基于人工神经网络的电力系统短期负荷预测
龙源期刊网
基于人工神经网络的电力系统短期负荷预测
作者：李晶
来源：《科学与技术》2018年第26期
摘要：随着智能电网技术的发展，电网问题的管理变得尤为重要，负荷预测是电网管理的主要内容之一。针对电力负荷预测随机性强、稳定性低、影响因素复杂等特点，具有非线性特性的神经网络可以极大地提高预测精度。
关键词：电力系统；负载预测；神经网络；反向传播算法
引言
电力系统负荷预测按预测的时间可分为长期、中期、短期、超短期以及特殊日，然而其中的短期负荷预测对电力系统来说有着很重要的地位，也是现有电力市场环境下编排发电计划、交易计划、调度计划的基础。随着电力行业的发展，分布式电源的接入和电动汽车等新负荷的加入，电力系统负荷预测的精确度就显得尤其重要。因此负荷预测成为了电网运行和管理的一个重要研究领域。由于负荷预测在电网中占有很重要的地位，所以对负荷预测初始数据的处理、预测方法的选择就显得尤其的重要。对短期负荷预测的研究已有很长的历史，国内外专家和学者在预测方面做了很多工作，提出很多预测模型。
1 负荷预测方法比较
1.1 神经网络法
目前神经网络广泛应用于图像识别、自然语言处理、机器翻译、自动驾驶等方面。谷歌、百度、阿里等企业最主要的人工智能算法都是神经网络。神经网络在能源领域大量应用于电力负荷预测、电力现货市场价格预测、风电发电预测等方面。神经网络法在负荷预测上的应用主要分为人工神经网络和递归神经网络。神经网络法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型。神经网络对大量非结构性、非精确性规律具有自适应能力，能够信息记忆、自主学习、知识推理和优化计算，具有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力。江西负荷预测表明，其短期负荷预测精度高于中长期预测精度，日前负荷预测精度可达99.3%，5年规划负荷预测精度约为95.4%。
1.2 模糊预测法
模糊预测法是建立在模糊数学理论上的一种负荷预测技术，可以描述负荷预测中的一些关键因素，如天气状况的评判、经济发展的不确定性等。模糊负荷预测可分为模糊聚类法、模糊龙源期刊网
相似优先法和模糊最大贴近度法等。江西负荷预测表明，短期负荷模糊预测的精度约为97.8%，低于其他常用预测方法；5年规划负荷模糊预测的精度约为96.6%，高于其他常用预测方法。模糊预测结果可以预测区间及概率的形式描述，提供的信息量比其他预测方法大许多。
1.3 时间序列法
电力负荷的历史数据是按一定时间间隔进行采样和记录下来的有序集合，因此是一个时间序列，采用时间序列法建立描述电力负荷随时间变化的数学模型，可以对未来负荷进行预测。时间序列方法优点是所需数据少，工作量小，计算速度较快。缺点是时间序列方法对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期预测；对不确定性因素考虑不足，当天气变化较大或遇到重大临时经济活动时，该模型预测误差较大。江西负荷预测表明，短期负荷预测精度高于中长期预测精度，实时负荷预测精度可达99.6%，5年规划负荷预测精度约为93.7%。
1.4 回归分析法
回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。回归分析法的优点是预测速度快，外推性能好，对于长周期性的影响因素（如节假日）具有较好的适应性。缺点是对历史数据要求较高，采用线性方法描述比较复杂的问题时精度较低；模型初始化难度较大。江西负荷预测表明，短期负荷预测精度高于中长期预测精度，实时负荷预测精度可达99.4%，季度负荷预测精度可达98.6%，5年规划负荷预测精度约为95.1%。
2 人工神经网络作用与分类
人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。
人工神经网络的主要类型有感知机、线性神经网络、径向基（RBF）函数网络、BP神经网络、随机神经网络、竞争神经网络等，其中BP神经网络是应用得最广泛的一种类型。BP神经网络是指误差反向传播算法（ErrorBackPropagtion，BP）网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。
3 神经网络在电力负荷预测中的应用 龙源期刊网
电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，Wang等提出了一种BP神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参下文举例某些实验后得到的结论：
（1）非负荷因素输入前级BP网络中，得出的负荷类型数据作为后级RBF网络的输入，通过BP-RBF的级联神经网络得到准确的整点负荷预测。由于BP神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。
（2）采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。
（3）利用人工神经网络和聚类方法建立了公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。
（4）预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。
（5）基于三角核函数（QRNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。
4 结语
电力负荷预测对国民经济、电网稳定和电力安全都有着非常重要的意义。如何提高预测速度、降低预测误差是电力负荷预测研究的热点问题。目前，电力系統正在进行电力需求侧管理综合改革，其中电力负荷曲线的预测是需求侧管理的主要依据，提高其预测精度有助于电网公司了解用电规律，提高经济效益。
参考文献 龙源期刊网
[1]隋惠惠.基于BP神经网络的短期电力负荷预测的研究[D].哈尔滨：哈尔滨工业大学，2015.
[2]程宇也.基于人工神经网络的短期电力负荷预测研究[D].杭州：浙江大学，2017.
[3]苏蔚.基于神经网络的电力系统负荷预[D].天津：天津大学，2011.
（作者单位：国网河北省电力公司石家庄供电分公司）
电力系统负荷预报的matlab实现
上海工程技术大学毕业设计（论文） 电力系统负荷预报的Matlab实现
1 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 上海工程技术大学毕业设计（论文） 电力系统负荷预报的Matlab实现
2
Power System Load Forecast Matlab
Abstract
Power system load forecasting power production department is one of
BP人工神经网络负荷预测模型的L—M训练算法
第２９卷第３期 ２ＯＯ６年６月 四川电力技术 Ｓｉｄａｍ Ｅｈｃｔｔｌｃ ＰｏｗｅｒＴｅｃｈｎｄｏ￣， ｖ０１．２９．Ｎｏ．３ Ａｐｒ．・２０Ｏ６
ＢＰ人工神经网络负荷预测模型的Ｌ—Ｍ训练算法
杨毅强。刘天琪
（四川大学电气信息学院，四川成都６ｌ００６５）
摘要：根据电力系统短期负荷预洲的需要。用ｃ＋＋开发了单隐舍层ＢＰ人工神经网络程序。程序用Ｌｅｖｅｎｂｅｒｇ— Ｍ哪ｕａｌｄｔ训练算法实现神经网络训练。大大提高了训练速度。采用２４个单输出人工神经网络模型分别预测每天的整 点负荷。谊预测模型可动态生成，提高了预测模型的自适应性。实际算例结果表明，采用试算法及其租序进行短期负 荷预测，可得到令人满意的训练速度及预测精度。 关键词：人工神经网络； 嘲ｌｂｅ瑁一ＭｌＩＩｑｕ＆ｒｄｔ算法；Ｃ＋＋；短期负荷预测；调度自动化 Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇｔｏ ｔｈｅ ｄｅｍａｎｄ ｓｈｏｒｔ—ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔ ｏｆｐ ｓｙａｅｍ，ａ ｏ｜ｌｅ—ｈｉｄｄｅｎ—ｋ叮ｅｒａｒｔｉｆｉｃｉａｌ ｎｅｕｎｄ ｎｅｔｗｏｒｋ ｐｒｏ－ ｇｒａｉｎ ｉｓ ｄｅｖｄｏｐ￣ｄ ｗｉｔｈ Ｃ＋＋． ｎｌｅ ｔｒａｉ￣ａ＝ｇ ｐｒｏｃｅｓｓ ｉｓ ａｃｃｏｍｐｌｈｈｅｄ ｂｙ ｔｅｖ￣－Ｍｌ哪［ｕ＆ｒｄｔ ｔｈｍ，ａｎｄ ｔｈｅ ｔｒａｉｎｉｎｇ ８ｐｅｅｄ ｉｓ ｍｕｃｈ ｆａｓｔｅｒ．Ｔｈｅ ｈｏｕｒｌｙ ｌｏａｄ ｏｆ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ，ｂｙ ｉｓ ｆｏｒｅｃａｓｔｅｄ ｂｙ ２４ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔ＇ｌ￣ｌｒｋ ｍｏｄｅｌｓ ｒ￣ｐｅｃｔｉｖｄｙ．Ｔｈｅ ａｄａｐｔａｂｔＵｔｙ ０ｆｔｈｅ ｍｏｄａｌ ｉｓ ｅｎｈＢ／ＩＣ￣ｂｙｔｈｅ ｄｙｌｌｇＲ￣Ｃ ｔｒａｉｎｉｎｇ ｂｅｆｏｒｅｆ，￣ｔｉｎｇ．Ｔｈｅ ａｃｔｕａｌ ｃａｌｃｕｈｆｉｏｎ ｒｅ￣ｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｔｒａｉｎｉｎｇ叩ｅｅｄ ａｎｄ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ａｏｍｒ￣ｙ ａｒｅ ｓａｔｉｓｆａｃｔｏｒｙ． Ｋｅｙ ｗｏｒｄｓ：ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏ￣；Ｌｅｖｅｎｂｅｒｇ—Ｍａ唧 ａｌｇｏｒｉｔｈｍ；Ｃ＋＋；ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔ；ｄｉｓｐａｔｃｈ ａｕｔ￣ｎａｆｉｏｎ 中图分类号：＇１Ｍ７１４文献标识码：Ａ文章编号：１００３—６９５４｛２０Ｏ６）Ｏ３—００２９—０３
基于BP神经网络数学模型的短期负荷预测研究
第３Ｏ卷第２期 ２ ０ ０ ７年６月 长春理工大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ＶｏＬ３Ｏ Ｎｏ．２ Ｊｕｎ．２ ０ ０ ７
基于ＢＰ神经网络数学模型的短期负荷预测研究
马继涛 ，李军 ，董元方 ，艾欣
（１．华北电力大学，北京１０００００；２．长春理工大学，长春１３００２２）
摘要：讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明：基于ＢＰ神经网络的短期电力
负荷预测具有精度高的特点，符合预测结果的相对误差小于３．ｏ６％。 关键词：神经网络；ＢＰ学习算法；短期负荷预测 中图分类号：ＴＭ７１５ 文献标识码：Ａ 文章编号：１６７２－９８７０（２００７）０２—０ｌ１１一ｏ４
Ｒｅｓｅｒｃｈ ｏｆ Ｓｈｏｒｔ Ｔｅｒｍ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｂａｓｅｄ ｏｎ
Ｍａｔｈｅｍａｔｉｃａｌ Ｍｏｄｅｌ ０ｆ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
ＭＡ Ｊｉｔａｏ‘，ＬＩ Ｊｕｎ ，ＤＯＮＧ Ｙｕａｎｆａｎｇ ，ＡＩ Ｘｉｎ
（１．Ｎｏｒｔｈ Ｃｈｉｎａ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅ￣ｊｉｎｇ １０００００；２．Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｃｈｕｎ １３００２２）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｄｉｓｃｕｓｓ ｏｕｒ ｒｅｓｅａｒｃｈ ｗｏｒｋ ｏｎ ｔｈｅ Ｓｈｏｒｔ Ｔｅｒｍ Ｉ＿￣ａｄ Ｆｏｒｅｃａｓｔｉｎｇ（ＳＴＬＦ）Ｕｓｉｎｇ Ａｒｔｉ—
ｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｈｏｒｔ—ｔｅｒｍ Ｉ＿￣ａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ
ｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｏｆ ｈｉｇｈ ｐｒｅｃｉｓｉｏｎ．Ｔｈｅ ｒｅｌａｔｉｖｅ ｅｒｒｏｒ ｏｆ ｍａｔｃｈｉｎｇ ｔｈｅ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｕｓｉｎｇ ｎｅｕｒａｌ
一种基于模糊逻辑和神经网络的短期负荷预测的方法
第２９卷第４期 ２０Ｏ６年８月 四川电力技术 Ｓｉｅｈｕａｎ ｇｌｅｅ￣ｉｃ Ｐｏｗｅｒ ｒｅｄｍｄｏｇｙ Ｖｏ１．２９ｌＮｏ．４ 培．。２０Ｏ６
一种基于模糊逻辑和神经网络的
短期负荷预测的方法
杨英 （德阳电力调度局，四川德阳６１８００ｏ）
摘要：应用模糊理论、人工神经网络等智能技术，确定了有效的电力系统短期负荷预测方法，其中着重考虑了天气 因素对电网负荷的影响，采用了具有高度非线性映射能力的人工神经网络与具有较强结构性知识表达能力的模糊逻 辑相结合的算法来预测负荷，经初步测试表明，该方法具有良好的预测精度。 关键词：电力系统；短期负荷预测；人工神经网络；模糊逻辑 Ａｂ６嘲：Ａｎ ｅｆｆｉｃｉｅｎｔｍｅｔｌｌ０ｄｆｏｒ ｓｈｏｒｔ—ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｓ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ ｏｎｉｎｔｅｌｌｉｇｅｎｔｔｅｃｈｎｉｑｕｅｓ ｓｕｃｈ鹪Ｉ．ｕｚｚｙｌｏｇｉｃ ａｎｄ ａｒｆｉｆｉ－ ｃｉａｌ ｍｕｒａｌ ｎｅｔｗｏｒｋ，ｉｎ ｗｈｉｃｈ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｗｅａｔｈｅｒ ｅ，ｏ￣ｌｉｆｉｏｎｓ ｏｎ ｐｏｗｅｒ ｓｙｓｔｅｍ ｌｏａｄ ｉｓ ｉｎｃｏｒｐｏｒａｔｅｄ．Ａｎ ａｌｇｏｒｉｔｈｍ ｉｓ ａｄｏｐｔｅｄ ｔｏ ｆｏｒｅｃａｓｔ ｌｏａｄ ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ａｒｔｉｆｉｃｉａｌ ｍｕｒａｌ ｎｅｔｗｏｒｋ ｔｌＩ ｈｉｇｈ ｎｏｎ—ｌｉｎｅａｒ ｍａｐｐｉｎｇ ａｂｉｌｉｔｙ ａｎｄ ｆ ｌｏｇｉｃ ｔｌＩ ｓｔｒｏｎｇｅｒ ｓｔｎｍｕｒａｌ ｋｎｏ，，ｑ￣ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｂｉｌｉｔｙ，ａｎｄ ａｆｔｅｒ ｉｎｉｔｉａｌ ａｐｐｌｉｃａｔｉｏｎ，ｉｔ ｉｓ ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｈａｓ ｇｏｏｄ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｃｙ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｗｅｒ ｓｙｓｔｅｍ；ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔ；ａｒｔｉｆｉｃｉａｌ ｍｕｒａｌ ｎｅｔｗｏｒｋ；丘ｌｚ ｌｏｇｉｃ 中图分类号：＇ｒＭＴ１５文献标识码：Ａ文章编号：１００３—６９５４（２ｏ０６）ｏ４一ｏｏ０７—０３
电力系统负荷预测模型及预测算法研究
电力系统负荷预测模型及预测算法研究
电力系统是现代社会中不可或缺的组成部分，它为各行各业提供了不间断的电力保障。然而，电力系统的负荷预测是影响其稳定运行的重要因素之一。研究电力系统负荷预测模型及预测算法，具有重要意义。
一、电力系统负荷预测模型
电力系统负荷预测模型通常是基于历史负荷数据，建立的一种预测模型。常见的电力系统负荷预测模型包括均值预测模型、回归分析模型、时间序列分析模型和神经网络模型等。
1. 均值预测模型
均值预测模型是电力系统负荷预测中最简单的模型。它假设未来负荷变化只取决于过去负荷均值的变化，其计算方法较为简单，但精度较低，误差较大。
2. 回归分析模型
回归分析模型采用统计学方法建立电力负荷与影响因素之间的函数关系模型，较均值预测模型精度更高，但需要较多的历史数据和影响因素。
3. 时间序列分析模型 时间序列分析模型是基于时间序列数据建立的预测模型，它更加符合电力系统负荷预测的历史变化规律，能够捕捉到电力负荷的短期和长期趋势，并且预测精度较高。
4. 神经网络模型
神经网络模型是一种基于人工神经网络建立的预测模型。它可以自适应地学习历史数据的特征和规律，具有较强的适应能力和预测精度，被广泛应用于电力负荷预测领域。
二、电力系统负荷预测算法
电力系统负荷预测算法是基于电力系统负荷预测模型，通过数学推导和编程实现，进行负荷预测的一种方法。常见的电力系统负荷预测算法包括三类：基于统计学方法的算法、基于机器学习的算法以及基于深度学习的算法。
1. 基于统计学方法的算法
基于统计学方法的算法主要包括传统的回归分析、时间序列分析以及灰色预测等方法。这些方法简单易懂，计算速度快，但受到历史数据的影响较大，在复杂情况下预测精度较低。
2. 基于机器学习的算法
基于机器学习的算法是指利用机器学习方法建立负荷预测模型，例如支持向量机、随机森林、决策树等。相对于传统的统计学方法，机器学习方法可以更好地捕捉到数据中的隐含规律，能够提高预测精度，但需要较大的时间和优化成本。
基于神经网络的智能控制在电力系统中的应用
基于神经网络的智能控制在电力系统中的应用
随着人工智能技术的不断发展，越来越多的智能控制系统被应用在电力系统中，以实现更加高效的电力供应和管理。其中，基于神经网络的智能控制系统在电力系统中的应用越来越受到人们的重视。
一、神经网络的基本原理
神经网络是一种模拟生物神经系统的计算模型，它由多个神经元组成的层次结构所构成。这些神经元之间的连接模式以及连接的权重通过训练算法来确定。神经网络能够通过对大量的输入输出样本的学习，自动地调整神经元之间的连接权重，以实现对未知样本的预测。这种自适应机制使得神经网络在处理非线性、复杂和噪声高的问题时表现出非常好的性能。
二、基于神经网络的智能控制在电力系统中的应用
1. 电力系统负荷预测
电力负荷预测对于电力系统的运营非常重要。预测准确度越高，电力系统的调度就越精确，能源利用效率也就越高。通过应用神经网络模型，可以根据电力系统历史的负荷数据进行训练，预测未来的负荷需求。这样就能够对电力系统进行高效调度，减少供能浪费。
2. 瞬时负荷预测
电力系统在运行过程中，经常会出现瞬时负荷扰动，这将对电力系统带来很大的影响。瞬时负荷预测可以帮助电力系统及时做出调整，以保证电力系统的安全运行。基于神经网络的智能控制模型，可以以瞬时负荷预测为基础，对电力系统进行准确的重新调整。 3. 高压直流输电系统中的大电流故障诊断
高压直流输电系统中，由于电流会受到多种因素的影响，经常会出现不同程度的故障。这种故障将导致电力系统运行停止，带来严重的经济损失。基于神经网络的智能控制模型，可以对高压直流输电系统中的电流数据进行训练，并通过对故障数据的分析进行精准诊断，及时清除故障，以保证电力系统的安全运行。
4. 电力系统异常检测
知道什么是正常的电力系统状态和特征对于广大的电力用户和维护人员具有重要意义，这样就可以对系统进行快速和准确的干预，从而保护和增加系统的可靠性和稳定性。为此，利用神经网络来实现智能检测电力系统的异常状态，可根据历史数据对电力系统的状态进行预测分析，并判断当前状态是否正常。一旦发现异常，系统就会及时发出警报，从而防止电力系统出现故障。
基于回归BP神经网络的短期负荷预测
２００８年第２４期 （总第２４６期） 企业科技与发展 Ｅｎｔｅｒｐｒｉｓｅ Ｓｃｉｅｎｃｅ Ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ＆Ｄｅｖｅｌｏｐｍｅｎｔ ＮＯ．２４，２００８ （Ｃｕｍｕｌａｔｉｖｅｌｙ ＮＯ．２４６）
基于回归ＢＰ神经网络的短期负荷预测
陈明华
（广西电力工业勘察设计研究院，广西南宁５３００２３）
【摘要】负荷的形成受多方面因素的影响，在建立短期负荷预测模型时，需要综合考虑多种因素 同时，负荷是 ＿种时间序列信号，目前的数据能够对以后的数据产生重要的影响，所以文章采用回归ＢＰ神经网络模型应用于短 期负荷预测。实例计算表明，该方法有效，预穰４精度比常规方法高，收敛性好’运算速度快磊 【关键词】短期负荷预测；回归ＢＰ神经网络 【中图分类号】ＴＭ７１５ 【文献标识码Ｉｓ 【文章编号］１６７４￣０６８８（２００８）２４－００８￣０２
Ｓｈｏｒｔ——ｔｅｒｍ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｂａｓｅｄ ｏｎ Ｒｅｃｕｒｒｅｎｔ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ
ＣＨＥＮ Ｍｉｎｇ——ｈｕａ （Ｇｕａｎｇｘｉ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒａｎｄ Ｉｎｄｕｓｔｒｙ Ｓｕｒｖｅｙ Ｄｅｓｉｇｎ Ｉｎｓｔｉｔｕｔｅ，Ｎａｎｎｉｎｇ Ｇｕａｎｇｘｉ ５３００２３） 【Ａｂｓｔｒａｃｔ】Ｔｈｅ ｌｏａｄ ｆｏｒｍｉｎｇ ｉｓ ａｆｆｅｃｔｅｄ ｂｙ ｖａｒｉｏｕｓ ｆａｃｔｏｒｓ．Ｉｎ ｔｈｉｓ ｃａｓｅ，ｗｈｅｎ ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｉｓ ｂｅｉｎｇ ｂｕｉｌｔ，ｍａｎｙ ｆａｃｔｏｒｓ ｓｈｏｕｌｄ ｂｅ ｔａｋｅｎ ｉｎｔｏ ｃｏｎｓｉｄｅｒａｔｉｏｎ．Ｍｅａｎｗｈｉｌｅ，ｌｏａｄ ｉｓ ｓｅｑｕｅｎｃｅ ｓｉｇｎａｌ ｏｆ ｔｉｍｅ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ ｄａｔａ ａｔ ｐｒｅｓｅｎｔ ｗｏｕｌｄ ｈａｖｅ ｅｆｆｅｃｔｓ ｏｎ ｔｈｅ ｄａｔａ ｉｎ ｔｈｅ ｆｕｔｕｒｅ．Ｔｈｅ ａｒｔｉｃｌｅ ａｄｏｐｔｓ ｔｈｅ ｍｏｄｅｌ ｏｆ ｒｅｃｕｒｒｅｎｔ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｐｐｌｙｉｎｇ ｉｎ ｓｈｏｒｔ－ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ．Ｅｖｉｄｅｎｃｅｄ ｗｉｔｈ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ，ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ｅｆｆｅｃｔｉｖｅ ａｎｄ ｍｏｒｅ ｐｒｅｃｉｓｅ ｔｈａｎ ｃｏｍｍｏｎ ｍｅｔｈ－ ｏｄｓ，ａｎｄ ｆｅａｔｕｒｅｓ ｗｉｔｈ ｇｏｏｄ ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ ｆａｓｔ ｏｐｅｒａｔｉｏｎ ｓｐｅｅｄ． 【Ｋｅｙ ｗｏｒｄｓ】ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ；ｒｅｃｕｒｒｅｎｔ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
电力系统短期负荷预测的研究
0 目 录
中文摘要 .............................................................. 1
英文摘要 .............................................................. 2
1 电力系统负荷预测综述 ............................................... 3
1.1 引言 ........................................................... 3
1.2 电力系统负荷预测的含义 ......................................... 3
1.3 电力系统负荷预测的意义 ......................................... 4
1.4 电力系统负荷预测的现状 ......................................... 4
1.5 电力系统负荷预测的程序 ......................................... 5
1.6 本文的主要工作 ................................................. 6
2 电力系统短期负荷预测的研究方法 ..................................... 7
2.1 经典预测方法 ................................................... 7
2.2 现代负荷预测方法 ............................................... 8
3 人工神经网络概述 .................................................. 12
基于贝叶斯神经网络方法短期负荷预测指南
基于贝叶斯神经网络方法短期负荷预测指南
短期负荷预测是电力系统调度和能源市场运营中的重要任务之一，对于电力系统的安全运行和稳定供电至关重要。负荷预测主要用于确定未来短期时间内的电力需求，以便调度员做出合理的决策和调度安排。
近年来，贝叶斯神经网络（Bayesian Neural Networks, BNN）方法在短期负荷预测领域取得了显著的进展。BNN方法是一种结合了神经网络和贝叶斯推断的模型，能够通过考虑参数不确定性来提供更准确的预测结果。
下面是基于贝叶斯神经网络方法的短期负荷预测指南：
1.数据收集与预处理：首先，需要收集历史负荷数据和相关的气象数据（如温度、湿度等），构建一个用于训练和测试的数据集。然后，对数据进行预处理，包括去除异常值、填补缺失值、标准化等。
2.构建贝叶斯神经网络模型：根据数据集的特征和问题需求，选择适当的神经网络结构和模型配置。在贝叶斯神经网络中，每个参数都被视为一个分布，而不是一个确定的值，这可以通过引入先验分布和后验分布来实现。可以使用梯度下降等优化算法来训练贝叶斯神经网络。
3.参数不确定性估计：贝叶斯神经网络能够提供参数的不确定性估计，这可以通过贝叶斯推断来实现。在训练过程中，可通过采样来获得参数的后验分布，然后通过计算后验分布的均值和方差等统计指标来估计参数的不确定性。
4.模型评估与验证：使用测试集来验证贝叶斯神经网络模型的预测性能。可以通过计算预测值与实际值之间的误差指标（如均方根误差、平均绝对误差等）来评估预测结果的准确性。 5.预测与决策支持：基于训练好的贝叶斯神经网络模型，可以进行未来短期负荷的预测。这些预测结果可以为电力系统的调度员和能源市场运营人员提供决策支持，帮助他们做出合理的负荷调度和能源交易决策。
6.模型更新与优化：定期更新训练数据和重新训练模型，以保证贝叶斯神经网络模型的精度和鲁棒性。此外，可以通过调整神经网络结构和模型配置、集成其他预测方法等方式来进一步优化贝叶斯神经网络模型的性能。
基于广义回归神经网络模型的短期电力负荷预测分析
责任编辑：王祝萍ＴＥＬ／０１０－－６１７７３２３３ ＣＥＰＥ
喧
基于广义回归神经网络模型的短期电力负荷预测分析
宋献武姚维为董文静
摘要：负荷预测技术是确保电力系统经济运行的重要因素之－一。在介绍一种广义回归神经网络的基础上，重点讨论了气象因子对负
荷预测结果的影响。使用ＭＡＴＬＡＢ软件建立一个带有湿度、降雨、温度、气压、风速等因子的负荷预测模型，通过反复训练最终达到理
想效果。最后与广泛使用的ＢＰ神经网络模型相比较，充分显示出￣＇ＧＲＮＮ在负荷预测方面的优越性。
关键词：短期负荷预测；气象因子；ＧＲＮＮ算法；ＢＰ神经网络 作者简介：宋献武（１９８１一），男，河南南阳人，湖南沅陵凤滩水电厂电气维修部，工程师。（湖南沅陵４１９６２１）姚维为（１９８８一），
男，湖北宜昌人，三峡大学电气与新能源学院硕士研究生。（湖北宜昌４４３００２） 中图分类号：ＴＭ７４ 文献标识码：Ａ 文章编号：１００７～００７９（２０１３）２７—０１８７—０３
电力负荷预测就是指根据历史电力负荷值，并加入电网自
身特点、自然和社会现实条件对系统的影响因素等，开发出一套
系统或研究出一种理论去预测未来的电力负荷的方法。如果预
测值能达到很高的精度，那么将会极大地提高电力系统运行的 经济和社会效益。
传统负荷预测常采用恒阻抗、恒电流、恒功率及其混合模
型来模拟电力系统，往往不能真实地反映实际情况，有时甚至 得出完全错误的结论。这是因为模型参数常采用‘（典型参数”，
并掺杂大量“经验值”，这些模型固有的非线性和非连续性会给
仿真带来巨大的误差。运用神经网络理论进行负荷预测具有一
定可行性，因为其可模仿人脑，处理大量非解析性、非线性的规
律，能够记忆学习规则，有自主学习、自动推理的特点，这些都 是传统算法和专家系统办不到的。ｆｌ１
一、ＧＲＮＮ算法概述及在负荷预测中的应用 １．广义回归神经网络算法概述 径向基神经网络（ＲＢＦ）是一个只有一个隐藏层的三层前