【摘要】：電力工業(yè)是涉及到國(guó)家社會(huì)經(jīng)濟(jì)的共同進(jìn)步和人民生活持續(xù)發(fā)展的重點(diǎn)基礎(chǔ)工業(yè)。電力系統(tǒng)短期負(fù)荷預(yù)測(cè)更是電網(wǎng)管理系統(tǒng)的一個(gè)核心工作任務(wù),優(yōu)化電網(wǎng)結(jié)構(gòu)、營(yíng)銷、交易、調(diào)度和交易計(jì)劃都是在此基礎(chǔ)和前提上分別開展的。預(yù)測(cè)的準(zhǔn)確程度事關(guān)到電網(wǎng)的安全、穩(wěn)定和經(jīng)濟(jì)運(yùn)行。社會(huì)經(jīng)濟(jì)持續(xù)高速進(jìn)步,人民生活質(zhì)量的日益穩(wěn)步提升,供暖和大型冷卻設(shè)備的廣泛普及使得氣象因素對(duì)負(fù)荷的干擾越來(lái)越大。本文基于某市的電力負(fù)荷,對(duì)短期負(fù)荷預(yù)測(cè)進(jìn)行了研究。首先閱讀了大量的理論研究資料,從多個(gè)角度深層次挖掘了當(dāng)前電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究狀況,并對(duì)不同研究側(cè)重的不同預(yù)測(cè)方法特點(diǎn)進(jìn)行了比較分析,其次系統(tǒng)詳細(xì)地介紹了神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成、原理和學(xué)習(xí)算法,通過(guò)抽象模擬人腦神經(jīng)系統(tǒng),神經(jīng)網(wǎng)絡(luò)生成了自適應(yīng)的并行信息處理方法,且同時(shí)具備非線性映射以及自學(xué)習(xí)的特征,對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)而言,其發(fā)揮著十分重要的作用。此外,本論文對(duì)誤差方向傳播神經(jīng)網(wǎng)絡(luò)以及如何利用方向傳播來(lái)構(gòu)成參數(shù)學(xué)習(xí)展開了詳細(xì)論是。在介紹了在預(yù)測(cè)領(lǐng)域神經(jīng)網(wǎng)絡(luò)的應(yīng)用方法,為避免神經(jīng)元飽和,涉及到需對(duì)一些數(shù)據(jù)進(jìn)行歸一化處理;對(duì)于模型的初始權(quán)值及學(xué)習(xí)參數(shù)的選取也進(jìn)對(duì)行了分析;以及怎樣將天氣、溫度等影響因素特征進(jìn)行量化,最終根據(jù)經(jīng)驗(yàn)如何確定隱藏層的節(jié)點(diǎn)個(gè)數(shù)。最終通過(guò)構(gòu)造日特征相關(guān)因素的BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型,使用標(biāo)準(zhǔn)BP算法做了相關(guān)預(yù)測(cè),但由于該預(yù)測(cè)模型需要較長(zhǎng)的學(xué)習(xí)訓(xùn)練時(shí)間,且該模型收斂性差,易產(chǎn)生局部極小狀況。進(jìn)而采用了三種改進(jìn)的Bp算法(自適應(yīng)BP算法、彈性梯度下降法以及L-M法)基于某市負(fù)荷實(shí)現(xiàn)了預(yù)測(cè),把2011年六月負(fù)荷作為樣本,對(duì)6月23日的負(fù)荷開展預(yù)測(cè),預(yù)測(cè)結(jié)果表明,在使用標(biāo)準(zhǔn)BP算法訓(xùn)練時(shí)預(yù)測(cè)的速度太慢,訓(xùn)練要求的精度所需的最大步數(shù)達(dá)不到實(shí)際預(yù)測(cè)誤差的要求,與期望的差異太大,很難達(dá)到電力部門的準(zhǔn)確度要求。其余三種改進(jìn)BP算法經(jīng)過(guò)最終對(duì)比分析結(jié)果表明,L-M法是訓(xùn)練速度最高也是預(yù)測(cè)準(zhǔn)確度最高的一種算法。
【圖文】：

圖 2-1 某市負(fù)荷周周期曲線圖（2天氣敏感負(fù)荷分量其實(shí)指的是外界自然環(huán)境，包括空氣濕度、天氣溫度以及風(fēng)速等因素對(duì)負(fù)荷的影響。從某種意義上來(lái)講，天氣因素會(huì)直接對(duì)負(fù)荷預(yù)測(cè)精確度產(chǎn)生影響，所以，在對(duì)負(fù)荷進(jìn)行有一系列預(yù)測(cè)時(shí)應(yīng)該將天氣因素納入重點(diǎn)考量?jī)?nèi)容，特別是在居民負(fù)荷占比較高的地區(qū)。

圖 2-2 某市節(jié)假日與正常工作日的負(fù)荷曲線（前一周為節(jié)假日）3殊事件負(fù)荷分量其實(shí)指的是在某一時(shí)段所發(fā)生的異常事件對(duì)電力一系列影響。比如重大自然災(zāi)害、重大系統(tǒng)事故等等。一般而言，有很大的隨機(jī)性，故在實(shí)際預(yù)測(cè)分析中需要專業(yè)人員對(duì)該因素分析。4）隨機(jī)負(fù)荷分量荷用電源自千家萬(wàn)戶的用戶，他們選擇使用電力的時(shí)間段也不盡相電力負(fù)荷具有隨機(jī)性。此外，，一些意外的特殊事件導(dǎo)致負(fù)荷偏離典處理這種數(shù)據(jù)時(shí)，經(jīng)常需要手動(dòng)修正預(yù)測(cè)模型。對(duì)于某些干擾負(fù)荷
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TM715

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王碩;毛西吟;;短期電力負(fù)荷預(yù)測(cè)分析研究[J];科技風(fēng);2014年01期

2 肖白;徐瀟;宋坤;白洋;李介夫;;空間電力負(fù)荷預(yù)測(cè)中異常數(shù)據(jù)的辨識(shí)與處理[J];東北電力大學(xué)學(xué)報(bào);2013年Z1期

3 李嘉龍;李小燕;劉思捷;文福拴;郭文濤;;考慮氣溫累積效應(yīng)的短期負(fù)荷預(yù)測(cè)[J];華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

4 顏金木;;基于趨勢(shì)外推法的電力負(fù)荷預(yù)測(cè)[J];中國(guó)外資;2011年04期

5 �？�;薛峰;楊衛(wèi)東;;中國(guó)智能電網(wǎng)基本特征及其技術(shù)進(jìn)展評(píng)述[J];電力系統(tǒng)自動(dòng)化;2009年17期

6 周林;呂厚軍;;人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究[J];四川電力技術(shù);2008年06期

7 李艷芳;;電力負(fù)荷預(yù)測(cè)[J];南昌高專學(xué)報(bào);2007年06期

8 于海燕;張鳳玲;;基于模糊神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測(cè)[J];電網(wǎng)技術(shù);2007年03期

9 趙宇紅;唐耀庚;張韻輝;;基于神經(jīng)網(wǎng)絡(luò)和模糊理論的短期負(fù)荷預(yù)測(cè)[J];高電壓技術(shù);2006年05期

10 雷紹蘭,孫才新,周nv,張曉星,程其云;基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負(fù)荷預(yù)測(cè)方法[J];中國(guó)電機(jī)工程學(xué)報(bào);2005年22期

相關(guān)博士學(xué)位論文 前1條

1 陳柳;小波分析和神經(jīng)網(wǎng)絡(luò)應(yīng)用于大氣污染預(yù)測(cè)的研究[D];西安建筑科技大學(xué);2006年

相關(guān)碩士學(xué)位論文 前8條

1 孔繁寧;基于神經(jīng)網(wǎng)絡(luò)的大連地區(qū)短期電力負(fù)荷預(yù)測(cè)[D];大連理工大學(xué);2013年

2 曲薇薇;基于BP人工神經(jīng)網(wǎng)絡(luò)的電力短期負(fù)荷預(yù)測(cè)[D];東北石油大學(xué);2011年

3 劉旭;基于實(shí)時(shí)氣象因素的短期負(fù)荷預(yù)測(cè)方法研究[D];湖南大學(xué);2009年

4 張振義;基于人工神經(jīng)網(wǎng)絡(luò)BP算法的烏海電網(wǎng)負(fù)荷預(yù)測(cè)分析研究[D];電子科技大學(xué);2008年

5 盧崢;電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[D];湖南大學(xué);2007年

6 劉學(xué)琴;小波和神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)中的應(yīng)用研究[D];西安理工大學(xué);2007年

7 吳功高;基于改進(jìn)人工神經(jīng)網(wǎng)絡(luò)法的短期負(fù)荷預(yù)測(cè)[D];華北電力大學(xué)（北京）;2007年

8 蘇煒宏;電力系統(tǒng)短期負(fù)荷預(yù)測(cè)主成分分析和人工神經(jīng)網(wǎng)絡(luò)的組合方法[D];南京理工大學(xué);2002年

本文編號(hào)：2596527