资源描述：
《基于模糊逻辑和神经网络的电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、您的论文得到两院院士关注软件天地文章编号:1008-0570(2007)02-1-0313-02基于模糊逻辑和神经网络的电力负荷预测ANNandFuzzyLogicBasedShort-termLoadForecasting1刘晨光2马立肖1赵占芳1(1.石家庄经济学院;2.河北师范大学)王楠WANGNANLIUCHENGUANGMALIXIAOZHAOZHANFANG摘要:设计并实现了神经网络和模糊逻辑相结合的综合预测模型进行短期电力负荷预测。由神经网络和模糊逻辑分别对基本负荷和受天气、节假日影响的负
2、荷进行预测,使其在天气突变等情况下也能达到较高的预测精度。采用此模型对石家庄电力系统负荷进行预测分析,取得了令人满意的结果。关键词:神经网络;模糊逻辑;短期负荷预测中图分类号:TM715;TP39文献标识码:AAbstract:Ahybridmodelforshort-termloadforecastingthatintegratesartificialneuralnetworks(ANN)andfuzzyexpertsystemsispresentedinthispaper.ANNandfuzzylo
3、gicareseparatelyusedtoforecastthenormalloadandtheloadinfluencedbytemperatureandholidays,toimprovetheforecastprecisioninthosecases.InthetestforecastingofShijiazhuangpowersystem,theproposedmodelprovidedgoodforecastingaccuracy.技Keywords:NeuralNetworks,Fuzzy
4、Logic,Short-termLoadForecasting术周期性特征:不同周中的相同日期负荷曲线相似,同一周之中,1引言在公休日的负荷水平较低,工作日的负荷水平较高。工作日期创短期(未来24小时)负荷预测是电力系统制定工作计划的间,负荷的主要组成为工业负荷,它们通常处于稳定的运转之必要前提,提高负荷预测的精度可以节约操作成本,提高系统中,因此负荷变化具有相似性;而在周末期间,工业负荷所占比新可靠性。在预测应用中,使用神经网络方法取得了较好的结果。重大幅下降,造成负荷需求总量整体下降。但神经网络缺少
5、处理非确定性知识的能力,其预测精度仍受到2.2负荷需求受温度变化的影响限制。而模糊理论适合描述广泛存在的不确定性,并能够从大图2所示为石家庄市电力负荷需求随气温变化的关系。一量的数据中提取它们的相似性,这些特点正是神经网络方法所般认为,温度升高时人们会大量使用空调等制冷电器,在温度欠缺的。鉴于以上原因,本文提出了一种神经网络和模糊逻辑降低时使用取暖用电器,这都使负荷需求增加。但在中国的北相结合的短期电力负荷预测方法。由神经网络做出基本负荷预方地区,在冬季集中供应暖气(使用矿物燃料)而不必使用电力测,引入
6、模糊逻辑处理非确定性知识,如气温、节假日等,修正取暖设备,所以在秋季温度下降时负荷需求会增加,而冬季供神经网络的输出,以提高预测精度。应暖气的几个月里,虽然温度继续下降,负荷需求却不增反降,只有在夏季气温升高时,才出现负荷需大幅上升的现象,产生2电力负荷特性分析如图2所示的负荷需求变化趋势。电力负荷的分布有较大的周期性,但并非简单的重复前一个周期,每个周期的值都会有一定的变化,这与天气和日期类型等外界因素有关。2.1电力负荷的周期性图2负荷随气温变化的规律除了气温外,气温的倾向性同样对负荷有很大的影响。
7、在图2中,当温度同是20℃时,实际负荷值的差异达到500KW,较高的需求值出现在4月,而较低的需求出现在9月。这两种图1336小时(两周)负荷曲线情况的区别不在于预测时间点的温度(都是20℃),而是因为9图1是两周的负荷变化曲线(周一至周日),从中可以发现月的平均气温高于4月,整体感觉较温暖。王楠:硕士助教2.3负荷需求受日期类型的影响《PLC技术应用200例》邮局订阅号:82-946360元/年-313-软件天地中文核心期刊《微计算机信息》(测控自动化)2007年第23卷第2-1期除本文2.1负荷周期
8、性中所述受到周末的影响,负荷需求会下降外,在公共假日也会出现类似的情况。图3是以春节为例比较普通工作日和节假日的负荷需求变化情况,可以看出公共假日的负荷需求比平时相对较低,不同的假日负荷需求会有不同程度的降低。(c)周日期类型(d)节假日图4模糊输入日平均温度T分成由很低(VL)至极高(VVL)8个模糊子集,根据负荷需求受温度影响变化的规律,负荷需求变化对高温更敏感,因此在高温部分的隶属度函数排列更紧密。温度变化量(△T)包括由很低(VL)
