基于BP神经网络的短期电力负荷预测的研究

电力行业是关系国家社会经济发展,关乎国家民生的一个重要基础性行业。电力系统的短期电力负荷预测是电网管理系统中的一个重要组成部分,是规划电网结构、营销、交易、安排调度计划及交易计划的前提和基础。预测精度的高低直接关系到电网能否安全、稳定、经济运行。随着社会经济的不断发展,人们对生活质量要求的提高,大量的降温取暖设备的应用使得负荷受气象因素的影响越来越大,因此气象越来越成为负荷预测中人们的关注点。本文以深圳市负荷为例对短期电力负荷预测的问题进行研究。对深圳负荷特性进行了分析,总结出负荷具有年周期性、周周期性、日周期性以及节假日特性。依据这些特性,可以对负荷做出合理预测。之后又对电力负荷预测的分类、影响负荷变化的因素、负荷预测的步骤以及误差分析等问题进行了研究。建立了考虑日特征相关因素的BP神经网络负荷预测模型,并分别用标准BP算法以及三种改进的BP算法(自适应BP算法、弹性梯度下降法以及L-M法)对深圳市负荷进行预测,通过对比分析,得到L-M法是训练最快也是预测精度最高的一种算法。建立了不考虑日特征相关因素的BP神经网络预测模型,用L-M法对深圳市负荷做出预测,与之前预测进行对比分析,其精度很差;对深圳市夏季7月份负荷用考虑日特征相关因素的预测模型做出预测,分析结果发现,预测精度偏低,为解决此问题,建立了考虑实时气象因素的预测模型,精度得到很大提高。