电力负荷预测技术及其发展趋势

《电力负荷预测技术及其发展趋势》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、科技信息高校理科研究电力负荷预测技术及其发展趋势三峡大学周亦山夏昌浩王成江摘要介绍了电力系统负荷预测方法的几种分类方法神经网络负荷预测方法及其在短期负荷预测中的研究情况9也指出了负荷预测技术的发展趋势O关键词电力系统负荷预测神经网络小波分析专家系统引言素也是多种多样的9组成负荷需求的社会是一个大系统9负荷预电力负荷预测是制定发电计划和电力系统发展规划的基础9测是一个系统工程9想用某种单一的理论去研究负荷预测是困难精确的负荷预测对于电力系统经济安全可靠地运行具有重要的9所以需要广泛研究各种负荷预测方法O意义O随

2、着现代科学技术的快速发展9各种各样的负荷预测方法]负荷预测方法分类不断涌现O电力系统负荷具有是不可控性和具有按天按周以及负荷预测方法分为经典经验方法和近现代方法9其分类如下按年的周期性变化特性9负荷预测具有不准确性条件性时间性图]所示O和多方案性O负荷的组成是多种多样的且不断变化的9其影响因科技信息高校理科研究负荷预测方法也可分为通用预测法和专用预测法G前者如回统前向网络学习提供了一种新颖而有效的手段G牛东晓等则引入归分析法指数平滑法时间序列法灰色系统方法卡尔曼滤波了小波神经元网络电力负荷预测模型9它是以非

3、线性小波基为神法谱分解法专家系统法小波分析法混沌方法神经网络法等经元函数9通过伸缩因子和平移因子计算小波基函数合成的小波[1](见文献)9后者分为年度序列量特殊预测法月度序列量特殊网络G负荷预测问题不仅是非线性问题9而且许多因素对负荷的预测法和日负荷曲线预测法G年度序列量特殊预测法是指规划领影响是模糊的9如气象条件对负荷的影响很难建立准确无误的预域的传统方法9例如9对全社会需电量的预测9由于它与国民经济测模型9神经网络具有很强的学习能力9但其信息处理过程是难的发展密切相关9可以利用弹性系数法P综合电耗法和人均以理解

4、的9模糊系统是透明的9但学习能力较弱9两者可以互相补用电法进行预测;对于产业用电可以用产值单耗法进行预测G月偿G度序列量特殊预测法是指利用月度量的空间网状发展规律的特3负荷预测技术的发展趋势点而建立的预测方法G日负荷曲线预测法是指基于负荷形状的预电力系统将是一个数字化信息化互联交直流并存电能测方法9包括典型工作日负荷曲线法典型休息日负荷曲线法和质量大大提高的强大系统G电力科技与其他学科发展将会更加交主要节假日负荷曲线法G融和促进9电力系统与许多领域发展的相关性变得越来越大9特电力系统负荷预测可分为系统负荷预测和母线

5、负荷预测两别是信息融合技术出现后9在解决同一个问题时9会有许多的不类9系统负荷预测按周期分为超短期短期中期和长期负荷预同领域的办法9各学科也不再分得那样细9人工智能9专家系统9测9母线负荷预测由系统负荷预测取得某一时刻系统负荷值9并统计学理论9小波理论模糊理论9灰色理论等均已经与电力系统将其分配到每一母线上G母线负荷预测的模型有:的许多领域相结合并在实际中也解决了许多问题G使得负荷预测(1)树状常数负荷模型:将上一级负荷按比例分配到下一级技术具有如下发展趋势:负荷G1)近现代方法取代经典经验方法9综合考虑影响负荷的

6、各(Z)考虑负荷区域不一致性的模型:最高层系统负荷到第二种因素层区域负荷之间采用随时间变化的分配系数9在第二层区域负荷二十世纪6O年以来提出的回归法时间序列法指数平滑法到第三层母线负荷之间仍可以采用常数型的分配系数G主要基于负荷形状及函数形式对负荷进行研究9主要把负荷预测(3)考虑负荷类型不一致的模型:最高层系统负荷到第二层的不确定性归为随机性9运用概率论与数理统计的方法进行处类型负荷之间采用随时间变化的分配系数9在第二层类型负荷到理9存在的缺点有:模型的定阶求解识别困难;模型的适应性不第三层母线负荷之间仍可以采用

7、常数型的分配系数G强;模型与数据不分离9建模所需数据量大9运算速度慢;精度低(4)混合负荷模型:最高层系统负荷到第二层类型负荷之间等G灰色预测法专家系统法卡尔曼滤波法小波分析法和神经采用随时间变化的分配系数9在第二层类型负荷到第三层区域负网络法除了考虑负荷形状等因素外9还涉及影响负荷的许多外在荷之间采用随时间变化的分配系数也可以采用常数型的分配系因素9如天气状况日期特征等9因而精度进一步提高9具有较好数G在第三层区域负荷到第四层母线负荷之间一般采用常数型的的发展前景G分配系数GZ)人工智能技术与现代数学理论结合应用

8、Z神经网络方法及其在短期负荷预测中的研究情况包括神经网络在内的人工智能技术可以广泛应用于短期甚传统的负荷预测数学模型是显式的具有局限性G影响负荷变至中长期负荷预测G除了各种单一人工智能技术的应用负荷预测化的因素非常多9隐含着某种非线性关系9很难用一个显式的数外9还有神经网络和模糊系统的结合神经网络与遗传算法的结学公式予以表示G神经网络是一个具有高度非线性的超