方法对未来24小时负荷进行短期预测[2]，该方法充分发挥了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。实际算例表明，这种方法

4、应用在短期负荷预测方面有较高的精度。1.1电力负荷预测研究的意义电力负荷有两方面的含义[3]：一方面是指电力工业的服务对象，包括使用电力的部门、机关、企事业单位、工厂、农村、车间、学校以及各种各样的用电设备。另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量[4]。电力负荷预测中的负荷概念是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。电力负荷预测就是在正确的理论指导下，在调查研究掌握大量翔实资料的基础上，运用可靠的方法和手段对电力负荷的发展趋势作出科学合理的推断。本文中基于神经网络的电力短期负荷预测

5、就是在大量有关电力短期负荷研究和神经网络理论的指导下，在充分调查研究处理了某市某年某月一个月700多组数据后，应用了神经网络理论与MATLAB的实现方式，进行了编程仿真，得出了月底某工作日和某休息日两天的各小时点的具体负荷[5]。较高的预测精度充分表明了它的科学合理性。电力用户是电力工业的服务对象，电力负荷的不断增长是电力工业发展的根据。正确地预测电力负荷，既是为了保证无条件供应国民经济各部门及人民生活以充足的电力的需要，也是电力工业自身健康发展的需要。电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。全国性的电力负荷预测，为编制

6、全国电力规划提供依据，它规定了全国电力工业的发展水平、发展速度、源动力资源的需求量，电力工业发展的资金需求量，以及电力工业发展对人力资源的需求量。本文对某地区进行电力负荷的中、短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义。1.2国内外电力负荷预测研究的现状电力负荷预测分为经典预测方法和现代预测方法[6]。1.2.1经典预测方

7、法（1）时间序列法时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。时间列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息和其他因素，导致了预报的不准确和数据的不稳定。（2）回归分析法回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。从数学上看，就是利用数理统计中的回归分析方法，

8、通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测目的。回归预测包括线性回归和非线性回归。虽然经典的数学统