基于Elman神经网络的短期负荷预测

电力系统短期负荷预测是电力系统调度工作中一项非常重要的内容,是电力系统安全、经济、可靠运行的基础。负荷预测的精度直接影响到电力系统的经济性和稳定性。因此,电力系统短期负荷预测一直是国内外学者研究的重点方向之一。 研究表明,在众多负荷的影响因素中,气象因素对电力系统负荷影响最为显著。本文针对杭州地区进行负荷特性分析,并对数据进行了前期处理,采用相似度法探讨了各气象因素对负荷的影响。 近年来,人工神经网络作为一种智能算法在电力系统短期负荷预测中得到广泛研究和应用。但在应用中,主要采用BP神经网络,BP神经网络作为一种静态网络,在负荷预测过程中易陷入局部最小点,其预测效果不是很理想。本文提出采用具有动态递归性的Elman神经网络建立电力系统短期负荷预测模型,利用历史数据验证表明其效果明显优于BP模型。 考虑到地区电网负荷受气象因素影响较大,本文提出了综合考虑气象因子的处理方法。该方法采用综合气象因子(人体舒适度和温湿指数)作为输入,克服了气象因子直接输入时输入量多、预测时间长的缺点。同时,基于学习算法、激励函数和网络结构对模型进行改进。改进后的模型考虑了电网的动态特性,减少了神经网络输入量,增强了负荷预测模型的适应性。采用杭州地区实际数据对提出的方法和模型进行验证,结果显示该方法和模型能明显提高负荷预测精度。 针对光伏并网对短期负荷预测的影响,本文对光伏发电量的物理模型和预测模型进行了分析,并建立了光伏发电量预测模型。同时提出来对光伏发电削峰容量的一种计算方法,采用杭州地区的历史数据进行了计算,表明了光伏发电系统具有不可忽视的容量价值。