电力系统短期负荷预测毕业设计

合集下载

电力系统短期负荷预测方法的研究及实现

电力系统短期负荷预测方法的研究及实现

电力系统短期负荷预测方法的研究及实现一、本文概述随着经济的发展和人民生活水平的提高,电力系统的稳定运行对于社会的正常运转和人民的生活品质具有至关重要的作用。

电力负荷预测作为电力系统规划、调度和运行的基础,其准确性和实时性直接影响到电力系统的安全性和经济性。

研究和实现高效的电力系统短期负荷预测方法具有重要的理论价值和实际应用意义。

本文旨在深入研究电力系统短期负荷预测方法,包括传统的预测方法以及基于人工智能、大数据等新兴技术的预测方法。

我们将对短期负荷预测的基本概念、影响因素和预测精度评估方法进行详细阐述。

我们将对传统的短期负荷预测方法,如时间序列分析、回归分析、灰色预测等进行梳理和评价。

我们将重点探讨基于人工智能的短期负荷预测方法,如神经网络、支持向量机、深度学习等,并详细介绍这些方法的原理、模型构建和训练过程。

我们将通过实际案例,对本文所研究的短期负荷预测方法进行实证分析和效果评估,以验证其有效性和实用性。

本文的研究将为电力系统短期负荷预测提供新的思路和方法,有助于提高预测精度和效率,为电力系统的规划、调度和运行提供有力支持。

同时,本文的研究也将为人工智能和大数据技术在电力系统中的应用提供有益的参考和借鉴。

二、短期负荷预测的基本理论短期负荷预测是电力系统运行中的重要环节,其基本理论涉及统计学、模式识别、人工智能等多个领域。

其核心目标是利用历史负荷数据、气象信息、经济数据等相关因素,对电力系统未来一段时间内的负荷变化进行准确预测,以指导电力系统的调度和运行。

时间序列分析理论:该理论认为负荷数据具有一定的时间序列特性,通过分析历史负荷数据的时间序列特征,可以挖掘出负荷变化的规律和趋势,进而对未来的负荷进行预测。

常见的时间序列分析方法包括自回归模型(AR)、移动平均模型(MA)和自回归移动平均模型(ARMA)等。

回归分析理论:回归分析是一种通过建立自变量和因变量之间数学关系来预测因变量变化的方法。

在短期负荷预测中,可以将历史负荷数据、气象信息、经济数据等作为自变量,未来负荷作为因变量,通过回归分析建立它们之间的数学关系,从而进行负荷预测。

电力负荷预测设计实现论文

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。

数学建模-电力系统短期负荷预测

数学建模-电力系统短期负荷预测

电力系统短期负荷预测摘要本文针对电力系统短期负荷预测问题,通过对数据的分析处理,应用多元线性回归、神经网络仿真等方法,建立了多元线性回归模型、灰色预测模型以及神经网络预测模型的数学模型,运用MATLAB,SPSS,EXCEL等软件对模型进行求解,得到了较优的结果。

对于问题一,首先绘制日最高负荷、日最低负荷、日峰谷差、日负荷率指标五个负荷指标随天数变化的关系曲线,并分析社会因素等可能的因素对五个指标的响;其次绘制2014全年的负荷持续曲线,并通过对日最高负荷与日最低负荷每15分钟出现次数的散点图的分析,初步预判出地区1的负荷可以获得更准确的预测结果。

对于问题二,首先处理表中的异常值,并建立多元线性回归分析模型,找出负荷指标与各气象因素之间的关系;其次,检验回归误差并分析,找出降雨量、最高温度、最低温度、平均温度和相对湿度五个气象因素对负荷预测精度影响大小,从而确定出了优先推荐的提高负荷预测精度的气象因素为相对湿度。

对于问题三,由于气象因素未知,故本文建立灰色预测模型对两个地区七天的电力负荷进行预测,得到了负荷预测的结果;其次,由于实际负荷数据未知,故采取残差检验、关联度检验、方差比和小误差概率检验的检验方式,得到相对误差为7%以内,对预测结果的准确度做出了解释,即灰色预测的准确度不能符合要求。

对于问题四,首先加入天气因素的影响,并使用近期数据,建立BP神经网络预测模型,对要求时间的电力负荷进行预测,对样本的分析并进行多次训练,得到了更为精确的预测结果。

通过将此问与第三问的预测曲线对比,发现虽然辆曲线变化趋势大致相同,但第四问中曲线更为平滑,同时运用第三问中的误差范围计算,得到此文中预测精度得到改善的结果。

对于问题五,本文认为负荷的规律性体现在负荷随时间的分布、负荷增长的平稳性以及负荷状态的转移,故从这三方面对两地区负荷规律性优劣进行评价。

另外,由于天气因素带来的规律性变化也会引起负荷的规律性变化,因此天气因素也可以佐证判断两地负荷整体规律性优劣的判断。

电力负荷预测(毕业设计)解读

电力负荷预测(毕业设计)解读

引言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。

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。

随着电力市场的建立和发展,对短期负荷预测提出了更高的要求,短期负荷预测不再仅仅是EMS的关键部分,同时也是制定电力市场交易计划的基础。

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。

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。

经典的数学统计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。

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。

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,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。

1、电力负荷预测综述1.1、电力负荷预测的含义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,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。

电力系统短期负荷预测及电力调度研究与优化

电力系统短期负荷预测及电力调度研究与优化

电力系统短期负荷预测及电力调度研究与优化1. 介绍电力系统的短期负荷预测和电力调度是电力行业中至关重要的工作,它们直接关系着电力系统的稳定运行和能源的合理利用。

短期负荷预测是指对未来一段时间内电力系统负荷的变化进行预测,以便合理安排电力供应和优化电力调度。

电力调度是指根据负荷预测结果,合理安排电力生产与消费间的平衡,实现电力系统的稳定供应。

本文将深入探讨电力系统短期负荷预测和电力调度的研究和优化方法。

2. 电力系统短期负荷预测方法2.1 基于统计模型的预测方法基于统计模型的负荷预测方法是通过对历史负荷数据进行统计分析,建立数学模型来预测未来的负荷变化。

常用的统计模型包括回归模型、时间序列模型等。

这些模型通过对历史数据的分析和拟合,提取出负荷变化的规律,并根据这些规律进行预测。

这种方法简单、易实施,适用于预测稳定、季节变化规律较明显的负荷情况。

2.2 基于人工智能的预测方法随着人工智能的快速发展,越来越多的研究者开始将人工智能技术应用于电力系统短期负荷预测中。

人工智能方法包括神经网络、支持向量机、遗传算法等。

这些方法能够从大量数据中学习,识别出隐藏在数据中的模式,并进行预测。

相比于统计模型,人工智能方法更加灵活、精确,适用于负荷变化复杂、不规律的情况。

3. 电力调度方法3.1 常规电力调度方法常规的电力调度方法是指根据负荷预测结果,按照一定的规则和约束条件,确定各发电厂的出力水平。

这些规则包括优先级调度、经济调度、环境调度等。

常规电力调度方法能够实现电力系统的供需平衡,确保电力的稳定供应。

3.2 基于优化算法的电力调度方法随着优化算法的发展,越来越多的研究者将优化算法应用于电力调度中。

常用的优化算法包括遗传算法、粒子群算法、蚁群算法等。

这些算法能够搜索出使得电力系统运行效果最优化的调度策略,以达到节约能源、降低成本的目的。

优化算法的应用使得电力调度方法更加灵活、高效。

4. 电力系统短期负荷预测与电力调度的优化为了进一步优化电力系统短期负荷预测和电力调度的结果,可以将两者进行有机结合。

电力负荷预测课程设计

电力负荷预测课程设计

电力负荷预测课程设计一、课程目标知识目标:1. 让学生理解电力负荷预测的基本概念,掌握相关理论知识;2. 使学生掌握电力负荷预测的方法和模型,如时间序列分析、回归分析等;3. 帮助学生了解电力系统运行与负荷预测的关系,提高对电力市场的认识。

技能目标:1. 培养学生运用所学知识进行电力负荷预测的能力;2. 让学生学会使用相关软件工具进行数据处理和分析,提高实际操作技能;3. 培养学生团队协作和沟通能力,能就负荷预测问题进行有效讨论和交流。

情感态度价值观目标:1. 培养学生对电力行业的兴趣,激发他们投身电力事业的热情;2. 培养学生关注社会、环境问题的责任感,认识到电力负荷预测在节能减排中的重要性;3. 引导学生树立正确的价值观,认识到电力行业的社会责任和使命。

本课程针对高年级学生,结合课程性质、学生特点和教学要求,将目标分解为具体的学习成果。

通过本课程的学习,学生能够掌握电力负荷预测的基本知识和方法,具备实际操作能力,同时培养他们的团队协作、沟通能力和责任感。

为后续的教学设计和评估提供明确依据。

二、教学内容本课程依据课程目标,科学系统地选择以下教学内容:1. 电力负荷预测基本概念:包括电力负荷的定义、电力负荷预测的意义和分类;2. 电力负荷预测方法:涵盖时间序列分析法、回归分析法、人工神经网络法等常用预测方法;3. 电力系统运行与负荷预测:介绍电力系统基础,分析负荷预测在电力系统运行中的应用;4. 数据处理与分析:学习如何使用软件工具进行数据处理、分析和可视化;5. 实践操作:结合实际案例,让学生动手进行电力负荷预测,提高实际操作能力。

教学大纲安排如下:1. 第一周:电力负荷预测基本概念,教材第一章;2. 第二周:时间序列分析法,教材第二章;3. 第三周:回归分析法,教材第三章;4. 第四周:人工神经网络法,教材第四章;5. 第五周:电力系统运行与负荷预测,教材第五章;6. 第六周:数据处理与分析,教材第六章;7. 第七周:实践操作,结合前六章内容进行实际案例分析和预测。

电力系统短期负荷预测

电力系统短期负荷预测

电力系统短期负荷预测POWER SYSTEM SHORT-TERM LOAD FORECASTING专业:电气工程及其自动化姓名:指导教师姓名:申请学位级别:学士论文提交日期:二零一六年十二月学位授予单位:天津科技大学摘要电力系统负荷预测是电力生产部门的重要工作之一.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,特别是短期负荷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.因此,针对不同场合需要寻求有效的负荷预测方法来提高预测精度。

本文采用神经网络方法对电力系统短期负荷进行预测。

本文主要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,建立三层人工神经网络模型进行负荷预测,并编写相关程序。

与此同时采用最小二乘法进行对比,通过对最小二乘法多项式拟合原理的学习,建立模型编写相关程序。

通过算例对两种模型绝对误差、相对误差、拟合精度进行分析,同时比较它们训练时间,得出标准BP神经网络具有更好的精度优势但训练速度较慢。

最后针对标准BP神经网络训练速度慢、容易陷入局部最小值等缺点,对标准BP神经网络程序运用附加动量法进行修改,分析改进后网络的优点。

关键词:短期负荷预测标准BP神经网络最小二乘法附加动量法ABSTRACTPower system load forecasting is one of the most important work of the electricity production sector。

The accurate load forecasting can arrange unit start-stop, reduce the spare capacity, reasonable arrangement of the maintenance plan and reduce power cost,etc。

MATLAB电力系统短期负荷预测

MATLAB电力系统短期负荷预测

MATLAB电力系统短期负荷预测摘要电力工业是国民经济的命脉,是国家在能源领域的重要基础。

电力对于国家安全、社会稳定、经济建设具有十分重要的作用。

随着电力工业的快速发展,电网管理趋于现代化和智能化,加之电力体制的不断改革深化,电力负荷预测理论技术的研究工作越来越重要。

提高电力负荷的精准度,可以制定更合理的电力规划,提高电网运行的安全性和经济性,改善电能质量,具有直接而巨大的经济效益和社会效益。

28840根据电力负荷的特点,在对大量历史负荷数据的基础上,以及在日类型、实际历史负荷等因素对负荷预测影响的情况下,介绍了基于回归分析的短期负荷预测方法,对未来24小时进行负荷预测,利用MATLAB进行运算。

关键词电力负荷短期预测回归分析 MATLAB毕业论文设计说明书外文摘要Title The research on the short-system load forecasting of electric power systemAbstractElectric power industry is the lifeblood of the national economy, is the national important foundation in the field of energy. Power to national security,social stability, economic development plays an important role.With the rapid development of power industry, tend to be more modern and intelligent power grid management, combined with the electric power system reform deepening unceasingly, study of the theory of power load forecasting technology is more and more important.Improve the accuracy of power load, can develop a more reasonable power planning, improving the safety and economy of power grid, improve power quality, has a direct and great economic benefit and social benefit.源自!六%维^;论:文(网.加7位QQ3249'114According to the characteristics of the power load, based on a large number of historical load data, as well as to the type, the actual load history on the impact of factors on load forecasting, this paper introduces the short-term load forecasting method based on regression analysis, the load forecast for the next 24 hours, the use of MATLAB for operation.Keywords Power load Short-term forecasting Regression analysis MATLAB目次1 引言 11.1 电力系统负荷预测综述 11.2 负荷预测的基本内容 11.3 负荷预测的步骤 21.4 本文主要工作 32 电力系统短期负荷预测的方法与技术 42.1 经典预测技术 42.2 现代预测技术 53 回归分析法概述 73.1 一元线性回归 73.2 多元线性回归 104 负荷预测的基本模型 144.1 影响负荷变化的因素 144.2 负荷预测模型的基本要求 154.3 短期负荷预测的基本模型 154.4预测对象 154.5进行负荷预测 24结论 32致谢 33参考文献341 引言这一章简要概括了负荷预测的基本内容,介绍了电力负荷预测工作要进行的基本工作步骤。

短期电力负荷预测器设计

短期电力负荷预测器设计

短期电力负荷预测器设计The Design of Short Term Power LoadPrediction毕业设计任务书一、设计内容结合人工神经网络模型的特点和学习方式,根据其学习方法,编写算法进行MATLAB仿真,对仿真预测结果的精度进行分析。

二、基本要求1.选择适合电力负荷预测的人工神经网络的模型。

2.利用MATLAB软件用于人工神经网络模型的仿真。

3.得到仿真结果,对电力负荷预测结果的精度进行分析。

三、主要技术指标利用现有的人工神经网络模型,编写MATLAB程序,对人工神经网络进行训练,实现电力负荷预测。

四、应收集的资料及参考文献[1]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社[2]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社[3]朱大奇.人工神经网络原理及应用[M].北京:科学出版社五、进度计划第1-2周开题报告第3-6周人工神经网络的研究内容,仿真软件的学习第7周中期检查第8-11周用于电力负荷预测的MATLAB仿真第12-13周撰写毕业设计说明书第14-15周答辩教研室主任签字时间年月日毕业设计开题报告题目短期电力负荷预测器设计一、研究背景当前,我国正处在一个严重的电力短缺时期。

据有关部门统计,最近五年来,电力短缺己经给国家带来总值约为一万亿人民币的直接和间接损失。

全国范围内的大规模拉闸限电,不仅严重影响了工业生产,给人民生活带来极大的不便,还导致了一系列的社会问题。

要解决电力短缺的问题,就要继续深化电力市场改革。

这就要求电力企业在现有的情况下深入挖掘自身潜力,合理的调度电力资源,尽量降低电力短缺所带来的经济损失。

对于电力企业来说,短期负荷预侧是一项十分重要的工作。

短斯负荷预测的结果,将对发电机组生产计划的制定、水火发电的合理配置、燃料配置和安全分析设备的短期维修及电网能量的传播等产生很大的影响。

传统的负荷预测都是人工完成的。

电力毕业设计

电力毕业设计

电力毕业设计电力毕业设计是通过研究与实践,探索电力系统相关问题并提出解决方案的工程设计项目。

本文将介绍一个电力毕业设计的样例,字数大约为700字。

设计题目:电力系统负荷预测与优化调度设计背景:随着社会经济的发展和人民生活水平的提高,电力需求量不断增长。

为了满足这一需求并保证电力系统的安全稳定运行,需要对电力负荷进行预测和优化调度。

因此,本设计旨在通过建立电力负荷预测模型和优化调度算法,提高电力系统的效率和稳定性。

设计目标:1. 建立电力负荷预测模型,准确预测未来一段时间内的负荷情况;2. 开发优化调度算法,根据不同的负荷情况和电力供应能力,合理调度电力系统的运行;3. 提高电力系统的能源利用率,减少供需间的浪费;4. 提高电力系统的可靠性和稳定性,减少停电和负荷不平衡现象。

设计内容:1. 收集历史电力负荷数据,分析负荷的季节性、周日性、节假日性等特点,建立负荷预测模型;2. 结合煤炭、天然气、核能等不同能源的特点和成本,设计优化调度算法,实现最佳能源分配;3. 利用遗传算法、模拟退火等优化方法,求解调度算法的最优解;4. 利用MATLAB、Python等软件进行预测建模和算法实现;5. 进行系统仿真实验,验证预测模型和调度算法的效果;6. 进行实际案例分析,对比分析设计方案与传统方案的效果差异;7. 总结设计成果,提出进一步改进和应用的建议。

设计意义:1. 通过负荷预测和优化调度,能够减少电力系统中供需不平衡导致的电力浪费,提高能源利用率;2. 提高电力系统的可靠性和稳定性,降低停电和负荷不平衡的风险,提高供电质量;3. 为电力生产和供应部门提供科学合理的负荷管理手段,提高电力系统的运行效率;4. 为电力系统规划和运营提供决策支持,促进电力产业的可持续发展。

设计展望:未来,随着新的能源技术和智能电网的发展,电力系统负荷预测与优化调度的研究将面临更多的挑战和机遇。

设计师们可以进一步考虑多能源协调调度、可再生能源接入、电力市场运作等问题,推动电力系统向高效、智能、可持续的方向发展。

毕业设计-电力负荷预测(毕业设计)

毕业设计-电力负荷预测(毕业设计)

引言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。

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。

随着电力市场的建立和发展,对短期负荷预测提出了更高的要求,短期负荷预测不再仅仅是EMS的关键部分,同时也是制定电力市场交易计划的基础。

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。

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。

经典的数学统计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。

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。

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,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。

1、电力负荷预测综述1.1、电力负荷预测的含义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,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。

电工杯A题国家二等奖电力系统短期负荷预测

电工杯A题国家二等奖电力系统短期负荷预测

报名序号:1254论文标题:电力体系短期负荷猜测指点教师:参赛黉舍:证书邮寄地址.邮编.收件人:报名序号:电力体系短期负荷猜测摘要进步负荷猜测进度是包管电力体系优化决议计划科学性的重要手腕.根据已有电力负荷数据及气候身分数据,文章重要树立了4个模子来解决关于短期负荷猜测方面的问题.针对问题一,树立日最高负荷量模子.日最低负荷量模子.日峰谷差模子.日平均负荷量模子以及日负荷率模子.应用Excel软件可将两地区014年各个负荷量的统计值求出(详见附件1),个中地区二2014年1月1日的日最高负荷量.日最低负荷量.日峰谷差.日平均负荷量以及日负荷率分离为...和.经由过程不雅察两地2014年负荷数据变更曲线图,斟酌数据的摇动性等身分可得出地区二更精确的猜测成果的结论.针对问题二,构建多元线性回归模子,应用SPSS 软件对日最高负荷.日最低负荷.日平均负荷与各气候身分进行回归剖析.经由过程不雅察尺度化残差图(详见图4),认为没有趋向性,回归模子有用.用同样的办法可得出两地区各个因变量的回归方程(详见表5).对多元线性方程做回归误差剖析,认为将不重要的气候身分剔除可减小误差.应用慢慢回归法可进行更合理的回归剖析,得出优先推举平均温度来进步负荷猜测精度.针对问题三,构建ARIMA 猜测模子,对数据进行预处理,取每年春季的负荷量作为参照数据,清除了季候成分的影响.经由过程自相干方面的剖析,肯定模子为ARIMA (1,1,1),应用SPSS 软件可得出所需的猜测成果.例如地区一在时光点T0000的负荷量猜测模子为10.9280.999t t t x x ε-=+-.模子拟合的可决系数都在以上,解释猜测成果精度比较高.针对问题四,构建基于BP 神经收集算法的多元非线性体系模子,肯定模子为12345(,,,,)y ANN x x x x x =,应用Matlab 编程可练习出响应的神经收集构造,得出猜测成果.经由过程参照数据.模子道理这两个方面,论证了计及气候身分影响的负荷猜测成果的精度得到了改良这一结论.针对问题五,提取两地区日负荷率作为待处理数据,分离对两地区日负荷率进行正态拟合.T 散布拟合.Logistic 拟合,做出拟合曲线并对各个拟合进行拟合曲线广义似然比磨练.得出地区二的数据比地区一的数据更有纪律的结论.症结词:短期负荷猜测;多元线性回归;ARIMA 猜测模子;BP 神经收集;拟合1.问题的重述短期负荷猜测是电力体系运行与剖析的基本,对机组组合.经济调剂.安然校核等具有重要意义.进步负荷猜测精度,是包管电力体系优化决议计划科学性的重要手腕.现代电力体系中,构成电力负荷的用电器种类繁多,空调等受气候前提影响的负荷占比中断增高,气候身分(温度.湿度.降雨量等)对电力体系负荷的影响愈显凸起.斟酌气候身分成为调剂中间进一步改良负荷猜测精度的重要手腕之一.已知地区1.地区2从2009年1月1日至2015年1月10日的电力负荷数据(每15 min一个采样点,每日96点,量纲为MW)以及2012年1月1日至2015年1月17日的气候身分数据(日最高温度.日最低温度.日平均温度.日相对湿度以及日降雨量).具体请求如下:1.请剖析两个地区2014年1月1日一2014年12月31日的负荷数据,统计各地区全年的日最高负荷.日最低负荷.日峰谷差.日负荷率指标的散布情形,并绘制两地区2014年全年的负荷中断曲线;结合上述成果,剖析两地区负荷变更的重要差别;初步预判哪个地区的负荷可以获得更精确的猜测成果,解释你的来由.2.根据2012年1月1日至2014年12月31日的数据,分离对日最高负荷.日最低负荷.日平均负荷与各气候身分的关系进行回归剖析,剖析回归误差;假如要用气候身分来进步负荷猜测精度,在诸气候身分中,你优先推举哪个(或哪几个)?扼要解释来由.3.请根据已知负荷数据,构建猜测办法,对两个地区2015年1月11日至17日共7天的电力负荷进行猜测(距离15min),给出负荷猜测结;在不知道现实负荷数据的前提下,你对猜测成果的精确度有何揣摸,请解释来由.4.假如已获得2015年1月11日至17日的气候身分数据,你可否构建计及气候身分的负荷猜测办法,对两个地区2015年1月11日至17日共7天的电力负荷再次进行猜测(距离15min),给出猜测成果;与原有的猜测成果比拟,你认为计及气候身分影响的负荷猜测成果精度得到改良了吗?有何证据?请解释来由.5.分解上述盘算成果,你若何评价两地区负荷纪律性的好坏?你还有什么证据可以佐证两地区负荷整体纪律性好坏的断定?2.问题的剖析2.1 对于问题一的剖析问题一请求剖析两个地区二014年的负荷量数据的一些统计量,全年的日最高负荷.日最低负荷.日峰谷差.日负荷率指标的散布情形.可以直接树立最大量最小量模子以及一些简略算数模子来解决,应用Excel软件可以很快求出答案.标题还请求绘制出两地区二014年全年的负荷数据变更曲线,可以应用Matlab的画图对象来绘制出想要的成果.最后对所得统计量以及两地区二014年全年的负荷数据变更曲线进行剖析,可以初步预判哪个地区的负荷可以获得更精确的猜测成果.2.2 对于问题二的剖析问题二请求对日最高负荷.日最低负荷与各气候身分的关系进行回归剖析,剖析回归误差,还请求用推举哪个(或哪几个)气候身分,来进步负荷猜测精度.可应用统计学常识分离对日最高负荷.日最低负荷与各气候身分的关系进行回归剖析,并经由过程回归剖析所得的一些统计学数据来进行回归误差剖析以及选出推举的气候身分.2.3 对于问题三的剖析该问题请求根据一致负荷数据,构建猜测办法,对两个地区二015年1月11日至17日共7天的电力负荷进行猜测.此问题没有说起气候身分对负荷的影响,解释请求我们经由过程负荷数据本身进行猜测,这是个时光序列猜测问题,可树立ARIMA模子就可猜测出指定7日的负荷量.2.4 对于问题四的剖析该问题请求构建计及气候身分的负荷猜测办法,并给出猜测成果.气候身分对负荷影响是很大的,我们可以测验测验构建人工建神经收集的模子,经由过程练习收集可以比较精确地找到各气候身分与负荷之间的关系,进而猜测出指定7日的负荷量.该问题还请求将经由过程气候身分猜测出的成果与问题3的猜测成果进行比较,可以从多个方面比较猜测成果的精度.2.5 对于问题五的剖析该问题请求对两地区负荷纪律性的好坏进行评价,既然是斟酌纪律性,我们可以将两地区的负荷数据进行正态拟合.Logistic拟合以及T散布拟合,比较两个地区负荷的拟合后果,就可以得出哪个地区的纪律性更好.3.模子的假设与符号解释3.1 模子的假设(1)假设2009年1月1日至2015年1月10日的电力负荷数据均为真实有用数据;(2)神经收集练习时代,“坏数据”带来的练习误差;不会使收集不克不及收敛到幻想误差.3.2 符号解释M隐层节点数F权值输入端衔接的神经节点数X第i个地区第j天第k个时刻所测量的负荷数据ijka第i个地区第j天的日最高负荷量ijb第i个地区第j天的日最低负荷量ijc第i个地区第j天的日峰谷差ijd第i个地区第j天的日平均负荷,ije第i个地区第j天的日负荷率ijY日最高负荷.日最低负荷.日平均负荷中的一种变量ANN非线性函数X最高温度1X最低温度2X平均温度3X相对湿度4X降雨量54.模子的预备4.1 回归剖析法基起源基本理回归剖析法是根据汗青数据的变更纪律和影响负荷变更的身分,查找自变量与因变量之间的相干关系及回归方程式,肯定模子参数,据此揣摸未来时刻的负荷值.回归剖析法的长处是盘算道理和构造情势简略,猜测速度快,外推机能好,对于汗青上没有消失的情形有较好的猜测.4.2 针对问题三对原始数据进行预处理在解决问题三的进程中,应用ARIMA猜测模子,起首应用SPSS软件将地区一的原始负荷数据导入,对时光点T0000构建如下的序列图.图1 数据处理前地区一T0000时光点序列图图中有明显的季候成分,是以须要做季候分化.标题请求猜测两个地区二015年1月11日至17日共7天的电力负荷,都属于春季.是以只需提取每年的前三个月的负荷数据作为输入的数据.分化后,序列图如下.图2数据处理后地区一T0000时光点序列图从上图可知,清除了季候成分.所做的猜测将会更精准,同时盘算的庞杂程度将会下降.4.3 BP神经收集基起源基本理概述4.3.1 BP神经收集基起源基本理BP收集模子处理信息的基起源基本理是:进修进程由旌旗灯号的正向传播和误差的反向传播两个进程构成.正向传播时,输入旌旗灯号经由过程中央层感化于输出层,经由非线形变换,产生输出旌旗灯号;若输出层的现实输出与期望输出不符,则转向误差的反向传播阶段.误差的反向传播是将输出误差以某种情势经由过程中央层向输入层逐层反转,并将误差分摊给各层的所有单元,从而获得各层的误差旌旗灯号作为修改各单元权值的根据.此进程周而复始,直到输出的误差降到可以接收的程度.此时经由练习的神经收集即能对相似样本的输入信息自行处理,进而输出误差最小的经由非线形转换的信息,然后可经由过程磨练神经收集的有用性.应用BP神经收集处理现实问题时分为两个步调即收集练习和收集应用.第一步收集练习采取有监视的进修,有监视的进修是指每一个练习样本都对应一个代表情形信息的教师旌旗灯号作为期望输出,练习时盘算现实输出与期望输出之间的误差,根据误差的大小和偏向重复调剂收集衔接权值,直到误差达到预订的精度为止.4.3.2 BP神经收集的构造BP神经收集是一种多层前馈收集,其神经元衔接权值的调剂规矩采取误差反传算法即BP算法.BP神经收集又是一个多层感知器,多层次感知器强调神经收集在构造上由输入层.隐含层.输出层等多层构成,BP收集则强调层间衔接权值经由过程误差反传算法进行调剂.BP 神经收集的特色是:收集由多层次构成,包含输入层.隐含层(单层或多层)和输出层;层与层之间全衔接,同层神经元之间无衔接;传递函数必须可微,经常应用的有Sifmoid 型的对数.正切函数或线性函数;采取误差反传算法进行进修,逐层向前修改收集衔接权值.BP 神经收集构造在设计时重要包含以下方面: (1)收集层数BP 神经收集至少包含一个输入层和一个输出层,可以包含一个或多个隐含层,所以收集层数的决议问题等于隐含层层数的决议问题.理论上己经证实,单个隐层可以经由过程恰当增长神经元节点数达到随意率性的非线性映射,是以大多半情形单隐层构造的神经收集足以知足需求.在样本较多的情形下,增长一个隐层可以有用减小收集范围.(2)输入层节点数输入层节点数取决于输入向量维数,具体可根据现实问题和数据类型肯定.假如输入数据为模子旌旗灯号波形,则可根据波形的采样点数量决议输入向量维数;假如输入数据为时光序列数据,则输入节点为时光点数;假如输入为图像,则输入单元可认为图像像素或经处理的图像特点.(3)隐含层节点数隐含层节点数在很大程度上影响着BP 神经收集的机能.对此一个异常重要的定理表述为对任何一个在闭区间内的中断函数都可以用三层即单隐层BP 神经收集逼近,因而单隐层BP 收集可以完成随意率性的n 维到m 维的映射.一般而言,隐含层较多节点可使收集达到更好的机能,但可能导致较长的收敛时光.实践中,平日采取以下经验公式选 择最佳节点数:第一种:0ni mi Ck=>∑,个中k 为样本数,M 为隐层节点数.假如i M>,划定i m C =0.第二种:M a =,个中n 为输入节点数,m 为输出节点数.a 是[]0,10之间的常数.第三种:2log M n =,n 为输入节点数.(4)输出层节点数输出层节点数须要根据现实问题的抽象模子进行肯定.例如在应用神经收集解决模式分类问题中,假如共有n 个类别,则输出节点数为n 或[]2log n ,[]x 表述不小于x 的最小整数.(5)传递函数根据研讨经验,一般情形下输入层和隐层的传递函数选用S 型函数或正切S 型函数输出层选用线性函数作为传递函数,用purelin 暗示.(6)练习办法BP 神经收集采取迭代调剂的方法进行权值肯定,是以在练习之前须要肯定初始值作为迭代调剂的起点.初始值的大小会影响收集的机能,平日情形将初始值定为较小的非零随机值,经验值为()2.4 2.4,F F -或⎛ ⎝之间,个中F 为权值输入端衔接的神经节点数.5.模子的树立与求解5.1 问题一的模子树立与求解对于第一问,设ijk X 为第i 个地区第j 天第k 个时刻所测量的负荷数据,可树立日最高负荷量的数学模子: 该模子中a ij 暗示第i 个地区第j 天的日最高负荷量.同样可树立最日低负荷量的数学模子: 该模子中ij b 暗示第i 个地区第j 天的日最低负荷量.对于日峰谷差,可树立如下模子:该模子中ij c 暗示第i 个地区第j 天的日峰谷差.日负荷率为日平均负荷与日最大负荷的比值,可树立如下模子:个中ij d 为第i 个地区第j 天的日平均负荷,ij e 暗示第i 个地区第j 天的日负荷率.根据上述模子可应用Excel 软件求出部分下列成果如下(详见附件1):表12014年地区二负荷量的统计量成果日期 最高负荷最低负荷日峰谷差日平均负荷日负荷率2014010120140102 20140103 20140104 …… …… …… …… …… …… 20141228 20141229 20141230 录1),可得出如下负荷中断曲线图:图3两地2014年负荷中断曲线图经由过程结合上述成果,剖析两地区负荷变更的重要差别,初步预判地区二的负荷可获得更精确的猜测成果.原因是经由过程对附件1的统计量成果的剖析,地区二的日峰谷差更小,经由过程图1也可以明显看出负荷中断摇动更小,是以地区二可获得更精确的猜测成果.5.2 问题二的模子树立与求解 5.2.1 多元线性回归模子的树立变量Y 和变量12345,,,,X X X X X 的关系:个平分12345,,X ,X ,X X X 离代表最高温度.最低温度.平均温度.相对湿度以及降雨量,Y 代表日最高负荷.日最低负荷.日平均负荷中的一种变量.ε为均值为0的随机变量.f 的函数为线性的,即全部线性模子为:01122334455Y X X X X X ββββββε=++++++.为了得到回归参数的估量值,就要对变量进行不雅测,对变量的1096n =次自力不雅测数据为:12{(,,,,),1,,}i i i im y x x x i n =,则这些不雅测数据应知足式,即有 个中),,1,(,),(,0)(2n j i Cov E ij j i i ===σδεεε, 若记Tn T m T n b b b y y y Y ),,,(,),,,(,),,,(211021εεεεβ ===, 则多元线性回归的数学模子式(4-6)可以写成矩阵情势 个中n I Var E 2)(,0)(σεε==.为了获得参β的估量,我们采取最小二乘法,即选择β,使)()()(12ββεεεβX Y X Y Q T T ni i --===∑=(4-8)达到最小.将()βQ 对β求导数并令其为零,得即Y X X X T T =β.记X X L T =,则上述方程称为正规方程,个中X 为)1(+⨯m n 阶矩阵,一般假定1)(+=m X rank ,由线性代数理论可知,X X L T =为满秩矩阵,它的秩1)(+=m L rank ,则正规方程有独一解,记作 我们来证实上式中∧β为参数向量β的最小二乘法估量量,现用矩阵情势来论述其证实步调.对随意率性的β有)()(ββX Y X Y Q T--=则有上述证实进程中应用了如下成果: 至此,在0≠L 时,证清楚明了正规方程中的∧β是β的最小二乘法估量量. 在现实工作中,常称m m x b x b b y ∧∧∧∧+++= 110为经验线性回归方程. 5.2.2 多元线性回归模子的求解起首本文应用问题一中所给模子,求出2012年1月1日至2014年12月31日的日最高负荷.日最低负荷.日平均负荷,部分成果如下表(详见附件2):表22012年到2014年地区一统计量成果日期 最高负荷最低负荷日平均负荷20120101 20120102 20120103 20120104 20120105 20120106 20120107 20120108 20120109 20120110 …… …… …… …… 20141224 20141225 20141226 20141227 20141228 20141229 20141230最低负荷.日平均负荷与各气候身分的关系进行回归剖析.将数据导入软件后,设置回归剖析办法为进入法,分离将日最高负荷.日最低负荷.日平均负荷作为因变量,进行回归剖析.例如,对地区一日最高负荷与各气候身分的关系进行回归剖析,可得以下剖析成果:表3地区一最高负荷与各气候身分回归剖析的模子汇总般.表4地区一最高负荷与各气候身分回归剖析的系数须要不雅察以下尺度化残差图:图4地区一最高负荷与各气候身分回归剖析尺度化残差图 从图中可以看出,残差图中的散布是随机的,可以看作没有消失趋向性,所以回归模子是有用的.最终的回归模子为:123455604.14033.5130.059105.83412.906 5.856y X X X X X =-++-+.用同样的剖析进程可得两个地区各个因变量的回归剖析,成果如下表:表5各个回归方程汇总表有影响.5.2.3 多元线性回归误差的剖析本文将地区二的日平均负荷作为实例进行误差剖析.我们知道两个身分之间的相干性可作为两个身分的互相影响程度的权衡尺度,是以可以经由过程下表来得出一些结论:表6地区二的日平均负荷与各身分的相干系数表与日平均负荷的相干性为.这两个相干系数都比较低,解释相对湿度和降雨量对日平均负荷的影响很少.假如将相对湿度与降雨量强行作为自变量的话,就会加大误差.是以假如将相对湿度度与降雨量这两个身分从自变量中清除,可减小回归误差.可以对回归剖析模子的汇总进行比较.表7地区二日平均负荷与各气候身分回归剖析的模子汇总表8地区二日平均负荷与部分象身分回归剖析的模子汇总固然最高的R即可决系数在去掉落两个自变量后减小了一点为,但因为原始数据的减小,我们任然可以认为降雨量与相对湿度是造成误差加大的一个比较重要的原因.5.2.4 为进步负荷猜测精度对气候身分的选择在SPSS软件中,有多种回归办法可供选择,现将回归办法改为慢慢回归法.以地区二日最高负荷与各气候身分的回归剖析为例,成果如下:表9地区二日最高负荷与部分象身分回归剖析的模子汇总合程度最高,DW 值为,经由过程磨练,解释残差项不消失一阶自相干.表9地区二日最高负荷与部分象身分回归剖析的方差剖析表明显.表10地区二的日最高负荷与各身分的相干系数表为34670.460209.531y X =+.同理,可得出其他经由筛选后的回归方程,成果如下表:表11对气候身分筛选后各个回归方程汇总表5.3 问题三的模子树立与求解 5.3.1 ARIMA 猜测模子的树立一个时光序列平日消失长期趋向变动.季候变动.周期变动和不规矩变动身分.时光序列的目标就是一一分化和测准时光序列中各项身分的变动程度和变动纪律,然后将其从新分解起来,猜测统计指标往后分解的变更的成长情形.采取ARIMA 模子对现有的数据进行建模,重要问题是肯定模子的阶数,即响应的,q p 值,对于ARIMA 模子的辨认主如果经由过程序列的自相干函数和偏自相干函数进行的.序列t y 的自相干函数器量了t y 与t k y -之间的线性相干程度,用k β暗示,界说如下:式中:()()0cov ,;cov ,k t t k t t r y y r y y -==暗示序列的方差.自相干函数描绘的是t y 与t k y -分离与它们的中央部分121,,t t t k y y y ---+之间消失关系,假如在给定121,,t t t k y y y ---+之间的前提下,对t y 与t k y -之间的前提相干关系进行描绘,则要经由过程偏自相干函数kk ϕ进行,偏自相干函数可由下面的递推公式得到:AIC 准则既斟酌拟合模子对数据底接近程度,也斟酌模子中所含待定参数的个数.关于ARIM(,)p q ,对其界说AIC 函数如下:个中2σ是拟合ARIM(,)p q 模子时残差的方差,它是(),p q 的函数.假如模子中含有常数项,则p q +被1p q ++代替.AIC 定阶的办法就是选择ARIM(,)p q 最小的(),p q 作为响应的模子阶数.模子阶数肯定后,就可以估量模子.重要办法有三种估量办法:据估量,极大似然估量和最小二乘估量.最小二乘估量和极大似然估量的精度比较高,因而一般称为模子参数的精估量. 5.3.2 ARIMA 猜测模子的求解在数据处理的基本上,同样以地区一在时光点T0000的数据为例,做自相干剖析,成果如下:图5地区一T0000的ACF图图6地区一T0000的PACF图从图中可以看出,序列的自相干图(ACF)和偏自相干图(PACF)都是拖尾的,解释序列长短安稳的.数据序列平日不是安稳序列,但一般一阶差分都是安稳的,是以可以经由过程差分做进一步剖析.将差分设为1,绘制差分序列的序列图如下:图7地区一T0000的差分序列图由图可以知道,差分序列根本平均散布在0刻度线高低两侧,是以可以认为差分序列是安稳的.图8调剂后地区一T0000的ACF图图9调剂后地区一T0000的PACF图由图可知,差分序列的ACF和PACF都是拖尾的,是以,可对序列树立ARIMA(p,1,q)模子.经由重复实验,肯定模子为ARIMA (1,1,1),模子运行如下:依次点击“剖析”,“猜测”,“创建模子”,弹出时光序列建模器.可求出最后所需的成果,下表给出了地区一猜测模子的部分统计量(详见附件3.附件4):表12地区一猜测模子统计量从上表可看出R都在以上,可证实拟合的成果比较科学.成果中给出了各个,p q的值,如下表所示:表13地区一ARIMA猜测模子参数用同样的办法可猜测出地区二的指定七天的负荷量,部分成果如下(详见附件Q3-Area1-Load.附件Q3-Area2-Load):表13地区二ARIMA猜测成果YMD T0000 T0015 T0030 T0045 ……T2300 T2315 T2330 T2345 20150111 ……20150112 ……20150113 ……20150114 (6834)20150115 ……20150116 …………5.4 问题4的模子树立与求解5.4.1 多元非线性模子当有q 个应变量1(,,)'q y y y =时,而0110(,,,)', 1p x x x x x -=≡,的是:个中()0, (()), >0n U Var vec U I ε==⊗∑∑式中Y :n×q 是应变量的n 组随机自力抽样的不雅察值矩阵,X :n×p 是对应于Y 的自变量的已知的不雅察值矩阵,B :p×q 是未知的回归系数矩阵,U :n×q 是未知的随机误差矩阵,一般称为残差阵.与一元的线性模子一样,多元方差剖析及多元协方差剖析. 一般,在线性模子中多假设有下散布: 与上假设等价的是5.4.2 基于BP 神经收集算法的多元非线性体系模子的树立 在科学研讨和临盆实践中,对具有表示体系特点或运行状况的离散数据进行建模,用于体系猜测.评价等,是科学决议计划和决议计划体系树立的重要基本.因为大多半研讨对象广泛具有多变量且依从高度非线性关系等特点,是以多元非线性体系建模极其重要.人工神经收集是由大量简略的处理单元(神经元)广泛地互相衔接形成的庞杂非线性体系.它不须要任何先验公式,可直接从练习样本(离散数据)中主动归纳规矩,提取离散数据之问庞杂的依从关系(可所以高度非线性关系),储存于收集权重之中,从而树立研讨问题的神经收集模子.个中由Rumelhart 提出的多层前馈神经收集,因为采取误差反传的进修算法,被称为BP 收集,其应用异常广泛.在理论上已经证实具有三层构造(一个隐含层)的BP 收集可以或许逼近仟何有理函数.标题中给出了5个自变量.1个因变量.有三层BP 神经收集模子逼近消失于样本数据间的函数关系,其模子为12345(x ,x ,x ,x ,x )y ANN =,这是一个非线性函数.此模子为隐含表达式,即不克不及用平日数学公式暗示,故称为“常识库”.5.4.3 基于BP 神经收集算法的多元非线性体系模子的求解 根据这个多元非线性体系模子,应用Matlab 编程可练习出响应的神经收集构造.起首照样斟酌负荷的季候性很明显,为清除季。

电力负荷预测

电力负荷预测

中国农业大学毕业设计(论文)电力负荷的预测学院(系):专业班级:学生姓名:指导教师:学位论文原创性声明本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。

除了文中特别加以标注引用的内容外,本论文不包括任何其他个人或集体已经发表或撰写的成果作品。

本人完全意识到本声明的法律后果由本人承担。

作者签名:年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定,同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。

本人授权省级优秀学士论文评选机构将本学位论文的全部或部分内容编入有关数据进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

本学位论文属于1、保密囗,在年解密后适用本授权书2、不保密囗。

(请在以上相应方框内打“√”)作者签名:年月日导师签名:年月日摘要电力负荷预测是电力系统调度、用电、规划等管理部门的重要工作。

短期电力负荷预测圭要用来预报未来几小时,一天至几天的电力负荷,它是能量管理系统的重要组成部分,在现代电力系统的安全和经济运行中起着重要作用。

随着电力企业逐渐走向市场,对短期负荷预测提出了更高的精度要求。

由于电力负荷受政治、气候、以及电力负荷自身状况等多种因素的影响,因此负荷预测是一项十分复杂的工作。

本文首先分析了电力系统负荷的构成,阐述了国内外短期电力负荷预测的基本方法,并在此基础上对近一年来的负荷数据进行统计分析,重点介绍了数据预处理的方法、相似目的选取和灰色模型在短期电力负荷预测中的应用。

关键词:短期负荷预测精度系统设计AbstractElectrical load forecasting has important function in programming anddispatching department of power system.Short—term load forecasting,which major function is to forecast future power load several hours or several days 1ater,is themain part of the energy management system(EMS).Meanwhile,It is important to the security and economical operation in modem power systems.Gone with the powerPlant walking towards to the power market,load forecasting precision standard has become more and more strict.Because power load is influenced by multiple factors,such as politics,climate,self-status of the power load and so on,short-term load forecasting is a complexemployment.Firstly,this paper analyses constitutes of the electrical load,and then introduces the basic method for short—term load forecasting at home and abroad.Onthe basis of these theories,this analyses load data in nearly one year,and then make emphases On the method of processing the history load data ,the selection of the similar day and the applying of the gray model in short-term load forecasting.At last,this paper shows the designing procedure of the power short-term load forecasting system and then proved the validity of the gray model method.Key words:short-term load forecasting precision system design目录第一章绪论1.1 研究的背景和意义1.1.1 课题背景随着工农业的发展、人民生活水平的日益提高,社会对电力的需求量越来越大。

4076.电力系统短期负荷预测毕业设计.doc

4076.电力系统短期负荷预测毕业设计.doc

本科生毕业设计(论文)开题报告LOAD FORECASTINGEugene A. FeinbergState University of New York, Stony BrookEugene.Feinberg@Dora GenethliouState University of New York, Stony Brookdgenethl@Abstract Load forecasting is vitally important for the electric industry in the deregulated economy. It has many applications including energy purchasing and generation, load switching, contract evaluation, and infrastructure development. A large variety of mathematical methods have been developed for load forecasting. In this chapter we discuss various approaches to load forecasting.Keywords: Load, forecasting, statistics, regression, artificial intelligence.1. IntroductionAccurate models for electric power load forecasting are essential to the operation and planning of a utility company. Load forecasting helps an electric utility to make important decisions including decisions on purchasing and generating electric power, load switching, and infrastructuredevelopment. Load forecasts are extremely important for energy suppliers,ISOs, financial institutions, and other participants in electric energy generation, transmission, distribution, and markets.Load forecasts can be divided into three categories: short-term forecasts which are usually from one hour to one week, medium forecasts which are usually from a week to a year, and long-term forecasts which are longer than a year. The forecasts for different time horizons are important for different operations within a utility company. The natures of these forecasts are different as well. For example, for a particular region, it is possible to predict the next day load with an accuracy ofapproximately 1-3%. However, it is impossible to predict the next year peak load with the similar accuracy since accurate long-term weather forecasts are not available. For the next year peak forecast, it is possible to provide the probability distribution of the load based on historical weather observations. It is also possible, according to the industry practice,to predict the so-called weather normalized load, which would take place for average annual peak weather conditions or worse than average peak weather conditions for a given area.Weather normalized load is the load calculated for the so-called normal weather conditions which arethe average of the weather characteristics for the peak historical loads over a certain period of time. The duration of this period varies from one utility to another. Most companies take the last 25-30 years of data.Load forecasting has always been important for planning and operationaldecision conducted by utility companies. However, with the deregulation of the energy industries, load forecasting is even more important.With supply and demand fluctuating and the changes of weather conditions and energy prices increasing by a factor of ten or more during peaksituations, load forecasting is vitally important for utilities. Short-term load forecasting can help to estimate load flows and to make decisions that can prevent overloading. Timely implementations of such decisions lead to the improvement of network reliability and to thereduced occurrences of equipment failures and blackouts. Load forecasting is also important for contract evaluations and evaluations of various sophisticated financial products on energy pricing offered by the market.In the deregulated economy, decisions on capital expenditures based on long-term forecasting are also more important than in a non-deregulated economy when rate increases could be justified by capital expenditure projects.Most forecasting methods use statistical techniques or artificial intelligence algorithms such as regression, neural networks, fuzzy logic, and expert systems. Two of the methods,so-called end-use and econometric approach are broadly used for medium- and long-term forecasting. Avariety of methods, which include the so-called similar day approach,various regression models, time series, neural networks, statistical learning algorithms, fuzzy logic, and expert systems, have been developed for short-term forecasting.As we see, a large variety of mathematical methods and ideas have been used for load forecasting. The development and improvements of appropriate mathematical tools will lead to the development of more accurate load forecasting techniques. The accuracy of load forecastingdepends not only on the load forecasting techniques, but also on the accuracy of forecasted weather scenarios. Weather forecasting is an important topic which is outside of the scope of this chapter.We simply mention significant progress in the development of computerized weather forecasting systems, including the Mesoscale Model MM5 developed and supported by a consortium of universities.2. Important Factors for ForecastsFor short-term load forecasting several factors should be considered,such as time factors, weather data, and possible customers’classes. The medium- and long-term forecasts take into account the historical load and weather data, the number of customers in different categories, the appliances in the area and their characteristics including age, the economic and demographic data and their forecasts, the appliance sales data, and other factors.The time factors include the time of the year, the day of the week,and the hour of the day. There are important differences in load between weekdays and weekends. The load on different weekdays also can behave differently. For example, Mondays and Fridays being adjacent to weekends, may have structurally different loads than Tuesday through Thursday. This is particularly true during the summer time. Holidaysare more difficult to forecast than non-holidays because of their relative infrequent occurrence. Weather conditions influence the load. In fact, forecasted weather parameters are the most important factors in short-term load forecasts.Various weather variables could be considered for load forecasting. Temperature and humidity are the most commonly used load predictors. Anelectric load prediction survey published in indicated that of the 22research reports considered, 13 made use of temperature only, 3 made use of temperature and humidity, 3 utilized additional weather parameters,and 3 used only load parameters.Among the weather variables listed above, two composite weather variable functions, the THI (temperature-humidity index) andWCI (wind chill index), are broadly used by utility companies. THI is a measure of summerheat discomfort and similarly WCI is cold stress in winter.Most electric utilities serve customers of different types such as residential,commercial, and industrial. The electric usage pattern is different for customers that belong to different classes but is somewhat alike for customers within each class. Therefore, most utilities distinguish load behavior on a class-by-class basis.3. Forecasting MethodsOver the last few decades a number of forecasting methods have been developed. Two of the methods, so-called end-use and econometric approach are broadly used for medium- and long-term forecasting. A variety of methods, which include the so-called similar day approach, various regression models, time series, neural networks, expert systems,fuzzy logic, and statistical learning algorithms, are used for short-term forecasting. The development, improvements, and investigation of the appropriate mathematical tools will lead to the development of moreaccurate load forecasting techniques.Statistical approaches usually require a mathematical model that representsload as function of different factors such as time, weather, andcustomer class. The two important categories of such mathematical models are: additive models and multiplicative models. They differ in whether the forecast load is the sum (additive) of a number of components or the product (multiplicative) of a number of factors.For example, Chen et al.presented an additive model that takes the form of predicting load as the function of four components:L = Ln + Lw + Ls + Lr,where L is the total load, Ln represents the “normal”part of the load,which is a set of standardized load shapes for each “type”of day that has been identified as occurring throughout the year, Lw represents the weather sensitive part of the load, Ls is a special event component that create a substantial deviation from the usual load pattern, and Lr is a completely random term, the noise.Chen et al. also suggested electricity pricing as an additional term that can be included in the model. Naturally, price decreases/increases affect electricity consumption. Large cost sensitive industrial and institutional loads can have a significant effect on loads. The study in [4] used Pennsylvania-New Jersey-Maryland (PJM) spot price data (as it related to Ontario Hydro load) as a neural network input. The authors report that accurate estimates were achieved more quickly with the inclusion of price data.A multiplicative model may be of the formL = Ln ·Fw ·Fs ·Fr,where Ln is the normal (base) load and the correction factors Fw, Fs, and Fr are positive numbers that can increase or decrease the overall load.These corrections are based on current weather (Fw), special events (Fs),and random fluctuation (Fr). Factors such as electricity pricing (Fp) and load growth (Fg) can also be included. Rahman presented a rule based forecast using a multiplicative model. Weather variables and the base load associated with the weather measures were included in the model.3.1 Medium- and long-term load forecasting methodsThe end-use modeling, econometric modeling, and their combinations are the most often used methods for medium- and long-term load forecasting.Descriptions of appliances used by customers, the sizes of the houses, the age of equipment, technology changes, customerbehavior,and population dynamics are usually included in the statistical and simulation models based on the so-called end-use approach. In addition,economic factors such as per capita incomes, employment levels, andelectricity prices are included in econometric models. These models areoften used in combination with the end-use approach. Long-term forecasts include the forecasts on the population changes, economic development,industrial construction, and technology development.End-use models. The end-use approach directly estimates energy consumption by using extensive information on end use and end users, such as appliances, the customer use, their age, sizes of houses, and so on.Statistical information about customers along with dynamics of changeis the basis for the forecast.End-use models focus on the various uses of electricity in the residential,commercial, and industrial sector. These models are based on the principle that electricity demand is derived from customer’s demand for light, cooling, heating, refrigeration, etc. Thus end-use models explain energy demand as a function of the number of appliances in the market.Ideally this approach is very accurate. However, it is sensitive to the amount and quality of end-use data. For example, in this method the distribution of equipment age is important for particular types of appliances. End-use forecast requires less historical data but more information about customers and their equipment.Econometric models. The econometric approach combines economictheory and statistical techniques for forecasting electricity demand. The approach estimates the relationships between energy consumption (dependent variables) and factors influencing consumption. The relationshipsare estimated by the least-squares method or time series methods.One of the options in this framework is to aggregate the econometric approach, when consumption in differentsectors(residential, commercial, industrial, etc.) is calculated as a function of weather, economicand other variables, and then estimates are assembled using recent historical data. Integration of the econometric approach into the end-use approach introduces behavioral components into the end-use equations.Statistical model-based learning. The end-use and econometric methods require a large amount of information relevant to appliances,customers, economics, etc. Their application is complicated and requires human participation. In addition such information is often not available regarding particular customers and a utility keeps and supports a pro-file of an “average”customer or average customers for different type of customers. The problem arises if the utility wants to conduct next-year forecasts for sub-areas, which are often called load pockets. In this case,the amount of the work that should be performed increases proportionally with the number of load pockets. In addition, end-use profiles and econometric data for different load pockets are typically different. The characteristics for particular areas may be different from the average characteristics for the utility and may not be available.In order to simplify the medium-term forecasts, make them more accurate,and avoid the use of the unavailable information, Feinberg et al. developed a statistical model that learns the load model parameters from the historical data. Feinberg et al. studied load data sets provided by a utility company in Northeastern US. The focus of the study was the summer data. We compared several loadmodels and came to the conclusion that the following multiplicative model is the most accurate L(t) = F(d(t), h(t)) ·f(w(t)) + R(t),where L(t) is the actual load at time, d(t) is the day of the week, h(t) is the hour of the day, F(d, h) is the daily and hourly component, w(t) is the weather data that include the temperature and humidity, f(w) is the weather factor, and R(t) is a random error.In fact, w(t) is a vector that consists of the current and lagged weather variables. This reflects the fact that electric load depends not only on the current weather conditions but also on the weather during the previous hours and days. In particular, the well-known effect of the so-called heat waves is that the use of air conditioners increases when the hot weather continues for several days.To estimate the weather factor f(w), we used the regression modelf(w) = β0 +_βjXj ,where Xj are explanatory variables which are nonlinear functions of current and past weather parameters and β0, βj are the regression coef-ficients.The parameters of the model can be calculated iteratively. We start with F = 1. Then we use the above regression model to estimate f.Then we estimate F, and so on.The described algorithm demonstrated rapid convergence on historical hourly load and weather data. We have applied it to many areas with population between 50,000 and 250,000 customers. Figure 12.1 presents an example of a scatter plot that compares the model and real parameters. Figure 12.2 demonstrates the convergence of the correlationbetween the actual load and the model for the iteration process. Figure 12.3 demonstrates the convergence of the linear regression procedures in the algorithm.Figure 12.1. Scatter plot of the actual load vs the model.The software , that uses the described method, learns the model parameters and makesnext-year predictions based on the model loads for the last 25-30 years of data. Though historical loads may not available,the software applies the last year models to the historical weather datato estimate the next year’s peak distribution.Figure 12.2. Correlation between the actual load and the model.Figure 12.3. Convergence of the R2 for the actual load vs the model.The software generates several important characteristics. For example,for each load pocket and for the system, it calculates a weather normalization factor that is a ratio of the peak load to the load that would be observed under average peak conditions. It also produces probability distributions for the next year peaks.The described methods can be applied to both medium- and longterm forecasting. However, the long-term forecasts should incorporate economic and population dynamic forecasts as input parameters.3.2 Short-term load forecasting methodsA large variety of statistical and artificial intelligence techniques have been developed for short-term load forecasting.Similar-day approach. This approach is based on searching historical data for days within one, two, or three years with similar characteristics to the forecast day. Similar characteristics include weather, day of the week, and the date. The load of a similar day is considered as a forecast.Instead of a single similar day load, the forecast can be a linear combination or regression procedure that can include several similar days.The trend coefficients can be used for similar days in the previous years.4. Future Research DirectionsIn this chapter we have discussed several statistical and artificial intelligence techniques that have been developed for short-, medium-, and long-term electric load forecasting. Several statistical models and algorithms that have been developed though, are operating ad hoc. The accuracy of the forecasts could be improved, if one would study these statistical models and develop mathematical theory that explains the convergence of these algorithms.Researchers should also investigate the boundaries of applicability of the developed models and algorithms. So far, there is no single model or algorithm that is superior for all utilities. The reason is that utility service areas vary in differing mixtures of industrial, commercial, and residential customers. They also vary in geographic, climatologic, economic,and social characteristics. Selecting the most suitable algorithm by a utility can be done by testing the algorithms on real data. In fact,some utility companies use several load forecasting methods in parallel.As far as we know, nothing is known on a priori conditions that could detect which forecasting method is more suitable for a given load area. An important question is to investigate the sensitivity of the load forecastingalgorithms and models to the number of customers, characteristics of the area, energy prices, and other factors.As mentioned above, weather is an important factor that influencesthe load. The usual approach to short-term load forecasting uses the forecasted weatherscenario as an input. However, one of the most important recent developments in weather forecasting is the so-called ensemble approach which consists of computing multiple forecasts. Then probability weights can be assigned to these ensembles.Instead of using the single weather forecast,weather ensemble predictions can be used as multiple inputs for load forecasts. These inputs generate multiple load forecasts. In recent papers, the authors describe ensemble load predictions based on weather ensembles and various statistical forecasting methods. There are two advantages of having load forecasts in the probabilistic form: (i) they can lead to a more accurate hourly forecast obtained by using multiple ensembles, for example, by averaging them; (ii) the probabilistic description of the future load can be used as an input to decision support systems to make important generation, purchasing, and switching decisions. In general, it is known from the appropriate mathematical models that the knowledge of the demand distribution leads to more cost efficient decisions than the knowledge of the expected demand. On a broader scale, we think that the important research and development directions are: (i) combining weather and load forecasting and (ii) incorporating load forecasting into various decision support systems.5. ConclusionsAccurate load forecasting is very important for electric utilities in a competitive environment created by the electric industry deregulation.In this paper we review some statistical and artificial intelligence techniques that are used for electric load forecasting. We also discussed factorsthat affect the accuracy of the forecasts such as weather data, time factors, customer classes, as well as economic and end use factors. Load forecasting methods use advanced mathematical modeling. Additional progress in load forecasting and its use in industrial applications can be achieved by providing short-term load forecasts in the form of probability distributions rather than the forecasted numbers; for example the so-called ensemble approach can be used. We believe that the progress in load forecasting will be achieved in two directions: (i) basic research instatistics and artificial intelligence and (ii) better understanding of the load dynamics and its statistical properties to implement appropriate models.负荷预测尤金甲feinberg纽约州立大学,石溪分校eugene.feinberg @ 多拉genethliou纽约州立大学,石溪分校dgenethl@摘要负荷预测在电力行业是非常重要的,特别是在开放的经济体系有许多应用,包括能源采购与发电,负荷开关,合同评价,基础设施的发展。

2019年毕业设计:基于BP神经网络的短期电力负荷预测(终稿).doc

2019年毕业设计:基于BP神经网络的短期电力负荷预测(终稿).doc
The paper primarily explicated some algorithms about prediction in EMS. Firstly,the background and development of prediction technology are introduced and then some introduction of basic theory and research work have been done about how to apply ANN to prediction technology, during which HP network andBPnetwork are introduced importantly and then some improvement about the application of ANN to prediction technology is given. With an example the paper explicitly discusses the application of BP network in load prediction and has a deep research in pattern division of inputting, the selection on the number of the hidden layer, the modifying of weight, the adjustment of the speed of the study and etc. In the paper, a new and sufficient method about the selection of the training sample is proposed and also the division of inputting in festivals is operated with a new method by using interpolation. Besides, in the paper, the longest predicable time is studied theoretically and practically operated. The compare of the two kinds of network and their respective privilege and limitations is the emphasis in the paper.

课程设计负荷预测毕业论文

课程设计负荷预测毕业论文

课程设计负荷预测毕业论文一、课程目标知识目标:1. 让学生掌握负荷预测的基本概念、原理和方法。

2. 使学生了解毕业论文中负荷预测部分的研究背景、现状及发展趋势。

3. 帮助学生掌握相关数据收集、处理和分析技巧,为毕业论文写作打下基础。

技能目标:1. 培养学生运用负荷预测方法解决实际问题的能力。

2. 提高学生运用文献资料、进行数据分析、撰写论文的能力。

3. 培养学生团队协作、沟通表达及批判性思维能力。

情感态度价值观目标:1. 激发学生对电力系统负荷预测领域的兴趣,培养其主动学习的热情。

2. 培养学生严谨的科学态度,使其在研究中遵循客观、公正、真实的原则。

3. 引导学生关注社会热点问题,提高其社会责任感和使命感。

本课程针对高年级本科生,结合学科特点和教学要求,注重理论与实践相结合,旨在培养学生具备扎实的专业知识、较强的实践能力和创新意识。

通过本课程的学习,使学生能够在毕业论文中独立完成负荷预测相关研究,为未来从事电力系统及相关领域工作打下坚实基础。

二、教学内容1. 负荷预测基本概念:介绍负荷预测的定义、分类及在电力系统中的应用。

相关教材章节:第一章 负荷预测概述2. 负荷预测方法:讲解时间序列分析法、回归分析法、人工神经网络法等常用负荷预测方法。

相关教材章节:第二章 负荷预测方法及其原理3. 数据收集与处理:指导学生如何收集、整理和分析负荷及相关数据。

相关教材章节:第三章 数据收集与处理4. 负荷预测模型构建:介绍负荷预测模型的构建过程,包括模型选择、参数设置等。

相关教材章节:第四章 负荷预测模型构建5. 毕业论文写作技巧:讲解如何撰写负荷预测部分的研究背景、现状、方法、结果与分析等。

相关教材章节:第五章 毕业论文写作技巧6. 实践环节:组织学生进行实际案例分析和小组讨论,提高学生的实际操作能力。

相关教材章节:第六章 负荷预测案例分析教学内容安排和进度:共安排12个课时,其中基本概念、方法、数据收集与处理各占2个课时,模型构建和毕业论文写作技巧各占3个课时,实践环节占2个课时。

毕业设计(论文)-电力负荷预测的回归分析

毕业设计(论文)-电力负荷预测的回归分析

目录第一章电力系统负荷预测概论 (1)第一节电力系统负荷预测概念 (1)第二节电力系统负荷预测的基本原理 (2)第三节电力系统负荷预测的分类及特点 (3)第四节负荷预测基本程序 (5)第五节负荷预测误差分析 (7)第二章负荷特性分析及负荷预测技术 (11)第一节电力系统负荷预测模型 (11)第二节负荷预测技术 (12)第三章电力系统回归模型预测技术 (18)第一节回归模型预测技术概述 (18)第二节一元线性回归模型及其参数估计 (18)第三节多元线性回归模型及其参数估计 (20)第四章具体预测算例 (22)第一节负荷组成分析与建模 (22)第二节预测流程及算法实现 (23)第三节结果分析 (25)总结 (27)参考文献 (28)第一章电力系统负荷预测概论第一节电力系统负荷预测概念在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法,再满足一定精度的要求的意义下,确定未来某特定时刻的负荷数值,称为负荷预测。

电力生产的特点之一是电力不可贮存(或者说贮存能力极小而代价高昂),应该是用多少就生产多少。

针对负荷的变化,电力生产的调节能力也要增加,当负荷变化较小时调节各发电机组的发电功率就可以了;而负荷变化范围较大时只有启停机组才能跟上;当然对于负荷的逐年增长要适时投产新的机组才不至于拉闸限电。

电力负荷预测是解决以上问题的必要条件。

准确的负荷预测,可依经济合理地安排电网内部发电机组的启停,保持电网运行的安全稳定性,减少不必要的旋转储备容量,合理安排机组检修计划,保证社会的正常生产和生活,有效地降低发电成本,提高经济效益和社会效益。

负荷预测的结果,还可以有利于决定未来新的发电机组的安装,决定装机容量的大小、地点和时间,决定电网的增容和改建,决定电网的建设和发展。

电力负荷预测是实时控制、运行计划和发展规划的前提,可以说要掌握电力生产的主动性必先做好负荷预测。

电力系统中的短期负荷预测与优化研究

电力系统中的短期负荷预测与优化研究

电力系统中的短期负荷预测与优化研究电力系统是现代社会不可或缺的重要基础设施之一,而在电力系统运行中,准确预测负荷需求是确保系统稳定运行和保障供电的重要因素之一。

短期负荷预测是指对未来短期时间段(通常为几小时到几天)内的负荷需求进行准确预测的过程。

本文将探讨电力系统中的短期负荷预测与优化的研究。

短期负荷预测可以帮助电力系统运营者合理调度电力资源,提前做好供电计划,以确保供电的可靠性和经济性。

在短期负荷预测的研究中,常用的方法包括时间序列分析、人工神经网络、支持向量机等。

这些方法利用历史负荷数据、天气数据、节假日等因素,通过建立数学模型来预测未来的负荷需求。

其中,时间序列分析是一种常用的短期负荷预测方法。

该方法基于序列中的过去数据,将未来的负荷需求视为过去负荷数据的函数。

通过建立时间序列模型,如ARIMA模型(自回归滑动平均模型)、指数平滑等,可以预测未来时间段内的负荷需求。

然而,时间序列分析方法对序列中的线性关系有较好的适应性,但对于非线性关系的预测效果较差。

另一种常用的短期负荷预测方法是人工神经网络。

人工神经网络模拟人脑工作原理,通过建立多层次的神经网络结构,将输入层的数据传递给隐藏层和输出层,进行负荷预测。

神经网络可以学习数据之间的非线性关系,并根据历史数据的模式来预测未来负荷需求。

然而,人工神经网络模型的选择和参数的优化是一个复杂的过程,需要大量的训练数据和计算资源。

在短期负荷预测中,天气因素是一个重要的考虑因素。

天气因素对电力系统的负荷需求有着重要的影响。

通常来说,高温天气下的用电量会显著上升,而低温天气下的用电量则会相应下降。

因此,在短期负荷预测中,需要考虑天气因素对负荷需求的影响。

可以通过获取气象数据,并将其作为输入参数加入到预测模型中,从而提高负荷预测的准确性。

除了短期负荷预测,优化方法也应用于电力系统中的负荷调度。

负荷调度问题是指在满足用户需求和系统能源供应能力的情况下,合理安排电力资源的分配。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

电力系统短期负荷预测毕业设计1 。

导言为电力负荷预测制定一个精确的模型对一个公用事业公司的运作和规划是必不可少的。

负荷预测也可帮助电力事业来作出重大的决定,包括关于购买和发电,负荷开关,及基础设施的发展。

负荷预测对能源供应国,国际团结,金融机构,和其他与会者,在发电,输电,配电,和市场都是非常重要的。

负荷预测可分为三类:短期预测,这通常是由一小时到一周,中期预测,这通常是一个星期到一年,而长期预测是长于一年。

对于公用事业公司来说,预测不同的时间跨度对于不同的业务是重要的,当然这些预测的本质也一样是不同的。

例如,对于一个特定区域,我们可以预测第二天的负荷,准确性可达到1-3%。

但是,我们无法预测下一年度的高峰负荷,因为准确的长期天气预报到目前为止还是不可行的。

对于明年的高峰预测,我们可以根据历史上的气象观测来提供大概的负荷分布。

也有可以根据业界惯例,预测所谓天气正常化负荷,它将代替平均每年最高的气候条件或者比这个给定地区平均最高的天气条件差一些。

天气正常化负荷是对所谓的正常天气条件实施负荷计算,它是一定的时间内,历史高峰负荷的平均值。

这一时期从一个有用的点到另一个,多数公司采取过去25-30年的数据。

负荷预报对公用事业公司的运作和规划一直是重要的。

甚至,由于能源工业的不合理规划,负荷预测变得更加重要.随着供应和需求的波动变化和能源价格上升的因素,在十年或以上,在繁忙情况,负荷预测是制定水电费非常重要的依据。

短期负荷预测方法可以帮助估计负荷流动,并作出决定,可以防止超载。

及时实施这样的决定可以改善网络的可靠性,并减少发生设备故障和停电的次数。

负荷预测也是一个重要的比较评价标准,为市场上提供的各种先进的金融产品在能源方面的价格提供一个标准。

在放松管制的经济下,基于长期预测的资本性支出的决定,比在那个加息有可能由资本开支项目决定的非开放的经济体系更加重要。

大多数预测方法利用统计技术或人工智能算法,如回归,神经网络,模糊逻辑和专家系统。

大致可分为两种方法,即所谓的最终用途法和计量经济学法,都已广泛用于中期和长期预测。

在这些方法中包括所谓的同类天法,就像回归模型,时间序列,神经网络,统计学习算法,模糊逻辑,专家系统一样已被短期预报而开发。

正如我们所见,大量的数学方法和思路已用于负荷预测。

发展和改善适当的数学工具,将促使开发更准确的负荷预测技术。

负荷预测的精度不仅取决于负荷预测技术,而且取决于预测天气的情况。

气象预报是一个重要话题,也是外界对本章议论的内容。

这里我们只是提了在发展计算机化的气象预报系统中的重大进展,其中包括由大学开发和支持的中尺度模式MM5。

2 重要因素预测短期负荷预测的几个因素应予以考虑,例如时间因素,气象数据,并尽可能了解客户等级。

中期和长期预测应顾及历史负荷和天气数据,在家电领域不同类别的用户数目及其特点,包括年龄,经济和人口统计数据,以及他们的预测,家电销售数据,和其他因素都要予以考虑。

时间因素,包括这一年里,一周的某一天,某一小时。

在平日和周末,负荷之间有重大差别。

平时的负载也可以有所不同。

举例来说吧,在星期一和星期五,被周末隔开的两天,负荷是不同的。

而且由周二到周四也可能有很大的不同。

在今年夏天的时候尤为如此。

假期比非假期更难预测,因为他们相对显得不规则。

气象条件影响负荷。

事实上,预测天气的参数是最重要的,在短期负荷预测.各种天气变数应考虑进来。

温度和湿度是最常用的负荷预测因子。

一个电力负荷预测调查表示,13个利用温度,而只有3个利用了温度和湿度,3个利用额外的气象参数,3个只用于负荷.在以上列举的天气变数中,两种复合天气变函数,thi (温度,湿度指数)和wci (风寒冷指数),已广泛用于公用事业公司。

thi是衡量酷暑的热度,而相反wci是衡量冬季冷度。

大部分电力客户提供服务的类型不同,如住宅,商业及工业生产等对不同类别的客户,电力的使用模式不同,对同一个阶层的客户是一样。

因此,大部分公用事业按阶级基础区分负荷是否为一类。

3 。

预测方法在过去的几十年中,一些预报方法已经开发出来。

有两个方法,即所谓的最终用途法和计量经济学法,它们都已广泛用于中期和长期预测,而且采取了多种方式,其中包括所谓的同类天法,像各回归模型,时间序列,神经网络,专家系统,模糊逻辑,统计学习算法都是用于短期预测的。

开发,改进,并深入调查适当的数学工具,将促使发展更准确的负荷预测技术.统计办法通常需要一个数学模型来表示。

负荷由于功能不同的因素,如时间,天气,以及顾客阶层。

共有两个重要的类别,如数学模型,分别是:加模型和乘法模型。

他们对是否为负荷总和(添加剂)的一些组件或产品(乘)的若干因素各有不同的预测. 例如,Chen等。

介绍了一种添加剂的模式,采取的形式为预测负荷作为函数的四个组成部分:L = Ln + Lw + Ls + Lr,其中L是总负荷,LN代表"正常"的一部分负荷,这是一套标准化的负荷形状来衡量每一个"型",已被确定为发生在整个一年中任一天,Ls代表着天气敏感的部分负载,LS是一项特别活动的组成部分,创造偏离了正常负荷的可观模式,及LR ,是一个随机参数.chen等人。

还建议电价可以作为一项额外的方法列入这种模式。

当然,价格跌幅/增加影响用电。

大成本敏感的工业和体制荷载能对负荷有重大影响。

这项研究[ 4 ]用宾夕法尼亚-新泽西-马里兰(pjm )现货价格数据(因为它与安大略水电负荷),作为神经网络的输入。

作者报告说,准确的估算的取得收益于价格数据.乘法模型,可采取这种形式L = Ln ·Fw ·Fs ·Fr,LN是正常的(基本)的负荷,FW,Fs是校正因子,Fr是一个确定的常数可以增加或减少总的负荷。

这些更正是基于当前的天气(Fw),特殊事件(Fs),以及随机波动(Fr)。

像电价(Fp)和负荷增长(Fg)这些因素也可以被包括在内。

拉赫曼介绍了一种用乘法模型基于理论的预测方法。

天气变化和基本负荷与恶劣天气的测量将包括在此模型中。

3.1中期和长期负荷预测方法最终建模法,经济计量模型法,以及他们的组合在中期和长期负荷预测中是最常用的。

电器用户使用的房子大小,新装备的年龄,新技术的变化,客户行为,种群动态,通常包括在统计和模拟模型中,它是基于所谓的最终用途法。

此外,经济因素,如人均收入,就业水平,和电价是包括在计量经济模型中的。

这些模型经常结合最终建模法。

长期预测包括人口变化,经济发展,产业建设,科技的发展的预测。

最终使用法,直接估计能源消耗,利用从最终用途和最终用户得到的广泛的信息,如家电,顾客使用,年龄,房子的大小等等.客户的统计信息,随着动态变化是预测的基础.最终利用模式侧重于电力在住宅,商业和工业部门的各种用途。

这些模式是根据以下原则,即电力需求的增长是基于顾客对光,制冷,制热,制冷等的需求。

从而最终使用的模式解释对能源的需求时,将其作为一个电器在市场上数目的函数。

理想的说,这种做法是十分正确的。

但是,它对最终用途数据数量和质量是非常敏感的。

举例来说吧,在此方法中的分布设备年龄对特定类型的设备是很重要的。

最终用途预测需要较少的历史数据,但需要很多有关客户和装备的信息。

计量经济模型。

计量经济学的方法将经济学理论和统计技术结合起来预测电力需求。

该办法估计能源消耗(依变数)和影响消费的因素之间的关系。

这种关系由最小二乘法或时间序列方法来估计。

在这个框架内,其中一种选择是集料的计量方式,在不同的部门(住宅,商业,工业等)消费时,将作为一个天气,经济和其他变量函数的计算公式,然后用最近的历史数据来估计。

一体化的经济计量方法纳入最终使用的方法把行为组件和终端使用方程等价起来。

统计模型为基础的学习。

最终用途和电子方法,需要大量家电,顾客,经济学等的相关资料,其应用比较复杂,需要人的参与。

此外,这类信息往往是不符合有关的特定客户及公用事业,并保持和支持"平均"客户或对不同类型的客户采取平均的做法。

如果公用事业要进行下一期的预测并分领域,问题就出现了,它通常被称为负载的口袋。

在这种情况下,大量的工作将随着人数负荷的口袋增加而增加比例。

此外,对不同负载的口袋最终使用概况和计量数据通常是不同的。

对特定领域,与公用事业的平均特点可能有所不同,所以未必有用。

为了简化中期预测,使之更加准确,并避免使用没用的资料,feinberg等人制定了一个统计模型,从历史数据汲取负荷模型的方法。

feinberg等人,研究了由在美国东北部的公用事业公司提供的负载数据集。

研究的重点是夏季数据。

我们几个比较负荷模型,并得出结论,认为下列乘法模型是最准确的。

L(t) = F(d(t), h(t)) ·f(w(t)) + R(t),其中L(t)是实际负荷,d(t)是一周的某一天,h(t)是一天的某个小时,F(d, h)是每天和每小时的组成部分,w(t)的天气资料,包括温度和湿度,f(w)是气象因素,与r(t)是一个随机变量.i事实上,w(t)是一个向量由当前和滞后天气许多变数构成。

这反映出一个事实,就是电力负荷不仅取决于目前的天气状况,而且还取决于在过去几小时或几天的天气。

特别的,著名的效应即所谓热浪说,在天气炎热时使用冷气机,持续数天来估计气象因子f(w)时,我们采用了回归模型f(w) = β0 +_βjXj ,XJ是目前和以往的气象参数非线性功能的解释性变量,β0,βj是回归系数.模型参数可以反复被计算出。

我们用F =1开始。

然后,我们使用上述回归模型来估计f,然后,我们估计F 等等.描述算法表现出历史每小时的负荷和天气数据的快速收敛。

我们已应用到许多领域,用户在5万和25万之间。

图12.1给出的一个例子,一个散步图谋,比较模型与实际参数。

图12.2显示了实际负荷和模型迭代过程的收敛的相关性。

图12.3显示了收敛的线性回归程序算法。

图12.1 。

散布图的实际负荷与示范。

软件,即采用描述的方法,知道了该模型的参数,并基于过去25-30年的数据提出未来一年的预测模型。

虽然历史负荷可能没用,该软件适用于过去一年模式,以历史气象资料来估计明年的峰值分布。

图12.2 。

相关关系,实际负荷和示范。

图12.3 。

收敛的R2对实际负荷与示范。

该软件生成的几个重要特点。

举例来说,对于每个负荷包和系统,它计算出天气正常化的因素,是一个高峰负荷向将在平均峰值条件观察的负荷的比例。

它还为下一年的高峰产生概率分布。

描述的方法可以应用到中期和长期预测。

然而,长期预测应纳入经济和人口动态预测,作为输入参数。

3.2短期负荷预测方法对于短期负荷预测大量统计和人工智能技术已经开发出来。

类似天的方法。

这种方法是基于寻找在一,二,或三年与所预测的一天具有类似特点的历史资料。

相关文档
最新文档