电力系统负荷预测
合集下载
相关主题
- 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、"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、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)。
单击此处添加院校名称
11
BP负荷预测模型分析与优化
BP预测算法改进研究：
动量法： 神经网络的学习迭代过程是一个不可逆过程，将这个不可逆过程中学习到的权值调整量按一定比 例加入到下一次权值调整的幅度上来，对全职的更新有一定的积极影响。这种方法被称作动量法 的原因就在于采最小的动量，让误差沿着这个方向达到最小，这对神经网络无疑是有力的，使神 经网络有效避免陷入局部最小。在引入附加动量后，权值的迭代关系中会增加一个阻尼项。阻尼 项的加入加快了圈中学习过程的速率，降低振荡的可能，从而达到了改善收敛性的效果。 自适应调整学习速率法：
函数。具体步骤如下：
（1）BP神经网络隐含层数量选择
（2）确定输入层和输出层的神经元节点数量
（3）确定隐含层中的神经元节点数量
（4）BP神经网络的建立
神经网络构建流程图
单击此处添加院校名称 13
BP负荷预测模型分析与优化
BP负荷数据预处理：
（1）对比处理法 对所有负荷的大小采用一定的阈值进行约束，将用于神经网络输入的SCADA数据进行可信度阈值比 较，如果该数据低于此阈值，认为这一数据是可信的，可以用作神经网络的输入，如果大于此阈值， 那么认为数据不可信，予以剔除。
（2）差分截取法 差分截取法对固定时间段的历史数据进行考察，并且对所有相邻时间段的所有符合相关数据分析，得 到相邻时间段内负荷信息的相似性。
（3）比较处理法 比较处理法利用固定时间段内负荷值的相对稳定性进行预处理，计算方法基本上就是对数据做差运算， 如果差值大于预设的阈值，就对历史数据进行相应的修正，
单击此处添加院校名称
3
论文综述
电力系统负荷预测方法 BP神经网络简介 BP负荷预测模型分析与优化 总结
4
电力系统负荷预测方法
趋势外推法
传
回归分析法
统
方
时间序列法
法
根据及时获得的负荷数据信息可以做出负荷曲线，适当利用合适的计算方法可 以将负荷曲线一定程度外推，同时保证一定的准确率。这样的负荷曲线对于数 据有一定的要求，其一是符合历史趋势，其二是足够反映出负荷变化情况。
12
BP负荷预测模型分析与优化
BP负荷预测模型数据处理：
根据不同的问题通常要设计不同的神经网络，对于本文中的预测模型，我们多次试验了几种模型，在
调整了隐藏层的层级数和不同层级神经元的个数以后，我们选定的神经网络模型如下：主框架包含了
三个层级，包括数据输入层、数据分析处理层（作为隐藏层）和结果输出层，激活函数使用Sigmoid
模糊预测方 法
单击此处添加院校名称
模糊推理基于模糊理论，以IF-THEN的形式来表达模糊集合间的关系。电力 负荷预测要求有详细的历史数据，然而历史数据与当前数据之间的关系又具 有不确定性，在这种不确定性条件下，应用模糊推理是可行的。
6
BP神经网络简介
从上图可以看出，BP神经网络由输入层、隐藏层和输出层三部分构成，上下层节点相互连接，同 层节点不连接。三部分的作用如下： （1）输入层：输入信号的输入； （2）隐藏层：输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号； （3）输出层：输出信号输出。
添加文本 上，达到有效预测电力系统负荷的目的。对此，本文以BP神经网络为例，实现了基于BP神 单击此经网处络的负荷预测。 加文本
展望
（1）关乎电力系统负荷的因素纷繁复杂，如何从这些纷繁复杂的影响因素中提取能够代 单 添击加此 文表处 本负荷变化趋势的特征，是基于人工神经网络负荷预测准确性的关键。
（2）在利用神单经击网此络处预测负荷的同时，可以考虑与已有方法结合，如灰色理论等，相关 添加文本
8
BP神经网络简介
sigmoid函数：
在使用sigmoid函数时，sigmoid函数的输出： 其输出图形如左图所示
单击此处添加院校名称
使用S型激活函数时，BP网络的输出及其导数图形如右图所示。 9
BP神经网络简介
BP神经网络的具体操作过程如下所示：
（1）网络初始化：给各个神经元之间的连接随机赋予一个权值，这个权值在（-1,1）之间，并设定 期望误差e,学习率ɛ，最大学习次数M； （2）将随机选取的K个样本进行计算并得到期望输出； （3）计算隐藏层各个神经元的输入和输出； （4）通过输出和设定的期望输出之间的误差函数计算误差函数对各隐藏层神经元的偏导数δ0（k）； （5）利用（4）中求出的δ0（k）和隐藏层各神经元的输出进行隐藏层和输出层间的权值Wh0（k） 修正；
2 负荷预测也将在新的时代下发挥更大的作用
负荷预测的意义就是合理安排与星级化，合理安排系统规划，在满足各类用户电能需 求的同时，最小化发电成本。这既可以降低电力公司的成本，提高企业的综合竞争力， 又可以节约一次能源。
3 负荷预测平衡经济发展过程中的供需矛盾
负荷预测起着很大的作用，科学地对负荷进行预测，一直是相关部门制定发展计划、 供给计划、燃料计划的重要依据。
方面的文献得到的准确性也很优异，值得考虑。
单击此处添加院校名称
23
THANKS
感谢您的支持 指导教wenku.baidu.com：××× 答辩人：×××
单击此处添加院校名称
14
BP负荷预测模型分析与优化
BP负荷误差分析指标：
负荷预测是针对未来某个时段的预测，不可能达到100%的准确性，对于预测值和真实值之间的误差， 我们采用绝对误差、相对误差、均方根误差以及均方绝对比例误差进行度量。 （1）绝对/相对误差MAE （2）均方根误差RMSE （3）均方绝对比例误差MAPE
5
电力系统负荷预测方法
专家系统预 测方法法
这套系统将获取到的相关领域专家的知识经验组成数据库，将实际问题与数 据库中的数据进行对比，在此基础上可以得到推理结果，专家系统适用于专 业范围明确，理论不完整或不精确的领域。
智
能 方
神经网络预 测方法
法
神经网络模拟人脑，分为输入层、隐藏层、输出层，不同的神经网络模型的 侧重点不同，能够实现的功能也不尽相同。基于神经网络的负荷预测方法可 以得到较为准确的结果。
单击此处添加院校名称 15
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
历史数据分解过程 ：
单击此处添加院校名称 16
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第一种实验模型的预测结果示意图如下
单击此处添加院校名称 17
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第二种实验模型的预测结果示意图如下
回归分析法本质上是一种曲线拟合方法，对采集到的带有随机性的负荷数据 拟合得到一条确定的曲线，是确定两种或两种以上变量间相互依赖的定量关 系的一种统计分析方法。
从时间的维度看，负荷数据可以看成时间序列，如果能够找到负荷大小随时 间变化的规律，建立一个以时间为影响因素的时序模型，以此来推测未来某 个时间的负荷大小，这样的方法可以说是合理的。
电力系统负荷预测
指导教师：××× 答辩人：×××
选题背景及意义
2
选题的背景及意义
1 电力系统负荷预测决定着电网计划用电的方向。
在成功完成电力系统负荷预测任务的基础上，才可以对系统运行方式和检修部门的运 检计划做出合理安排，对国家大政方针的执行才可以落到实处，才能够适应国家不同 阶段、不同时期、不同区域对电能的需求。
单击此处添加院校名称 18
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第三种实验模型的预测结果示意图如下
单击此处添加院校名称 19
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第四种实验模型的预测结果示意图如下
单击此处添加院校名称 20
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
实验误差对比表如下：
单击此处添加院校名称 21
论文总结
22
论文总结
总结
电力系统负荷预测的方法多种多样，但是每种方法都有一定的局限性。有的方法只适用于 短期预测，有的方法又存在适用性问题，有的方法存在准确性问题。如今电力负荷预测发 展的方向应当单是击在此人处工智能和大数据的基础上，在广泛吸收已有的负荷预测方法的优点之
单击此处添加院校名称 7
BP神经网络简介
从上图可以看出神经元的输出为： 式中用到的激活函数f可以是阈值函数、sigmoid函数和双曲正切函数。其中最常用的是sigmoid 函数，Sigmoid函数是非线性函数，又称为S函数，它的特点是其本身及其导数都是连续的，可以 很好地解决非线性问题，因此受到了很广泛的应用。 单击此B处添加院校名称
灰色预测法
小波分析方法
单击此处添加院校名称
负荷预测之所以可以运用灰色预测法，就是因为影响负荷大小的因素有很多， 但是并不全部被人们所知。这种方法适用于负荷数据不多、固定时间段内的 数据变化规律，可以建立普通灰色系统模型和最优灰色系统模型。
这种方法在时域、频域分析中有较大的应用，在局部范围内有足够优秀的性 质，小波分析凝结了调和分析、样条分析、泛函分析等多种分析方法的智慧。
BP算法的学习难以确定，多数情况下就会导致算法的收敛速度慢。学习率偏大时，训练过程中经 常会出现权重值摆动幅度太大，使神经网络丧失学习功能的情况出现。如果学习率偏小，神经网 络输入层接收到的数据对于权重和偏置几乎没有影响，难以学习到有效的知识，使得训练速度无 法提升。自适应学习算法可以使学习率在训练过程中随着训练结果的变化而改变，在神经网络确 定收敛时，适当提高学习率以缩短训练收敛时间，当神经网络无法收敛时适当减小学习率以使其 单击收此敛处。添加院校名称
单击此处添加院校名称
10
BP负荷预测模型分析与优化
传统BP神经网络负荷预测模型的缺陷：
（1）容易陷入局部最小点而得不到全局最优点。BP算法本质上是应用梯度下降法的非线性优化算法， 它得到的网络误差曲面形状一般很复杂，存在多个局部最小店，在这些收敛的局部最小点附近，收敛 速度快，收敛效果耗，但不是全局最小点，这对BP神经网络的应用来说有一定的限制。 （2）BP神经网络的学习效率和收敛速度都不够快。由于算法的收敛性是首位需要保证的，因此误差 反向传播这一训练过程要求权值和偏置这两个参数的调节幅度不能过大，这就要求迭代次数必须达到 成千上万次才能够训练处应用到实际中的BP神经网络 （3）BP神经网络中各个参数（例如隐藏层层级数目、各层神经元个数、神经元之间的连接权值、神 经元上的偏置）都没有系统的成套的选取方法，只能依靠经验或者多次选取，从训练结果来看神经网 络的效果。 （4）BP神经网络拥有一定的泛华能力，但是不够强，因此训练新的样本数据时候对已经训练过的样 本数据就会遗忘。
11
BP负荷预测模型分析与优化
BP预测算法改进研究：
动量法： 神经网络的学习迭代过程是一个不可逆过程，将这个不可逆过程中学习到的权值调整量按一定比 例加入到下一次权值调整的幅度上来，对全职的更新有一定的积极影响。这种方法被称作动量法 的原因就在于采最小的动量，让误差沿着这个方向达到最小，这对神经网络无疑是有力的，使神 经网络有效避免陷入局部最小。在引入附加动量后，权值的迭代关系中会增加一个阻尼项。阻尼 项的加入加快了圈中学习过程的速率，降低振荡的可能，从而达到了改善收敛性的效果。 自适应调整学习速率法：
函数。具体步骤如下：
（1）BP神经网络隐含层数量选择
（2）确定输入层和输出层的神经元节点数量
（3）确定隐含层中的神经元节点数量
（4）BP神经网络的建立
神经网络构建流程图
单击此处添加院校名称 13
BP负荷预测模型分析与优化
BP负荷数据预处理：
（1）对比处理法 对所有负荷的大小采用一定的阈值进行约束，将用于神经网络输入的SCADA数据进行可信度阈值比 较，如果该数据低于此阈值，认为这一数据是可信的，可以用作神经网络的输入，如果大于此阈值， 那么认为数据不可信，予以剔除。
（2）差分截取法 差分截取法对固定时间段的历史数据进行考察，并且对所有相邻时间段的所有符合相关数据分析，得 到相邻时间段内负荷信息的相似性。
（3）比较处理法 比较处理法利用固定时间段内负荷值的相对稳定性进行预处理，计算方法基本上就是对数据做差运算， 如果差值大于预设的阈值，就对历史数据进行相应的修正，
单击此处添加院校名称
3
论文综述
电力系统负荷预测方法 BP神经网络简介 BP负荷预测模型分析与优化 总结
4
电力系统负荷预测方法
趋势外推法
传
回归分析法
统
方
时间序列法
法
根据及时获得的负荷数据信息可以做出负荷曲线，适当利用合适的计算方法可 以将负荷曲线一定程度外推，同时保证一定的准确率。这样的负荷曲线对于数 据有一定的要求，其一是符合历史趋势，其二是足够反映出负荷变化情况。
12
BP负荷预测模型分析与优化
BP负荷预测模型数据处理：
根据不同的问题通常要设计不同的神经网络，对于本文中的预测模型，我们多次试验了几种模型，在
调整了隐藏层的层级数和不同层级神经元的个数以后，我们选定的神经网络模型如下：主框架包含了
三个层级，包括数据输入层、数据分析处理层（作为隐藏层）和结果输出层，激活函数使用Sigmoid
模糊预测方 法
单击此处添加院校名称
模糊推理基于模糊理论，以IF-THEN的形式来表达模糊集合间的关系。电力 负荷预测要求有详细的历史数据，然而历史数据与当前数据之间的关系又具 有不确定性，在这种不确定性条件下，应用模糊推理是可行的。
6
BP神经网络简介
从上图可以看出，BP神经网络由输入层、隐藏层和输出层三部分构成，上下层节点相互连接，同 层节点不连接。三部分的作用如下： （1）输入层：输入信号的输入； （2）隐藏层：输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号； （3）输出层：输出信号输出。
添加文本 上，达到有效预测电力系统负荷的目的。对此，本文以BP神经网络为例，实现了基于BP神 单击此经网处络的负荷预测。 加文本
展望
（1）关乎电力系统负荷的因素纷繁复杂，如何从这些纷繁复杂的影响因素中提取能够代 单 添击加此 文表处 本负荷变化趋势的特征，是基于人工神经网络负荷预测准确性的关键。
（2）在利用神单经击网此络处预测负荷的同时，可以考虑与已有方法结合，如灰色理论等，相关 添加文本
8
BP神经网络简介
sigmoid函数：
在使用sigmoid函数时，sigmoid函数的输出： 其输出图形如左图所示
单击此处添加院校名称
使用S型激活函数时，BP网络的输出及其导数图形如右图所示。 9
BP神经网络简介
BP神经网络的具体操作过程如下所示：
（1）网络初始化：给各个神经元之间的连接随机赋予一个权值，这个权值在（-1,1）之间，并设定 期望误差e,学习率ɛ，最大学习次数M； （2）将随机选取的K个样本进行计算并得到期望输出； （3）计算隐藏层各个神经元的输入和输出； （4）通过输出和设定的期望输出之间的误差函数计算误差函数对各隐藏层神经元的偏导数δ0（k）； （5）利用（4）中求出的δ0（k）和隐藏层各神经元的输出进行隐藏层和输出层间的权值Wh0（k） 修正；
2 负荷预测也将在新的时代下发挥更大的作用
负荷预测的意义就是合理安排与星级化，合理安排系统规划，在满足各类用户电能需 求的同时，最小化发电成本。这既可以降低电力公司的成本，提高企业的综合竞争力， 又可以节约一次能源。
3 负荷预测平衡经济发展过程中的供需矛盾
负荷预测起着很大的作用，科学地对负荷进行预测，一直是相关部门制定发展计划、 供给计划、燃料计划的重要依据。
方面的文献得到的准确性也很优异，值得考虑。
单击此处添加院校名称
23
THANKS
感谢您的支持 指导教wenku.baidu.com：××× 答辩人：×××
单击此处添加院校名称
14
BP负荷预测模型分析与优化
BP负荷误差分析指标：
负荷预测是针对未来某个时段的预测，不可能达到100%的准确性，对于预测值和真实值之间的误差， 我们采用绝对误差、相对误差、均方根误差以及均方绝对比例误差进行度量。 （1）绝对/相对误差MAE （2）均方根误差RMSE （3）均方绝对比例误差MAPE
5
电力系统负荷预测方法
专家系统预 测方法法
这套系统将获取到的相关领域专家的知识经验组成数据库，将实际问题与数 据库中的数据进行对比，在此基础上可以得到推理结果，专家系统适用于专 业范围明确，理论不完整或不精确的领域。
智
能 方
神经网络预 测方法
法
神经网络模拟人脑，分为输入层、隐藏层、输出层，不同的神经网络模型的 侧重点不同，能够实现的功能也不尽相同。基于神经网络的负荷预测方法可 以得到较为准确的结果。
单击此处添加院校名称 15
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
历史数据分解过程 ：
单击此处添加院校名称 16
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第一种实验模型的预测结果示意图如下
单击此处添加院校名称 17
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第二种实验模型的预测结果示意图如下
回归分析法本质上是一种曲线拟合方法，对采集到的带有随机性的负荷数据 拟合得到一条确定的曲线，是确定两种或两种以上变量间相互依赖的定量关 系的一种统计分析方法。
从时间的维度看，负荷数据可以看成时间序列，如果能够找到负荷大小随时 间变化的规律，建立一个以时间为影响因素的时序模型，以此来推测未来某 个时间的负荷大小，这样的方法可以说是合理的。
电力系统负荷预测
指导教师：××× 答辩人：×××
选题背景及意义
2
选题的背景及意义
1 电力系统负荷预测决定着电网计划用电的方向。
在成功完成电力系统负荷预测任务的基础上，才可以对系统运行方式和检修部门的运 检计划做出合理安排，对国家大政方针的执行才可以落到实处，才能够适应国家不同 阶段、不同时期、不同区域对电能的需求。
单击此处添加院校名称 18
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第三种实验模型的预测结果示意图如下
单击此处添加院校名称 19
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
第四种实验模型的预测结果示意图如下
单击此处添加院校名称 20
BP负荷预测模型分析与优化
BP负荷预测模型实验结果：
实验误差对比表如下：
单击此处添加院校名称 21
论文总结
22
论文总结
总结
电力系统负荷预测的方法多种多样，但是每种方法都有一定的局限性。有的方法只适用于 短期预测，有的方法又存在适用性问题，有的方法存在准确性问题。如今电力负荷预测发 展的方向应当单是击在此人处工智能和大数据的基础上，在广泛吸收已有的负荷预测方法的优点之
单击此处添加院校名称 7
BP神经网络简介
从上图可以看出神经元的输出为： 式中用到的激活函数f可以是阈值函数、sigmoid函数和双曲正切函数。其中最常用的是sigmoid 函数，Sigmoid函数是非线性函数，又称为S函数，它的特点是其本身及其导数都是连续的，可以 很好地解决非线性问题，因此受到了很广泛的应用。 单击此B处添加院校名称
灰色预测法
小波分析方法
单击此处添加院校名称
负荷预测之所以可以运用灰色预测法，就是因为影响负荷大小的因素有很多， 但是并不全部被人们所知。这种方法适用于负荷数据不多、固定时间段内的 数据变化规律，可以建立普通灰色系统模型和最优灰色系统模型。
这种方法在时域、频域分析中有较大的应用，在局部范围内有足够优秀的性 质，小波分析凝结了调和分析、样条分析、泛函分析等多种分析方法的智慧。
BP算法的学习难以确定，多数情况下就会导致算法的收敛速度慢。学习率偏大时，训练过程中经 常会出现权重值摆动幅度太大，使神经网络丧失学习功能的情况出现。如果学习率偏小，神经网 络输入层接收到的数据对于权重和偏置几乎没有影响，难以学习到有效的知识，使得训练速度无 法提升。自适应学习算法可以使学习率在训练过程中随着训练结果的变化而改变，在神经网络确 定收敛时，适当提高学习率以缩短训练收敛时间，当神经网络无法收敛时适当减小学习率以使其 单击收此敛处。添加院校名称
单击此处添加院校名称
10
BP负荷预测模型分析与优化
传统BP神经网络负荷预测模型的缺陷：
（1）容易陷入局部最小点而得不到全局最优点。BP算法本质上是应用梯度下降法的非线性优化算法， 它得到的网络误差曲面形状一般很复杂，存在多个局部最小店，在这些收敛的局部最小点附近，收敛 速度快，收敛效果耗，但不是全局最小点，这对BP神经网络的应用来说有一定的限制。 （2）BP神经网络的学习效率和收敛速度都不够快。由于算法的收敛性是首位需要保证的，因此误差 反向传播这一训练过程要求权值和偏置这两个参数的调节幅度不能过大，这就要求迭代次数必须达到 成千上万次才能够训练处应用到实际中的BP神经网络 （3）BP神经网络中各个参数（例如隐藏层层级数目、各层神经元个数、神经元之间的连接权值、神 经元上的偏置）都没有系统的成套的选取方法，只能依靠经验或者多次选取，从训练结果来看神经网 络的效果。 （4）BP神经网络拥有一定的泛华能力，但是不够强，因此训练新的样本数据时候对已经训练过的样 本数据就会遗忘。