天津大学本科生毕业设计（论文）开题报告
课题名称 电力系统负荷预测的智能方法研究 学院名称 电气与自动化工程学院 专业名称 电气工程及其自动化 学生姓名 指导教师 1． 课题的来源及意义 电力系统负荷可指电力需求量（功率）或用电量（能量）。负荷预测指的是在充分考虑一些重要的系统运行状态变量和自然条件的情况下，利用各种科学的或经验的方法，结合过去负荷变化的相关数据，在一定的准确度范围内，预测未来某一特定时刻或某些特定时刻的负荷。 电能是不能大量存储的，电能的生产，输送，分配，消费都是同时进行的。所以，这要求发电和用电必须有计划性，使发电，输电，配电，用电达到平衡。准确的负荷预测可以帮助电力部门找到这种平衡，制定合理的发电计划。实现发电容量合理调度，确定各发电机组启停和发电量，在系统安全范围内，使发电成本降为最低，确保电网安全稳定运行。同时，负荷预测也是满足电力市场发展的需要。负荷预测是电力市场的基础工作，其预测精确性直接影响电网及发电厂的经济效益，所以必须进行深入的研究。 2． 国内外发展状况 电力系统负荷预测十分重要而又十分复杂。要使负荷预测达到一定的精度十分困难。为了提高负荷预测的精度，人们研究出了许多类方法用于负荷预测。第一类，经典线性理论模型预测方法，如卡尔曼滤波法、回归法、自回归滑动平均模型、灰色预测法等。它把负荷数据看作是按时间变化的时间序列，将实际负荷和预测负荷之间的差值看作是一个平稳的随机过程。通常建立两个数学模型即静态模型和动态模型。这类方法理论成熟，方法简单，速度快，可是此类方法本质都是线性模型方法，对各种干扰因素如气象条件处理不好。因此很难适应复杂多变的电力负荷预测，经典线性理论负荷预测的精度也很难达到要求。 第二类是非线性人工智能预测方法。近年来，以专家系统、人工神经网络、模糊逻辑系统为代表的人工智能技术取得了飞速的发展。此类方法可以不用建立精确的数学模型而模拟人类的智能行为，因此比第一类传统方法更为优越。近些年来，这些智能方法用于负荷预测已经取得的很好的效果。人工智能方法建立于非线性模型基础上，因此可以充分反映出电力系统负荷变化和天气、假日等干扰因素之间的关系。同时，还可以借助人类的智慧和经验如自学习、模糊处理等。因此大大提高了负荷预测的精度。但是这一类方法要求输入精确的历史数据和全
面的信息，而且计算量巨大，算法复杂。智能方法中人工神经网络受到了国际重视，各个国家都对人工神经网络深入研究并运用于实践当中。非线性人工智能预测方法在电力系统负荷预测方面有良好的发展前景和研究价值。 第三类是前两类几种方法相结合，发挥各自优点，最终提高预测精确度。这类方法关键是采取哪几种方法，以及如何综合。目前这类方法正在研究当中，还不成熟。所以，目前各国主要使用第二类方法进行负荷预测。 3． 本课题的研究目标 因为传统方法很难做出准确的负荷预测，因此本课题将利用智能方法进行负荷预测。在时间上，电力系统负荷预测分为长期、中期、短期、超短期四类。本文主要进行短期负荷预测，分析电力系统短期负荷变化规律，研究其与天气、节假日等因素之间的非线性关系。选择一种有效的人工智能方法如人工神经网络方法，利用精确的负荷历史数据和天气气候数据，对短期电力系统负荷进行预测，对历史负荷数据进行非线性拟合，记忆负荷发展和变化的特征，使预测更具精度性和快速性。最终利用建立好的负荷模型进行仿真实验，检验预测的精确性。 4． 研究内容 学习比较人工智能各种方法的原理和应用规则，选择几种最适应的方法研究，并将其应用于电力系统负荷预测中。研究天气、节假日等因素与电力系统负荷的非线性关系，将发挥数据泛化处理，并将各种影响因素数据化从而建立模型使负荷预测更加快速和准确。 使用编程工具MATLAB经行仿真计算，根据所建立的负荷模型及精确的负荷历史数据和天气气候数据建立数学模型进行负荷预测。选择部分数据进行模型的训练，再选择部分数据用于模型的验证，以确保该方法可以用于电力系统负荷预测。 5． 研究方法、研究手段和实验方案的可行性分析 先选择几种人工智能方法对电力系统负荷进行建模。再使用MATLAB进行仿真，将模型输入再输入精确的负荷历史数据和天气气候数据进行训练和自学习以得到良好的负荷预测模型。 通过使用软件MATLAB中的工具箱结合实验数据可以得到一个有效的负荷预测模型并对其进行仿真，为学习和研究提供了有效的方法和强有力的工具。鉴于MATLAB软件强大的仿真功能和人工智能方法对电力系统负荷有很好的预测精度，实验方案是可行的。 6． 进度安排 I. 2008.12.20-2009.3.6 查询电力系统负荷预测相关资料，写开题报告，对与电力系统负荷预测智能方法研究相关的外文资料进行翻译。 II. 2009.3.7-2009.3.13 通过查阅资料选择并学习几种人工智能方法，将它应用于电力系统负荷预测。
III. 2009.3.14-2009.3.20 学习电力系统负荷变化规律，同时研究影响负荷变化的因素及其作用方式。 IV. 2009.3.21-2009.3.27 使用所选择的人工智能方法对电力系统负荷建模。 V. 2009.3.28-2009.5.8 仿真测试、分析验证所选择的人工智能方法对电力系统负荷预测的有效性。 VI. 2009.5.9-2009.6.20 整理数据，总结结论，撰写毕业论文，答辩。 7． 主要参考文献 [1] 刘晨晖，电力系统负荷预测理论与方法[M]. 哈尔滨:哈尔滨工业大学出版社，1987． [2] 赵剑剑，一种基于径向基函数的短期负荷预测方法[J].电网技术，2003，27(6)：22-25,32. [3] 谢静芳，王宝书，姜红，基于小时气象因子的神经网络短期负荷预测模型[J]．中国电力，2007，40（9）：82-86. [4] 卢建昌，王柳，基于时序分析的神经网络短期负荷预测模型研究[J]，中国电力，2005，38（7）：11-14. [5] 何飞，基于BP网络的改进负荷预测方法[J].华东电力，2004，32(3): 31-33. [6] 雷绍兰，孙才新，周湶，张晓星．电力短期负荷的多变量时间序列线性回归预测方法研究[J]. 中国电机工程学报，2006，26（2）：25-29. [7] 陈伟，吴耀武，娄素华，熊信艮，基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型[J]．电网技术，2007，31（3）：73-76. [8] 邓乃扬, 田英杰，数据挖掘中的新方法-支持向量机[M]． 北京：科学出版社，2004. [9] 张林，基于时间序列的支持向量机在负荷预测中的应用[J].电网技术，2004，28(19)：38-41. [10] 何仰赞，温增银，电力系统分析[M]. 华中科技大学出版社.2002. 选题是否合适： 是□ 否□ 课题能否实现： 能□ 不能□ 指导教师（签字） 年 月 日 选题是否合适： 是□ 否□ 课题能否实现： 能□ 不能□ 审题小组组长（签字） 年 月 日
摘 要
随着我国电力事业的发展，电网管理日趋现代化。电力系统负荷预侧问题的研究也越来越引起人们的注意。短期电力负荷预测是电力系统运行调度中一项非常重要的内容，是电力系统安全经济运行的前提。伴随电力系统的市场化，高质量的短期负荷预测越来越显得重要和迫切。
本文将首先对负荷预测现有方法进行综述，由于影响负荷的因素繁多且复杂，传统的预测技术已经不能满足负荷预测的需要。神经网络模型具有强大的知识学习能力和非线性映射功能，将气象因素类型日及历史负荷数据与负荷变化有机结合起来，可以提高预测的精度，在神经网络的输入量中除了具有相关历史负荷数据外，还引入了特征日概念，以提高模型对日周期的适应性；支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点。通过对天津历史负荷数据规律性的分析，建立基于支持向量机的短期负荷预测模型，并与神经网络模型作了实例仿真比较，结果表明基于支持向量机的负荷预测精度和速度要优于神经网络方法。
关键词：短期负荷预测；人工神经网络；支持向量机
ABSTRACT
With the development of the state power system, the electric network management modernizes day by day and load forecasting arouses increasing more and more interests from researchers. Short-Term Load Forecasting (STLF) is one of the most important contents of running and dispatching power system and it is the precondition of economic and secure operation of power system. Because the power system is getting more and more marketable, STLF with high quality is getting more and more important and exigent.
This thesis gives a summary for present method of load forecasting, because of numerous load influence factors having a great of complex characteristics, the traditional forecast methods can not match the requirement of load forecasting. The powerful learning ability and nonlinear reflecting functions of the artificial neural networks can combine the weather factors and historical load data, the precision of forecasting is improved. In the input of neural network，besides the related historical load data，the conception of daily parameters must be introduced to enhance the model’s adaptation ability to the daily cycle. SVM have the remarkable advantages of non-linear regression, high forecasting accuracy and small time complexity. Through the analysis of the regularity of historical load data of Tianjin, this paper proposes a short-term load forecasting model based on SVM. Compare with the forecasting method of artificial neural networks (ANN), the simulation results of the practical application show that the SVM method is much better than ANN.
Key Words: Short-Term Load Forecasting; Artificial Neural Network; Support Vector
Machine