基于BP神经网络的短期负荷预测

合集下载

电力系统负荷预报的matlab实现

摘要电力系统负荷预测是电力生产部门的重要工作之一。

通过准确的负荷预测，可以合理安排机组启停，减少备用容量，合理安排检修计划及降低发电成本等。

准确的预测，特别是短期预测对提高电力经营主体的运行效益有直接的作用，对电力系统控制、运行和计划都有重要意义。

神经网络具有以下优点：（1)可以任意逼近复杂的非线性函数；（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；(3)采用并行分布处理方法，使得快速进行大量运算成为可能；(4)可学习和自适应不知道或不确定的系统；(5)能够同时处理定量、定性知识。

负荷曲线是与很多因素相关的一个非线性函数，神经网络对于抽取和逼近这种非线性函数是一种很好的方法，用神经网络技术进行电力系统短期负荷预报可获得较好的精度。

本文介绍了电力负荷预测的主要方法和神经网络的原理、结构，分析了反向传播算法和广义神经网络算法，采用改进的三层人工神经网络来建立负荷预测模型，以前七天的负荷数据和当天影响负荷的天气因素作为数据样本，进行神经网络的自我训练和学习。

用Matlab软件中分别实现了基于BP和GRNN的两种神经网络的短期电力负荷预测，取得了良好的预测效果，并对两种神经网络的仿真结果进行对比，结果表明GRNN的相对误差率比BP的相对误差率要小，这说明GRNN的仿真效果胜于BP。

关键字:短期负荷预测, 人工神经网络, BP算法, 广义回归神经网络Power System Load Forecast MatlabAbstractPower system load forecasting power production department is one of the most important work. Through the precise load forecast, can arrange unit start-stop, reduce the spare capacity, reasonable arrangement of the maintenance plan and reduce power cost, etc. Accurate projections, especially the short-term forecast to improve the running efficiency power operators have direct effect, on power system control, operation and plans to have the important meaning. Neural network advantages (1) can be arbitrary approximation complex nonlinear functions; (2) all quantitative or qualitative information stored in the potential distribution as the neurons in the network, it has strong robustness and fault tolerance; (3) using the parallel distributed processing methods, making quick lots of computing become possible; (4) can learn and adaptive don't know or uncertain system; (5) can simultaneously processing quantitative and qualitative knowledge.This paper based on matlab software to short-term neural function power load forecasting, in the prediction process of neural network achieved good prediction effect, mainly using BP and GRNN of two kinds of neural network to predict major electricity load. Then the forecast results are analyzed, in Matlab simulation model to establish two neural network, the simulationresults are analyzed, get good results.With the two neural network compared the simulation results, the results show that the relative error rate than BP GRNN the relative error rate is small, it shows the simulation result is better than BP GRNN.Keyword：Short-term load forecasting, Artificial neural network, BP algorithm, Generalized regression nerve network电力系统负荷预报的matlab实现0 引言近几年来，中国电力工业正在进行前所未有的电力体制改革，电力市场运营机制将逐步在我国建立。

基于BP神经网络的风电场短期功率预测

据纵向对比法、绝对均值法ｆ７】等。将异常数据看作预测数据处理的人工智能算法ｆ８Ｊ】在异常数据处理中的应用解决
了数据处理粗糙、修正效果不理想的缺点，也减少了运行人员的工作量，避免了人工干预带来的误差。本文将失真数据修正看作空缺数据一样处理，所以异常数据的处理可分为失真数据的查找和空缺数据的补全。
Hale Waihona Puke 收稿日期２０１３一Ｏ１ — ２８
作者简介
所
丽（１９８６一），女，黑龙江人，在读硕士，研究方向：分布式电源、电动汽车充电站规划。
２０１３．０４Ｂ
总第２６Ｏ期
雌们
叭。
差跳跃ｌ生较大，个别点不能满足要求。相比较而言，一元线性回归方程将空缺值作为预测值进行补全，提高了数据补全的精度，为负荷的预测提供了相对真实可信的数据。
系，本文运用ＳＰＳＳ中的相关性分析，研究功率与风速和功率之间的关系，从而确定神经网络的输入层神经元个数。选取当前功率点ｙ、当前功率点前５个点的功率值（，，凰，，。）和当前点风速与之前４个点的风速值（，：，。，）作为研究对象，进行相关性分析。从结果可以看出，所有的自变量与因变量功率之间的相关系数在０．Ｏ１的水平上相关显著，且均是正相关。其中，当前功率序列ｙ与风速。，，，功率和，。之间的相关系数均大于０．８，说明，，，和。。与ｙ之间均具有高度相关性，而且都在０．０１的水平上相关显著。

基于遗传优化的BP神经网络算法的短期负荷预测

改进。
１短期负荷预测的ＢＰ神经网络算法原理
ＢＰ神经网络由输入层、隐含层、出层组成，输其中隐含层可以有多个。含有一个隐含层的ＢＰ
神经网络拓扑结构如图１所示。
对短期负荷预测广泛采用的传统神经网络算
（ＳｈｉａｎｎＰｏｗｅｐｐｌｍｐａｒＳｕｙＣｏｎｙ，ＳＭＥＰＣ，Ｓｎｇｉ２０３３，Ｓｈａｈａｈａｈａ０２ｎｇｉＣｈｉ）ｎａ
ＡｂｔａｔＡｓｄｆｃｘｉｔｄｂｙａｌｉｓｒｃ：ｅｅｔｅｓｅｐｐｙｎｇＢＰｎｕｒｌｎｅｗｏｒａｇｏｉｈｍｏｒｏｅａｔｎｇｈｏｔｔｒｏｄ，Ｓｔｅａｔｋｌｒｔｆｆｒｃｓｉｓｒ —ｅｍｌａＯｈｅａｇｏｉｈｍｅｄｓｔｉｐｒｅ．ＴｈｅＢＰｕａｔｌｒｔｎｅｏｂｅｍｏｖｄｎｅｒｌｎｅｗｏｒｓｏｒ—ｅｍｌｄｏｅａｔｎｍｅｈｏｄｔｂｉｋｈｔｔｒｏａｆｒｃｓｉｇｔｄｓａｎｉｓａｓｃｐｒｎｃｐｌｒｎｒｄｕｅｉｉｅａｅｉｔｏｃｄ，ａｔｅｒｅｓｏｎｄｈｐｏｃｓｔｏｐｉｉｅｔｍｚＢＰｎｅａｎｅｗｏｒｇｅｔｃｌｒｔｕｒｌｔｋｎｅｉａｇｏｉｈｍｉｄｅａｌｓｎｔｉｄｅｉ — ｓｒｂｄ．Ｔｈｔｍｉａｉｎａｏｉｓｂｌｃｉｅｅｏｐｉｚｔｏｖｄｉｎｄｎｓｈｉｎａｎｔａｅｇｎｄｔｅｈｏｄｓｌｃｉｅｓｏｆｔｅｏｒｇｉｌｉｉｉｌｗｉｈｔａｈｒｓｌｅｅｔｏｎ，ａｎｄＢＰｕａｌｎｅｒｎｔｏｋｓｒｅｍｏｄｏｒｃｓｉｃｕｒｃｎｄｆｉｉｎｃｅｉｃｅｓｄ．Ｔｈｒｇｈｃｎｃｅｅｘｍｐｌｐｏｅｅｗｒｈｏｔｔｒｌａｆｅａｔｎｇａｃａｙａｅｆｃｅｙａｒｎｒａｅｏｕｏｒｔｅａｅｒｖｓ

基于BP和SOM神经网络相结合的电力负荷预测研究

2020年28期创新前沿科技创新与应用Technology Innovation and Application基于BP 和SOM 神经网络相结合的电力负荷预测研究易礼秋（新疆财经大学统计与数据科学学院，新疆乌鲁木齐830012）1概述随着时代的快速发展，科学技术与经济技术的不断更新，电力能源在当代社会里扮演着一个十分重要的角色，是生活中不可缺少的一部分。

电力系统的正常运行保障了各行各业的用电需求，它的供应与国家经济和人们生活有着密切关联。

电力负荷预测尤其是短期电力负荷预测，有益于系统维持可用发电容量与电力需求之间的平衡，准确的短期电力负荷预测，电力系统的作用是对各个行业的用户提供尽可能高质量和可靠性强的电能。

电力系统的准确预测与电力系统的控制以及运行有着密切的相互作用，也是电网规划的重要依据，准确可靠的电力负荷预测能够确保系统的稳定运营，为我们的生活增添了多彩多样的色彩。

电力负荷预测是电力系统稳定运作的至关重要的部分，以电力负荷为对象进行的一系列预测工作，通常负荷预测可根据应用目的和预测时间长短的不同，可以分为短期、中期、长期这几类，其中，短期负荷预测对于电力系统的经济稳定运行以及人们生活质量有着重要作用，从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，在发电这一过程中，精确测量负荷大小有利于节能减排、降低经济成本、改进提升电能性能，还起到保护环境的作用，这更体现出短期电力负荷预测的重要性，为了精准及时地预测电能的消耗具体情况，对电力负荷预测来说能够建立预测模型是十分必要的因素。

近年来，国内外对短期电力负荷预测模型进行研究是非常广泛的，针对其预测方法也是在不断创新，经典预测方法包括时间序列法、指数平滑法、回归分析法等等；现代主要预测方法有灰色预测法、支持向量机法、随机森林预测法、人工神经网络方法、小波分析法等等。

基于BP算法的电力系统负荷预测

科技信息0.引言由于各种因素的影响，电力负荷需求是不断变化的。

电力系统负荷预测就是对电力负荷需求的预测。

根据电力负荷需求的预测，对发电、输电和电能等方面做合理安排，对电力系统的安全、经济运行与国民经济的发展具有非常重要的影响。

做好负荷预测已成为电力系统管理现代化的重要手段。

预测结果的准确与否直接影响到电力部门的经济效益，而传统的方法往往达不到所要求的预测精度。

神经网络是模拟人脑结构的具有自我学习能力的系统模型。

BP （Back Propagation）算法是在多层前馈神经网络上学习的。

BP网络由输入层、输出层及隐藏层组成，隐藏层可有一个或多个，每层由多个神经元组成。

其特点是：各层神经元仅与相邻层神经元之间有连接；各层内神经元之间无任何连接；各层神经元之间无反馈连接。

输入信号先向前传播到第一层隐藏结点，经过变换函数之后，把第一层隐藏结点的输出信息传播到下一层隐藏结点，直到传播到输出结点，经过处理后再给出输出结果。

而BP算法的学习过程（即误差的修正过程）是从输出层向着输入层进行的。

负荷预测模型的好坏与所用的数据有很大关系。

与电力系统负荷预测有关的数据集种类繁多、格式多样、数据来源广泛、具有不完整性等。

为准确利用这些数据进行负荷预测，对数据做预处理。

基于数据挖掘的电力系统负荷预测包括负荷预测挖掘的需求定义、数据收集与预处理、执行负荷预测挖掘、挖掘结果的输出与评估。

基于数据挖掘的电力系统负荷预测的过程如图1。

图1基于BP算法的电力负荷预测系统体系结构在负荷预测挖掘需求定义阶段，应确定基于BP算法的电力负荷预测的要求，比如电力负荷预测的类型（最大负荷功率、负荷电量及负荷曲线的预测）、目的（超短期、短期、中期和长期）等。

数据收集及预处理阶段主要是确定相关属性、收集数据、进行预处理，在此基础上建立数据仓库。

负荷预测挖掘阶段主要是构建神经网络模型、用BP算法进行训练，并用训练好的模型进行预测。

1.数据预处理及数据仓库的建立1.1数据收集及预处理（1）相关属性的确定与电力系统负荷预测有关的条件属性和目标属性包括气象属性、节日属性、日期时间属性和电力属性等。

小波-LMBP网络在短期负荷预测中的研究与应用

胡力，怡刚何
（湖南大学电气与信息工程学院，长沙４０１）１０２
摘要：为提高电力系统负荷预测精度，出一种基于小波分析结合Ｌ提ＭＢ（ｅｅｂｒ— ｒｕｒｔＢ）经网ＰＬｖｎｅｇＭａｑａｄＰ神络的电力系统短期负荷预测方法。通过小波变换对负荷序列进行多尺度分析，到具有不同特征和规律的频得段子序列，对这些子序列分别采用合适的人工神经网络模型进行训练预测，后将各预测子序列进行重构，再最生成负荷序列的最终预测结果。在构造预测模型的过程中，比传统的预测方法及预测模型，小波函数及对在
尺度选择、经网络建模等方面进行细致探讨并予以相应的实例验证。结果表明该方法具有很高的预测精度神和应用可行性。
关键词：波分析；经网络；电力系统；短期负荷预测小神
中图分类号：Ｐ８Ｔ１文献标志码：Ａ文章编号：０３８３（０００ — ０６０１０～９０２１）５０４— ５
ＨＵ，ＨＥ — ａｇＬｉＹｉｇｎ
（ＣｏｌｅｆＥｌｃｒｃｌａｄＩｆｒａｉｎＥｎｎｅｉｌｇｅｏｅｔｉａｎｎｏｍｔｏｇｉｅｒｎｇ，ＨｕｎｎＵｎｉｅｓｔａｖｒｉｙ，

电力负荷预测设计实现论文

电力负荷预测设计与实现摘要：在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于bp神经网络的短期负荷预测方法。

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，这种方法应用在短期负荷预测方面有较高的精度。

关键词：电力负荷预测电力负荷电力负荷预测基本算法0、引言短期负荷预测是随着电力系统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。

短期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。

1、电力负荷预测综述电力负荷有两方面的含义：一方面是指电力工业的服务对象；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。

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。

本文运用神经网络对某市某年某月某日进行电力负荷的短期预测，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有着十分重要的意义。

2、电力负荷分析本文对某市进行电力短期负荷预测，电力负荷的构成与特点如下：电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。

城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。

商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。

基于优化神经网络的短期电力负荷预测

ｔｏｒｏｆｑｕａｎｔｕｍｐａｒｔｉｃｌｅａｎｄｔｈｅｏｐｔｉｍａｌｐａｒａｍｅｔｅｒｓｏｆＢＰＮＮｗｅｒｅｆｏｕｎｄｂｙｑｕａｎｔｕｍｐａｒｔｉｃｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｉｔｒｈｍｔｏｒｅｄｕｃｅｂｌｉｎｄｎｅｓｓａｎｄｉｎｅｉｃｆｉｅｎｃｙ．Ｌａｓｔｌｙ，ｔｈｅｏｐｔｉｍａｌｍｏｄｅｌｆｏｒｎｅｔｗｏｒｋｔｒａｆｉｆｃｗａｓｂｕｉｌｔａｎｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｍｏｄｅ
ＷＵＧｕｉ－ｆｅｎｇ，ＷＡＮＧＸｕａｎ，ＣＨＥＮＤｏｎｇ —ｌｅｉ
（１．ＣｏｌｌｅｇｅｏｆＥｎｅｒｇｙａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｉｒｎｇ，ＹａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＹａｎｇｚｈｏｕＪａｉｎｇｓｕ２２５１２７，Ｃｈｉｎａ；２．ＹａｎｇｚｈｏｕＢｅｉｅｈｅｎＥｌｅｃｔｒｉｃｌａＥｑｕｉｐｍｅｎｔＣｏ．，ＬＴＤ，ＹａｎｇｚｈｏｕＪａｉｎｇｓｕ２２５１２７，Ｃｈｉｎａ）
第３０卷第１１期
文章编号：１００６ — ９３４８（２０１３）１１－００９５－０５

基于BP神经网络短期电力负荷预测论文

基于BP神经网络的短期电力负荷预测摘要：本论文首先对短期电力负荷预测进行了概述，在详细分析bp神经网络原理的基础上，通过对某市历史负荷数据的分析，应用bp神经网络，建立了短期负荷预测模型，应用matlab 6.5软件进行实际建模仿真。

关键词：电力负荷bp神经网络预测建模仿真1.引言由于电力的生产与使用具有特殊性，即电能是不能储存的，这样就要求系统发电出力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量，重则危及系统的安全与稳定。

随着电力系统的商品化和市场化，电力负荷预测的准确性对电力系统安全经济运行和国民经济发展具有重要意义。

正确地预测电力负荷，既是为了保证供应国民经济各部门及人民生活以充足的电力需要，也是电力工业自身发展的需要。

2.输入层和输出层的设计在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。

由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。

所以这里将前一天的实时负荷数据作为网络的样本数据。

此外，由于电力负荷还与环境因素有关，如最高和最低温度等。

因此，还需要通过天气预报等手段获得预测日的最高和最低温度。

这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。

因此，输入变量就是一个26维的向量。

显而易见，目标向量就是预测日当天的24个负荷值，即一天中每个整点的电力负荷。

这样一来，输出变量就成为一个24维的向量。

获得输入和输出变量后，要对其进行归一化处理，将数据处理为区间[0，1]之间的数据。

归一化方法有许多种形式，本文采用如下公式：在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。

由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。

如果从提高网络精度的角度出发，一方面可以增加网络训练样本的数目，另一方面还可以增加输入向量的维数。

目前，训练样本数目的确定没有通用的方法，一般认为样本过少可能使得网络的表达不够充分，从而导致网络外推能力不够；而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。

发电厂及电力系统专业的毕业论文

大学毕业论文电力系统短期负荷预测姓名：学号：专年级：指导教师：目录中文摘要: (3)英文摘要: (5)1绪论 (5)1.1 短期负荷预测的目的和意义 (6)1.2电力系统负荷预测的特点和基本原理 (7)1.2.1电力负荷预测的特点 (7)1.2.2电力负荷预测的基本原理 (7)1.3 国内外研究的现状 (8)1.3.1 传统负荷预测方法 (9)1.3.2 现代负荷预测方法 (9)1.4 神经网络应用于短期负荷预报的现状 (11)1.5 本文的主要工作 (11)2最小二乘法 (13)2.1 最小二乘法原理 (13)2.2 多项式拟合具体算法 (13)2.3多项式拟合的步骤 (14)2.4 电力系统短期负荷预测误差 (15)2.4.1 误差产生的原因 (15)2.4.2 误差表示和分析方法 (15)2.4.3 拟合精度分析 (16)3基于神经网络的短期负荷预测 (18)3.1 人工神经网络 (18)3.1.1 人工神经网络的基本特点 (18)3.2 BP网络的原理、结构 (18)3.2.1网络基本原理 (18)3.2.2 BP神经网络的模型和结构 (19)3.2.3 BP网络的学习规则 (19)3.3 BP算法的数学描述 (20)3.3.1信息的正向传递 (20)3.3.2 利用梯度下降法求权值变化及误差的反向传播 (20)3.4 BP网络学习具体步骤 (21)3.5 标准BP神经网络模型的建立 (22)3.5.1 输入输出变量 (22)3.5.2 网络结构的确定 (22)3.5.3 传输函数 (23)3.5.4 初始权值的选取 (24)3.5.5 学习数率 (25)3.5.6 预测前、后数据的归一化处理 (25)3.6 附加动量的BP神经网络 (25)3.6.1 标准BP算法的限制与不足 (25)3.6.2 附加动量法 (26)4算例分析 (28)4.1 负荷数据 (28)4.1.1 14天实际的负荷数据 (28)4.1.2 归一化后的负荷数据 (30)4.2 两个模型仿真后的结果分析 (33)4.3 两种模型拟合精度分析 (40)4.4 附加动量法 (42)结论 (43)谢辞 (44)参考文献 (45)附录1 最小二乘法的MATLAB程序 (47)附录2 标准BP神经网络的MATLAB程序 (49)附录3 附加动量法的MATLAB程序 (52)电力系统短期负荷预测摘要:电力系统负荷预测是电力生产部门的重要工作之一。

基于BP神经网络的短期负荷预测建模仿真

ｎｅｔｗｏｒｋｍｏｄｅ１．ＴｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｇｒｅａｔｌｙｉｍｐｒｏｖｅｓｔｈｅｅｉｃｆｉｅｎｃｙａｎｄａｃｃｕｒａｃｙｏｆｓｈｏｒｔ・ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｄａｔａｐｒｏｃｅｓｓｉｎｇ，ｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｗｎｏｎｌｉｎｅａｒｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｆｏｒｒｅｓｅｒｃａｈｉｎｇＯｉｌｐｏｗｅｒｓｙｓｔｅｍ
任恒杰（１９８１一），
男，主要从事电力
络短期负荷预测模型，并采用某条线路１年的历史负荷波动数据对模型进行“ 学习” 训
练。预测日２４ｈ负荷数据的Ｍａｔｌａｂ仿真及误差分析结果表明，所构筑的ＢＰ神经网络模型具有较高的可靠性和准确性，误差率控制在２％以内。ＢＰ神经网络模型大大提高了短期负荷预测数据的处理效率与可信性，为研究电力系统经济调度提供了一种新的
ｄａｔａｓａｍｐｌｅｓ；Ｍａｔｌａｂ
０引言
短期负荷预测作为电网规划及经济调度重要
荷预测数据，具有模型层次结构清晰、参数优化性
能较强、应用较为简便、对动态波动负荷特性描述

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法张宜忠;杨旭东;张正卫;刘丽新【摘要】气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP).首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测.实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果.【期刊名称】《四川电力技术》【年(卷),期】2019(042)003【总页数】5页(P1-5)【关键词】短期负荷预测;气象累积效应;相似日选取;改进粒子群优化算法;BP神经网络【作者】张宜忠;杨旭东;张正卫;刘丽新【作者单位】国网四川雅安电力(集团)股份有限公司,四川雅安625000;国网四川雅安电力(集团)股份有限公司,四川雅安625000;北京清软创新科技股份有限公司,北京100085;北京清软创新科技股份有限公司,北京100085【正文语种】中文【中图分类】TM7150 引言电力运行、调度和规划部门对用户的用电规律和变化趋势的把握是安全可靠供电的重要前提，短期负荷预测是指对未来小时至天时间尺度的负荷进行预测，其预测精度直接影响机组最优组合、经济调度、电力市场交易等方面[1]。

相对传统方法如回归分析法、时间序列预测法、频域分量预测法等，新型的智能预测法(如人工神经网络法)能很好地考虑多个影响因素与负荷序列非线性关系以及负荷变化的随机性和不确定性，同时短期负荷复杂演变规律很难用单一模型准确描述，为充分利用不同方法优点及所包含信息量，采用适当权重综合多种效果较好的方法进行负荷预测，从而提高预测精度和适应性[2]。

气象因素对短期负荷具有重要影响，且不同地区影响程度不同，如空调/取暖负荷较大地区受气温因素影响明显，小水电富集地区降雨量直接影响水电出力。

基于改进神经网络算法的电力负荷短期预测研究

参数的时间序列预测，第二种是基于非参数的时间序列预测方法。本研究所涉及的基于ＢＰ神经网络的电力短期符合预测属于基于非参数的序列预测，这种预测方式的优势在于不必再假设具体的信号模型。所以，与基于
参数的预测相比较，具有更好的使用范围。在电力短期符合预测中，可以把这些以时间序列存在的负荷数据作为历史数据，以历史数据来计算数据发展的未来趋势，这就涉及表１：电力负荷数据负荷数据
到数据序列之间的映射关系，因为ＢＰ网络的特性便于实现数据序列里的映射关系，所以十分适合于进行未来趋势的预测。本文引入
２．神经网络负荷预测概述
一
ＢＰ神经网络，进行电力系统短期负荷的预测。
据不确定、非线性的特点，对未来的短期负荷进行预测，发挥了较好的作用。电力短期负荷预测是电网运营商为用户提供可靠服务的重要基础。传统的电力负荷预测包括许多
３．基于传统神经网络的负荷预测
电网负荷与历史数据及天气状况之间是非线性的关系。经过仔细对其进行关联分析，得到了影响较大的因子：温度、时段、节假日以及环境，本研究将一天的２４小时分为四个时段，为不使函数作用在其取值范围的平坦区，以归一化预处理的方法，将所采集的数据映射于【０．１，０．９］区间。以一个星期为周期，把本星期之内的前６天作为训练数据，最后一天作为预测数据，如表１所示：
电力技术与应用
基于改进神经网络算法的电力负荷短期预测研究
ｒ

电力系统短期负荷预测

电力系统短期负荷预测摘要：短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。

传统的预测方法会出现不同程度的预测误差，如时间序列法没有考虑社会活动、天气等对负荷的影响，从而会出现较大的预测误差，将优选组合法应用到短期负荷预测中，能弥补传统预测方法的不足，降低预测误差，有效地提高预测的精确性。

关键词：短期负荷预测；优选组合预测法；灰色预测模型；时间序列模型；BP神经网络法1.前言短期负荷的预测问题一直是电力行业研究的焦点。

短期电荷预测结果的准确性有诸多益处，例如：可以帮助电力系统高层人员做出准确可行的电力运营方法，确保在特殊时期电力网络可以安全稳定地运行，且最大程度保证相关电力企业的经济效益，从根本上起到稳定电力市场的作用。

电力系统的短期负荷预测对于设备安全校核、国民经济调度等方面具有极其重要的意义，电力系统的短期预测是电力系统运行以及分析的基础[1]。

提高电力负荷的预测精度，可以帮助电力系统相关人员做出准确可行的电力运营方法，此手段可以保障电力系统的优化决策的科学性。

我国目前有许多关于电力系统短期负荷的预测方法，而优选组合预测法[2]是现代短期优先选用的预测方法，集中了几种负荷方法的优势，我们知道负荷预测的精确度，将直接影响一个电力企业在市场中的地位，因此，建立一个精确度高的预测模型势在必行。

（1）趋势外推法—利用指数曲线外推来进行预测时，存在着预测值随着时间的推移会无限增大的情况。

这是不符合客观规律的。

因为任何事物的发展都有一定的限度。

（2）回归分析法—负荷与天气变量之间不是简单的线性关系，线性回归算法对这种非线性、动态的关系难以处理，非线性回归算法有不同的使用场景，但是运算比较复杂。

（3）时间序列法[4]—利用电力负荷变动的惯性特征和时间上的延续性，通过时间对负荷的变化情况进行分析，根据负荷过去时间的数据，依据该值随时间变化的情况，建立时序数学模型来预测未来负荷数值。

基于BP神经网络的短期负荷预测

基于BP神经网络的短期负荷预测基于BP神经网络的短期负荷预测一、引言电力系统的短期负荷预测在电力行业中扮演着重要角色。

准确预测短期负荷有助于确保电力系统的稳定运行，合理安排电力资源，提高电力供应的可靠性和效率。

然而，由于负荷预测的复杂性和不确定性，传统的统计方法往往不能满足准确预测的要求。

随着计算机技术的快速发展，人工智能技术被广泛应用于负荷预测领域。

其中，基于BP神经网络的短期负荷预测方法因其较高的准确性和灵活性而备受关注。

本文旨在探讨基于BP神经网络的短期负荷预测原理及应用，并通过实例分析展示其优势和局限性。

二、基于BP神经网络的负荷预测原理BP神经网络（Backpropagation Neural Network）是一种具有反向传播算法的人工神经网络。

它由输入层、隐藏层和输出层组成，通过非线性映射将输入信号转换为输出信号。

在负荷预测中，输入层通常包含历史负荷数据和其它相关因素（如天气、季节等），输出层则是预测的负荷值。

具体而言，BP神经网络的预测过程可以分为以下几个步骤：1. 数据准备：将历史负荷数据进行预处理，包括归一化、滤波和特征提取等。

同时，对于相关因素的数据也需要进行同样的处理。

2. 网络搭建：确定神经网络的结构和参数设置。

隐藏层的节点数量和层数的选择是关键，过少会导致欠拟合，过多则可能引起过拟合。

3. 前向传播：将输入数据通过神经网络传递，计算每个神经元的输出。

此过程中，网络中的连接权重根据当前输入和人工设定的权重进行调整。

4. 反向传播：根据误差函数计算损失，并通过链式法则更新各层的权重。

该过程反复进行直到误差小于预设阈值。

5. 预测与评估：使用训练好的神经网络对新的输入数据进行预测，并评估预测结果的准确性。

常用评估指标包括均方根误差（RMSE）和平均绝对百分比误差（MAPE）等。

三、基于BP神经网络的负荷预测应用基于BP神经网络的短期负荷预测方法已在电力系统中得到广泛应用。

以下是几个典型的应用实例：1. 区域负荷预测：通过采集各个区域的历史负荷数据和相关影响因素，建立对应的BP神经网络模型，实现对区域负荷的短期预测。

神经网络模型的电力负荷预测

神经网络模型下短期电力负荷预测电力系统短期负荷预测关系到电力系统的平稳调度。

负荷预测的精度直接影响到电力系统的经济性和稳定性，智能电网对负荷预测的实时性要求也越来越高。

因此，国内外学者一直将短期电力负荷预测作为研究重点。

人工神经网络是一种智能算法，其在各种领域都有广泛的应用。

近年来专家学者也将人工神经网络应用到了短期电力负荷预测中。

在负荷预测算法中，使用最多的是BP 神经网络。

本文通过对人工蜂群算法（ABC）进行改进，以提高人工蜂群算法的预测精度及全局收敛性，用改进后的人工蜂群算法优化BP神经网络，即ABC-SA电力负荷预测模型。

最后通过仿真实验预测值与真实值比较，验证本文方法的有效性。

短期电力负荷预测（Short-term load forecasting，STLF）主要是指对未来若干小时、1天至几天的电力负荷预报，作为安排发购电计划，经济分配负荷及安排机组出力的基础，精准的负荷预测是保证电网安全可靠运行的前提条件【1】。

随着科技以及计算机技术的发展，电力负荷预测的相关技术也在不断进布，目前国内外研究短期负荷预测的方法，大体上有传统的基本的分析预测方法以及灰度预测、回归分析和神经网络等智能预测算法【2，3】。

人工蜂群算法是群只能算法的一种，该算法一经提出，由于其结构简单易实现、性能优越，越来越多研究人员对其进行研究。

人工蜂群算法虽然优秀，但是其存在很多优化算法都存在的缺点——容易陷入局部最优。

人工蜂群到算法后期，侦察蜂多次迭代后，又转换为极值点的采蜜蜂，导致搜索能力减弱，甚至陷入局部最优。

于是本文采用模拟退火算法对人工蜂群算法进行改进，称为ABC-SA算法，它作用是维持优良解，在采蜜蜂阶段和观察蜂阶段扩大蜜蜂的搜索范围，从而提高收敛速度。

并将该算法用到优化BP神经网络的训练中，使用优化后的神经网络对电力负荷进行预测。

1.人工蜂群算法及其改进1.1人工蜂群算法原理在人工蜂群优化算法中，类比生物学的机理，同样包含三个基本的组成要素：蜜源，雇佣蜂，非雇佣蜂【4】。

基于人工神经网络和互信息理论的电力系统短期负荷预测

基于人工神经网络和互信息理论的电力系统短期负荷预测摘要：长期以来，短期负荷预测（short-term load forecasting，STLF）一直是电力运行关注的问题，对制定经济、可靠、安全的电力系统运行策略起关键作用。

由于负荷时间序列具有非线性、非平稳性和非季节性等特点，准确预测负荷趋势具有很大的挑战性.关键词：人工神经网络;电力系统;短期负荷预测;引言电力系统负荷预测一般分为超短期、短期、中期、长期四类负荷预测，随着市场化改革的逐步推进，短期负荷预测的重要性日益提升。

近年来，国内外学者对于短期负荷预测进行了广泛的研究，围绕具体预测思路的差异，可将预测方法分为两类，其一是传统的时间序列分析方法，包括回归分析法、指数平滑法、多元线性回归法、卡尔曼滤波法等；其二是机器学习算法，由于其可以较好的解决负荷非线性的问题，受到了广泛的应用和研究。

目前已有较多机器学习算法在负荷预测领域应用，在这些方法上又存在着很多的改进算法，目前使用较多的方法有基于极限学习机（Extreme Learning Machine, ELM）的预测方法、基于支持向量机（Support Vector Machine，SVM）的预测方法、基于BP神经网络的预测方法等。

1基本理论通过对原始数据进行分析，可以得到一些影响负荷趋势的特征和因素。

为了收集最关键的影响因素，采用互信息法分析多个因素与电力负荷的相关性。

然后将分析结果大于阈值的因素数据作为预测变量输入到神经网络中。

下面将详细介绍MI算法和神经网络的结构。

1）互信息法.互信息（MI）主要用于描述两个变量之间的相关程度。

在本研究中，使用多元智能来测量不同因素变量与负荷之间的相关程度。

2）自组织特征映射神经网络.为避免传统聚类方法存在的求解复杂、收敛速度慢、易陷入局部最优的问题，采用改进后的SOFM神经网络3)对原始负荷数据进行特征挖掘、聚类。

SOFM神经网络由Kohonen提出，是一种无监督的学习网络，通过神经元之间的竞争实现大脑神经系统中的“近兴奋远抑制”功能。

基于PSO_BP混合算法的短期电力负荷预测

基于ＰＳO－ＢＰ混合算法的短期电力负荷预测田　丽，夏新运，蒋　慧，张淑芳（安徽工程科技学院安徽省电气传动与控制重点实验室安徽芜湖，２４１０００）摘　要：将粒子群优化算法和ＢＰ神经网络算法相结合，形成粒子群－神经网络（ＰＳO－ＢＰ）混合算法，建立了涉及各种影响因素的短期负荷预测模型。

运用所建立的ＰＳO－ＢＰ混合算法和ＢＰ算法的负荷预测模型进行短期负荷预测，比较所得结果可知，ＰＳO－ＢＰ混合算法预测精度较高，效果较好。

关键词：粒子群；ＰＳO－ＢＰ混合算法；短期负荷；预测Abstract : In this paper, a mixed PSO-BP algorithm is formed, which is the combination of PSO and BP neural network. Then, a short-term load forecasting model involving various influencing factors is built. The short-term load forecasting of power system is performed using the mixed PSO-BP algorithm and BP algorithm. The simulation results indicate that this method has favorably high predicting precision.Key words: PSO ; Mixed PSO-BP algorithm ; Short-term load ; Forecasting中图分类号：ＴＰ１８；ＴＭ７１４文献标识码：Ａ文章编号：１００１－９２２７（２００９）０２－００４０－０３０引　言电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一。