负荷预测是电网安全运行,经济调度的必要基础;提高各级供电单位负荷预测准确率是提高电网整体负荷预测准确率的基础.提高电力系统负荷预报的准确度,可以提高电网运行的安全性和经济性,并可以改善电能质量。文中是搜索整理的电力负荷预测论文6篇，以供借鉴。
电力负荷预测论文第一篇：智能优化的电力负荷预测技术分析
合理的电力负荷预测可以给电力系统的可持续化运作创造有益的条件，在智能电网环境之下，如何有效地提升负荷预测信息的精准性已经成为当下研究热点之一。基于此，本文将首先简要地说明负荷预测的基本概念，同时再阐述各个负荷预测方法，分析智能电网环境下的负荷预测应用情况，希望能够给同行带来一定的参考价值。
在智能电网之下，ICT技术已经被越来越多的运用，同时还积极投入了大量的智能终端装置，大幅度地提升了对负荷预测精准程度以及密度的实际，同时也就提升了负荷预测的难度系数，较之于传统负荷预测方法，其发展态势已从单一的负荷预测技术转向了负荷预测精细化服务管控层面，如此才能够顺应未来智能电网发展的趋势以及需求，对此本文将阐述各个负荷预测方法。
1 负荷预测方法分析
1.1 负荷预测的基本原则分析
电力系统负荷预测即电力人员充分地考量电力系统运输属性、增容和自然条件，然后采取一系列手段，通过往期信息数据对将来的负荷予以估量，在可控的精度之下，明确将来一个周期的负荷取值。电力负荷预测对于电力系统计划以及运作起到了不可忽视的效用，已经成为发展规划和实时把控的关键性凭证。负荷预测的精准性对电网的投入、布局以及运作的合理都产生了极大的影响，现如今，如何有效地提升电力负荷预测精准程度已经成为当下电力系统亟待解决的重要问题之一。
1.2 传统负荷预测工作方法分析
传统负荷预测方法通常可以划分为如下几种类型，具体如下：
其一，趋势外推负荷预测方法。该手段即灵活地应用负荷过往的变化态势展开推测，尽管电力负荷实时在发生改变，具有显着性的随机性，不过经过一系列的算法处置，还是可以获取负荷的变化规律，依据往期信息数据不难看出，变化规律能够表现出线性、非线性、周期性以及非周期性，预测人员能够利用最小拟合曲线计算这一方程，该手段在短期内进行负荷预测工作十分合宜，不过无法伴随负荷改变而出现动态改变，其产生的偏差明显。
其二，时间序列负荷预测方法。该手段就是指依据负荷的过往信息，通过统计电力负荷在随机变化期间所表现出的规律性，采用数学模型呈现出来，从而进一步明确负荷预测的数学公式。该手段要充分地参照季节、周、天、小时变化的时间序列，然后再进一步对负荷信息的实际值以及预测值差值予以解析和处置。其流程大概还包括识别模型、估算模型系数、检验模型、预测负荷以及核验预测值精度等等。该手段整体的计算量不大，不过无法把负荷信息变化的因素全都考量其中，通常被应用在负荷变化较为均匀的状况下展开短期预测。
其三，回归模型负荷预测方法。该手段即通过数理统计方法构建针对性的数学模型，然后再对各个变量信息予以处置。总的来说，该预测手段常常被应用至负荷中期预测，精准程度相对较高，不过很难预测那些较为繁琐的状况，即综合用电负荷的情况。
1.3 现代负荷预测方法
近几年来，部分新兴预测方法获得了较好地应用，具体如下：
(1）人工神经网络预测方法分析
人工神经网络即模拟人脑神经网络展开学习，同时还能够处置相应问题的一种重要的非线性系统。其通过若干个具备并行运算效能的神经元节点和连接其针对性权值组成，从而有助于函数做到输入变量至输出变量间的非线性映射。考虑到人工神经网络在应用过程中呈现出对诸多非结构性、非精确性规律具备自适应效能，同时还具备极为显着性的记忆效能、非线性映射效能以及自学效能，所以已经越来越受到人们的重视，成为近几年来负荷预测行业探究的课题之一。有研究者利用递归人工神经网络模型对电力短期负荷展开预测，同时采取了梯度下降手段，如此一来，就能够有效地提升训练的收敛速率，根据预测仿真信息不难看出，较之于过往的预测方法，采取递归神经网络预测方法的精准程度更为精准，但是，典型的人工神经网络出现了诸多极难设置学习系数、收敛慢速，同时收敛至局部极小，操作人员很难明确网络结构。不仅如此，还有研究学者指出采取遗传算法全局搜索水平高，综合神经网络的局部寻优功能，组成遗传神经网络。通过遗传算法对神经网络的结构和权值予以改善，进而实现加速寻优效率，提升训练精准程度的目标。不仅如此，有研究人员在采用神经网络展开电力系统短期负荷预测工作的过程中，其网络输入变量的选取环节常常是影响预测成效的重要一环，如此一来，就建议采取模糊粗糙集理论预处置信息，所获取的信息当作BP网络的输入变量展开预测工作。这一工作不但系统化地考量了影响负荷预测的历史时间序列、气象等多方面元素，给科学选取神经网络的输入变量带来了一定的有益基础，同时还能够防止因为输入变量偏高而引发神经网络拓扑结构繁琐、训练时间长等局限性。
(2）数据挖掘方法分析
数据挖掘即由海量信息中挖掘隐含在其中的知识，同时还能够将其呈现成最终可以被人们理解的模式，该方法在消除冗余数据等方面起到了关键性的效用。现如今，在多个行业之中，最为普遍的数据挖掘技术包括决策树、神经网络、关联规则、统计学模糊集等等。有研究人员指出一个根植于数据挖掘内时间序列相似性研究的电力负荷预测手段，同时，还有研究者给出了一类基于最优区间分割以及单调递减阈值函数的聚类手段，接着再采取一定手段抽取有关负荷的特征曲线，同时把它们当作不良信息予以校正。通过对电力负荷的仿真解析，进一步核验了该算法的高效性。与此同时，通过数据挖掘技术能够信息予以处置，然后把结果当作支撑向量机的训练信息，如此一来还能够有效地减少数据量，进而提升预测的速率及精准程度。
(3）模糊预测法分析
模糊预测技术即根据模糊理论，将过往的工作经验、历史信息或二者综合。通过规则的方式呈现出来，同时进一步转变成能够在计算机上运作的算法，从而有效地完成多方面的工作任务。较之于人工神经网络方法，其可以较为明晰地阐明专家意图，处置电力系统内诸多不精准的、模糊的问题，同时还能够被应用至长期负荷预测工作之中。值得注意地是，该方法学习能力相对较弱，极易受到人为因素的影响。
2 智能电网环境下的负荷预测应用分析
2.1 智能电网环境下的负荷情况分析
近几年来，诸多地区都在对具备安全、清洁等属性特点的智能电网展开探究，智能电网在一定程度上升级了传统电网内各电源点和负荷点的基本理念，而大力引入新能源也给负荷活动带来了很大的影响。同时，新能源不仅涵括了集中式发电能源，同时也涵括了小型分布式发电能源，传统的电力用户只要求吸收电能，而功率流向只要求为电网传输用户，不过针对具备分布式电源的智能电网，电力用户不仅能够进一步汲取电能，也能够向电网传输电能，电力用户不仅仅是绝对的用电负荷，所以这就给过往负荷预测技术提供了新的机遇及挑战。
2.2 储能技术对负荷预测工作的影响分析
通常来说，智能电网的主要特征之一即在电网内接入了储能设施，由此来用以平滑风能、太阳能等间歇式能源的出力曲线。通过顺利连结储能设施，在电力较为充足的情况下，将之储蓄在一块儿，一旦抵达负荷高峰期就能够把电能顺利地释放，从而起到了削峰填谷的效用。所以，储能设施不但是负荷同时也是重要的电源，在进行负荷预测的过程中，要将其全面地考量进来。
2.3 基于AMI的电力负荷预测
通常来说，智能电网下的测量体系（简称AMI）即一项适用于测量、采集、储蓄以及解析用户用电信息的专业化机制，该部分通常由智能电表、通信、测量数据管控系统和用户网络组成。一个区域的总负荷，往往是通过各个小区域的千万类型的负荷整合而成，各负荷常常遭到不同内外部因素的影响，各个类型的负荷其运作属性也具有很大的差异性。若可以对各种不同的负荷展开预测，那么就能够大幅度地提升总负荷的预测精准程度。一般来说，传统电网缺少较为完备一致的数据平台，还缺少对各项负荷地全面化认知，而伴随我国智能电网地迅速发展，此时搭建了专业化的AMI测量体系，那就能够搭建起系统化的负荷预测平台。通过智能电表搜集负荷信息，依据负荷本身属性采取针对性的负荷预测方法，然后把预测结果整合起来获取总体的预测结果，那么就能够获取较高的负荷预测精准程度。
结束语：综上所述，负荷预测的普遍流程即利用历史负荷信息，采集相应的数据处置方法对将来某一周期内的负荷值予以估量，而伴随我国智能电网地迅速发展，此时所采集的各项负荷数据趋于完备，而正确的预测技术在很大程度上影响了预测能力的水准。对于智能电网而言，AMI可以构建一个较为完备的负荷预测平台，通过精准掌握各负荷点的属性、类型并展开预测，如此一来，就大幅度地提升了负荷预测的精准性。
电力负荷预测论文第二篇：遗传算法优化的BP网络在电力系统负荷预测中的应用
电力负荷预测是决定电力系统输送稳定性的关键因素，首先对电力负荷预测的原理及方法做了简要分析。在此基础上，为了提高电力负荷系统的预测精度，提出了一种基于遗传算法（Genetic Algorithm,GA）优化的反向传播神经网络（Back Propagation N e u r a l N e t w o r k,B P N N）短期负荷预测方法。通过与单一的BPNN模型对比，GA-BPNN模型不仅可以避免算法陷入局部极值，还可进一步提高电力负荷预测的精准度，证明了GA-BPNN模型的优越性。
1 电力系统负荷预测的方法
随着电力系统的发展和复杂性的增加，影响发电和用电的因素越来越多。电力企业的基本问题是使系统的短期和长期运行性能最大化。为了促进经济增长，满足未来电力需求，负荷预测已成为电力企业的一项重要任务。从预测对象角度分析，电力系统预测包括负荷曲线趋势预测、未来用电量预测以及未来电力需求量预测。基于历史的电力系统负荷数据对未来电力负荷进行准确的趋势预测，有助于制定合理的供电战略和电力管理方案。一般来说，电力负荷预测可分为短期、中期和长期预测。其中，短期预测（提前半小时到一周）能够保证电力系统经济安全地运行，为运营公司节约巨大成本。目前，电力系统短期负荷预测方法包括：（1）基于传统的时间序列预测方法（AR,ARMA等）；（2）基于传统的多元回归的时间序列预测方法；（3）基于统计与机器学习的时间序列预测方法。由于电力系统负荷长年受季节、产业类型、城乡发展等诸多因素的影响，负荷数据的波动性和随机性较大，因此要实现高精度的短期负荷预测难度较大。无论是基于统计学还是机器学习方法，均是从原始数据中挖掘有用的信息，这些信息不仅包括自身的负荷信息，还包括时间和诸多影响因素作用的因素信息，如何将这些信息从负荷数据中挖掘出来并有效利用是电力系统负荷数据预测的关键问题。神经网络为解决上述问题提供了有效的依据。神经网络具有强大的逼近和非线性拟合能力，可实现任意复杂的非线性函数关系的映射，通过调整网络节点数、权值和阈值初始值可达到信息处理的目的。而且，神经网络学习规则简单，便于计算机实现，不需要明确过去负荷或天气变量与预测负荷之间确定的函数关系，而是通过训练过程学习系统输入和输出之间的函数关系来实现趋势预测。
2 基于遗传算法优化的BPNN神经网络基本原理
神经网络由输入层、隐含层和输出层组成，多个隐含层便组成一个深度人工神经网络。BPNN网络是一种根据误差反向传播（Back Propagation,BP）算法训练的多层前馈神经网络，通过梯度下降算法不断调整网络的权值和阈值，使实际输出值和期望输出值的误差值达到最小，是应用最为广泛的一种神经网络。BPNN网络的训练过程主要包括信号前向传播和误差反向微调两个过程。分析BPNN网络的原理可知，BPNN网络的连接权值和偏置值是决定网络预测精度和输出信号误差的关键因素。随机初始化的网络连接权值和偏置一般无法直接使网络获得最佳的泛化性能。因此，本报告采用遗传优化算法对BPNN网络的连接权值和偏置进行优化选择，以提高BPNN网络的泛化能力。将预测值与观测值之间的均方根误差（Root Mean Square Error,RMSE）作为适应度来衡量模型参数优化后的性能有效性，其表达式如下：
其中，xl为性能参数观测值，为性能参数预测值，N为样本总数。
遗传算法是Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种优化方法。遗传算法基本的操作分为：（1）选择操作；（2）交叉操作；（3）变异操作。首先，根据BPNN网络的输入节点和输出节点以及隐含层节点确定网络结构，进而确定种群中个体的数目、交叉变异参数和迭代次数。确定GA算法初始参数后，对BPNN网络的权值和阈值进行优化。种群中每个个体均包含了BPNN网络所有的阈值和权值参数，以RMSE为适应度函数，通过选择、交叉以及变异后确定最优个体的输出。经遗传算法优化的BPNN网络的算法流程如图1所示。
图1 基于遗传算法优化的BPNN网络算法流程
3 基于GA-BPNN的短期电力负荷预测结果分析
本文采用某城市九天的电力负荷数据建立短期预测模型，每间隔一小时记录一次数据（按一天24h计算），总共216个样本。为了提高模型的预测性能，将负荷数据以7:2的比例划分为训练样本和预测样本，因此，BPNN网络模型的输入为24维的电力负荷值，输出为次日的24维有功负荷值。在试验过程中，根据经验将BPNN网络的第一隐含层节点数设为7，第二隐含层节点数设为24，遗传算法中个体总数设为10，交叉概率和变异概率分别设置为0.3和0.1，迭代次数设置为50。图2是基于遗传算法优化BPNN网络的误差迭代过程，横坐标代表迭代次数，纵坐标为适应度值（RMSE值）。从图中可以看出，随着迭代次数的增加，GA算法的适应度值不断减小。遗传算法在第22次迭代后趋于稳定，优化过程开始收敛，此时RMSE值为0.9546。图3(a)是BPNN和GA-BPNN模型的预测结果，横坐标为预测时间，纵坐标为电力负荷值。从图中可以看出，BPNN模型的预测值与真实值的变化趋势较为一致，但未经遗传算法优化的模型预测精度较低，且预测值与实际值不能很好地重合。利用GA算法对BPNN网络初始的权值和偏置进行优化后，模型能够以更高的精度收敛于实际值，进一步提升了模型的预测性能和泛化能力。BPNN模型和GA-BPNN模型预测结果误差如图3(b)所示。从图中可以看出，GA-BPNN模型的预测误差值均在0值附近波动，且变化范围较小。但BPNN模型的预测误差值波动较大，与实际值存在较大偏差，这些预测精度较低的样本会使得模型的整体预测精度降低。
表1是BPNN模型和经遗传算法优化的BPNN模型的预测误差值，以平均绝对误差（Mean Absolute Error,MAE）、RMSE以及平均绝对百分比误差(Mean Absolute Percentage Error)为模型的评价指标，综合比较模型的预测性能。对比两种模型的预测误差结果可以看出，经遗传算法优化的BPNN模型的MAE、RMSE以及MPE值均小于单一的BPNN模型的预测误差，由此说明，GA-BPNN模型更适用于构建电力负荷数据的预测模型，进一步验证了GA-BPNN模型的优越性。
图2 基于遗传算法优化BPNN网络的RMSE迭代过程
图3 各模型预测值及误差值对比结果
下载原表
针对传统BPNN模型难以处理电力负荷数据间关联和预测精度较低的问题，引入遗传算法对BPNN模型的权值和偏置初始值进行智能优化。实验结果表明，经优化后的GA-BPNN模型大大提高了短期负荷预测模型的精度和网络的泛化能力，说明该混合模型更适用于高精度的电力负荷时间序列的短期预测，具有工程实用价值，为制定合理的电力供应策略提供技术支持。
