基于神经网络的电力负荷预测方法研究及实现

近十多年来，随着国民经济的不断快速发展，我国电力系统也随之面临着越来越大的挑战。鉴于电能的特殊性，负荷预测成为了电力系统调度运营部门的重要工作。传统的电力负荷预测方法都是建立在线性假设基础之上，其预测精度低，难以满足现在电力部门的要求。如何建立有效的预测模型来提高提高电力系统短期负荷预测精度成为了预测工作中的重中之重。人工神经网络因其自身的自适应、自学习、高容错能力等一系列优点，备受大家的关注，已被应用在电力负荷预测中，并取得了较为理想的结果。在实际预测过程中，由于我们采集的历史负荷数据受各种因素的影响，采集到的离散信号存在信号干扰强，噪声多的缺点，如何最大可能的降低噪声，最大程度的逼近原始信号，也直接影响到电力负荷预测的精度。另外，根据负荷预测现存的一些问题，开发一套架构灵活、扩展性强、平台无关性的地市一体化电力负荷预测软件系统也具有重要的应用价值。 本论文的主要工作与创新点如下： （1）针对传统的预测方法，并结合人工神经网络在分析非线性问题所具备的优势，我们提出了基于神经网络的负荷预测模型，分析了BP算法在电力负荷预测中存在的问题并做出改进。从输入层、隐含层、输出层出发，设计并实现了基于神经网络的负荷预测模型。 （2）针对实际获得的电力负荷数据采集信号存在着干扰强，频谱范围宽等问题，提出了用小波分析对其进行去噪处理，并针对实际中电力负荷信号存在的问题对小波去噪算法做出了改进。 （3）开发完成了电子科技大学—四川华雁信息产业股份有限公司联合实验室项目——GVMS负荷预测系统，设计实现了数据存取接口、预测算法接口等，通过采用Hibernate技术实现了数据库平台的无关性，创新性的提出了GIS专题图。 （4）最后根据在实际开发过程中以及研究中遇到的一些问题给出了自己的一些想法，针对现在的负荷预测存在的一些不足和改进提出了一些改进的方向，这些有待于进一步研究。