基于相似日和动态模糊神经网络的短期电力负荷预测

作     者：游鑫 

作者单位：江西理工大学 

学位级别：硕士

导师姓名：任金霞

授予年度：2015年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：相似日 动态模糊神经网络 短期电力负荷预测 

摘      要：电力负荷预测不仅可以提高电能配送的安全,还可以使电网企业合理有效运转,是一种提高能源利用率的重要方法。短期电力负荷预测有着随机、时变、非线性等特点,现阶段主要有传统的数据统计与现代人工智能两种方法来对电力负荷进行预测。传统的数据统计方法注重数据的拟合、模型的建立,而对电力负荷预测的影响因素利用不足,其预测结果往往不是很理想。在现代人工智能算法中,对电力负荷进行预测使用最多的就是BP神经网络。该方法也存在着隐含层数、隐含层节点个数、初始权值等选择的不确定性,较为依赖使用者个人的专家经验,还有着隐含层的黑箱处理、过拟合、过训练等一系列缺点。为了提高短期电力负荷预测的准确率,本文作了以下几方面工作:(1)传统的模糊神经网络模糊规则是根据专家经验而事先确定好的,而现在电力负荷数据存在着数据量过大,数据过于繁杂等特点,此时,模糊规则的确定就成为一个难题。为了解决模糊神经网络的这个缺点,本文使用动态模糊神经网络来预测短期电力负荷,动态模糊神经网络最大的特点就是其模糊规则不是事先就确定好,而是根据输入样本进行动态调整,首先通过系统误差和可容纳边界两个因素来决定系统是否需要新增模糊规则,然后使用了分级学习技术来加快整个网络建立模型的速度,并且还使用了误差下降率算法来剔除对整个网络影响不大的一些模糊规则。(2)当使用全部的负荷数据来训练动态模糊神经网络时,会增加网络建模的复杂度,也会影响网络的建模速度。为了解决这个难题,本文使用相似日和动态模糊神经网络结合的方法来预测短期电力负荷,该方法就是在训练模型之前对训练样本作一个相似日处理,通过相似日自动寻找出与预测日在平均温度与星期因素上相似的样本,相似日与预测日在负荷消耗水平也比较相似,把预测日的相似日样本作为训练数据而不是将全部数据作为训练数据,从而提高建模速度及简化模型复杂度。(3)在以EUNITE公司提供的电力负荷数据基础上分别采用动态模糊神经网络、相似日和动态模糊神经网络结合的方法来进行负荷预测。实验取得了较为理想的结果,为电力负荷预测提供了新的方法。