基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)研究與實(shí)現(xiàn).pdf

1、電力產(chǎn)業(yè)在國(guó)民工業(yè)系統(tǒng)中具有支柱作用，電力的平穩(wěn)運(yùn)行關(guān)乎國(guó)民經(jīng)濟(jì)的命脈。在電力系統(tǒng)管理中，電力負(fù)荷預(yù)測(cè)至關(guān)重要。準(zhǔn)確的電力負(fù)荷預(yù)測(cè)能夠?yàn)殡娏ο到y(tǒng)的平穩(wěn)運(yùn)行、制定合理電價(jià)、電力實(shí)時(shí)調(diào)度提供重要依據(jù)。特別是在經(jīng)濟(jì)領(lǐng)域，電力負(fù)荷預(yù)測(cè)能夠?qū)侠碚{(diào)配資源，優(yōu)化發(fā)電計(jì)劃，取得最優(yōu)的社會(huì)效益和經(jīng)濟(jì)效益起到巨大作用。然而隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，對(duì)電力的需求日益增長(zhǎng)，電力負(fù)荷本身也受日期、天氣、氣候、市場(chǎng)以及政策影響，大大加大了準(zhǔn)確電力負(fù)荷預(yù)測(cè)的難度。<

2、br>　　本文首先介紹了電力負(fù)荷預(yù)測(cè)的背景以及負(fù)荷預(yù)測(cè)對(duì)經(jīng)濟(jì)的影響，分析了影響電力負(fù)荷的因素以及電力分析的基本模型并介紹電力負(fù)荷預(yù)測(cè)常用的基本方法。本文重點(diǎn)介紹了神經(jīng)網(wǎng)絡(luò)的基本原理，如何將神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測(cè)之中，并提出了基于序列增量比的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。本文的內(nèi)容主要包括以下三個(gè)方面:
　　一、對(duì)電力負(fù)荷預(yù)測(cè)的基礎(chǔ)模型和基本方法進(jìn)行了詳細(xì)的介紹。本文通過(guò)對(duì)數(shù)據(jù)的可視化方法介紹了影響電力負(fù)荷的四種分量，包括基本（正常）負(fù)荷分量

3、、天氣敏感分量、特殊事件敏感分量以及隨機(jī)分量，以及各個(gè)分量對(duì)電力總負(fù)荷變化趨勢(shì)的不同作用。然后簡(jiǎn)要介紹了預(yù)測(cè)負(fù)荷的幾種方法，包括傳統(tǒng)的基本的分析預(yù)測(cè)方法以及灰度預(yù)測(cè)、回歸分析和神經(jīng)網(wǎng)絡(luò)等智能預(yù)測(cè)方法。
　　二、對(duì)神經(jīng)網(wǎng)絡(luò)的基本原理進(jìn)行了系統(tǒng)介紹。本文介紹了兩種網(wǎng)絡(luò)，即基本的前饋神經(jīng)網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)，以及如何通過(guò)反向傳播進(jìn)行參數(shù)學(xué)習(xí)。介紹了我們?nèi)绾螌⑸窠?jīng)網(wǎng)絡(luò)用于預(yù)測(cè)，包括處理數(shù)據(jù)，如何將輸出數(shù)據(jù)歸一化以及如何將特征進(jìn)行量化，以及

4、確定隱藏層節(jié)點(diǎn)個(gè)數(shù)。介紹了我們提出的通過(guò)序列增量比的方式進(jìn)行多步負(fù)荷預(yù)測(cè)。
　　三、使用前饋神經(jīng)網(wǎng)絡(luò)(Feed-forward Neural Networks)和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，簡(jiǎn)稱RNNs）兩種網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)。對(duì)這兩種網(wǎng)絡(luò)，分別設(shè)置基本的預(yù)測(cè)負(fù)荷和序列增量比預(yù)測(cè)兩種結(jié)構(gòu)，并且由于RNN具備自動(dòng)學(xué)習(xí)歷史信息的能力，我們只在前饋網(wǎng)絡(luò)的輸入中加入歷史數(shù)據(jù)來(lái)得到基本負(fù)荷分量。我們的實(shí)驗(yàn)