西南交大网络教育毕业论文(电气工程及其自动化)(电力机车)-电力系统短期负荷预测的研究(编辑修改稿)

西南交大网络教育毕业论文(电气工程及其自动化)(电力机车)-电力系统短期负荷预测的研究(编辑修改稿)内容摘要：

预测报告是预测结果的文字表述。 预测报告一般包括题目、摘要、正文、结论、建议、和附录等部分。 预测题目主要反映预测目标、预测对象、预测范围和预测时限。 摘要通常说明预测中的主要发现、预测的结果及提出的主要建议和意见。 摘要与题目配合，可以引起有关方面的重视。 正文包括分析及预测过程、预测模型及说明、有关计算方法、必要的图表、预测的主要结论及对主要 结论的评价。 结论与建议是扼要地列出预测的主要结果，提出有关建议和意见。 附录主要包括说明正文的附表、资料，预测中采用的计算方法的推导和说明，以及正文中未列出的有价值的其他资料。 电力负荷预测模型及基本算法 电力负荷预测模型 针对影响系统负荷的因素，电力系统总负荷预测模型一般可以按四个分量模型描述为 L(t)=B(t)+W(t)+S(t)+V(t) （ 41） 式中， L(t)为时刻 t的系统总负荷； B(t)为时刻 t 的基本正常负荷分量； W(t)为时刻 t 的天气敏感负荷分量 ； S(t)为时刻 t的特别事件负荷分量； V(t)为时刻 t的随机负荷分量。 （ 1） 基本正常负荷分量模型 不同的预测周期， B(t)分量具有不同的内涵。 对于超短期负荷预测， B(t)近似线性变化，甚至是常数；对于短期负荷预测， B(t)一般呈周期性变化；而中长期负荷预测中， B(t)呈明显增长趋势的周期性变化。 所以，对于基本正常负荷分量，可以用线性变化模型和周期变化模型描述，或用二者的合成共同描述，即 ( ) ( ) ( )B t X t Z t （ 42） 式 中， ()Xt为线性变化模型负荷分量； ()Zt 为周期变化模型负荷分量。 线性变化模型可以表示为 ()X t a b t    （ 43） 式中， a,b 为线性方程的截距和斜率；  为误差。 1）线性变化模型 超短期负荷变化可以直接采用线性变化模型，将前面时刻的负荷描述成一条直线，其延长线即 可预测下一时刻的负荷，如图所示。 短期负荷日均值接近于常数，长期负荷年均值增长较大，甚至需要用非线性模型（二次或指数函数）描述。 针对短期负荷预测，将历史上一段日负荷 L按时序画在一张图上，见图 所示，将及每日平均负荷 X画在图上，总体看来是一条斜率接近于零的直线，可用线性模型来描述。 [西南交通大学 ] 西南 交通大学 网络 教育学院毕业设计（论文） 15 图 负荷线性变化模型 2）周期变化模型 周期变化模型，是用来反映负荷有按日、按月、按年的周期变化特性。 如图 所示给出了日负荷曲线，其周期变化规律可以用日负荷变化系数 ()iZt表示： ()() iiiLtZt X （ 44） 其中， ()iLt为一天中各小时的负荷； iX 为当天的日平均负荷。 图 给出连续几天的日负荷变化系数 ()iZt曲线，其有明显的周期性，即以 24小时为周期循环变化。 顺序观 察每天同一时刻的负荷变化系数值，可以看出他们接近于一条水平线，这样便可以用前几天的同一时刻的负荷变化系统值的平均值预测以后的值。 逐小时作出日负荷变化系数的平均值，连接起来就是一天总的周期变化曲线。 我们把这种反映一天 24小时负荷循环变化规律的模型称为日周期变化模型。 即 11( ) ( )n iiZ t Z tn   (t=1,2,...,24) （ 45） 式中， n 为过去日负荷的天数； ()iZt为过去第 i 天第 t 小时负荷变化系数。 这样，按线性模型预测 B(t)的负荷均值 X(t)，按周期变化模型预测 B(t)的周期负荷变化系数 Z(t)，用式（ 42）就可以得到基本负荷分量 B(t)。 （ 1） 天气敏感负荷分量模型 影响负荷的天气因素，有温度、湿度、风力、阴晴等，这里以温度为例说明天气敏感L 1 2 n n+1 8 16 24 8 16 24 24 24 16 8 图 日负荷周期变化模型 [西南交通大学 ] 西南 交通大学 网络 教育学院毕业设计（论文） 16 负荷模型。 以日负荷预测为例，给定过去若干天气负荷记录、温度记录，利用线性回归或曲线拟合方法，可以用三段直线来描述天气敏感负荷模型 ( ) ,( ) ( ) ,0,s s ss w w wwsK t T t TW t K t T t TT t T    （ 46） 式中， t 为预测温度，可以是一日最高温度、最低温度、平均温度或是某时点温度； wT ， wK 为电热临界温度和斜率， stT 时电热负荷增加，其斜率为 wK ； sT ， SK 为冷气临界温度和斜率， stT 是冷气负荷增加，其斜率为 SK。 在 wsT t T 之间一段温度上，电热和冷气均不开放，负荷和温度没什么关系。 （ 3）特别事件负荷分量模型 特别事件负荷分量指特别电视节目、重大政治活动等对负荷造成的影响。 其特点是只有积累大量的事件记录，才能从中分析出某些事件的出现对负荷的影响程度，从而作出特别事件对负荷的修正规则。 这种分析可以用专家系统方法来实现，也可以简单的用人工修正来实现。 人工修正方法通常用因子模 型来描述。 因子模型又可以分为乘子模型和叠加模型两种。 乘子模型，是用一个乘子 k 来表示特别事件对负荷的影响程度， k 一般接近于 1，那么，特别事件负荷分量为 ( ) ( ( ) ( ))S t B t W t k （ 47） 叠加模型，是直接把特别事件引起的负荷变化值 ()Lt 当成特别事件负荷分量 ()St ，即 ( ) ( )S t L t （ 48） （ 4）随机负荷分量模型 上述各分量的数学模型，都不适应于随机负荷分量。 实际上，对于给定的过去一段时间的历史负荷记录，提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后，剩余的残差即为各时刻的随机负荷分量，可以看成是随机时间序列。 目前，处理这样问题的最有效办法是 BoxJenkins 的时间序列法，其基本的时间序列模型有下述 4种。 1）自回归模型 一个自回归模型（ AR）描述的过程是它的现在值可以由本身的过去的有限项的加权和及一个干扰值 a(t)（假设为白噪声）来表 示，即 1( ) ( 1 ) ( 2 ) ( ) ( )ipV t V t V t V t p a t            （ 49） 在自回归模型中，模型的阶数 p 和系数 i （ i =1， 2， „ ,p） 由过去值通过模型辨别和参数估计来决定。 2）动平均模型 动平均模型（ MA）描述的过程是它的现在值 V(t)可由其现在和过去的干扰值的有限项的加权和来表示，即 12( ) ( ) ( 1 ) ( 2 ) ( )qV t a t a t a t a t q           （ 410） 同样，模型的阶数 q和系数 i （ i =1， 2， „ ,q） ，由过去的历史值通过模型辨别和参数估计决定。 [西南交通大学 ] 西南 交通大学 网络 教育学院毕业设计（论文） 17 3）自回归动平均模型 自回归动平均模型（ ARMA）把它的现在值 V(t)看作是它的过去值的有限项的加权和及其现在和过去干扰量的有限项加权的叠加，即 11( ) ( 1 ) ( ) ( ) ( 1 ) ( )pqV t V t V t p a t a t a t q               （ 411） 4）累积式自回归动平均模型 非平稳随机过程多种多样，一般常见的是含有趋势项和周期项的非平稳随机过程。 某些非平稳随机序列 V(t)，例 如均值不为 0的非平稳随机过程，经一阶差分后得到的序列（ 1B） V(t)有可能是平稳的。 有趋势变化的非平稳随机过程，有可能经过若干次差分后才能平稳化，即对 V(t)作多次差分得到的 39。 ()Vt是一个 平稳随机过程，即 39。 ( ) (1 ) ( )dV t B V t （ 412） 式中， d 为差分阶数； B为后移算子。 具有周期变化规律的非平稳时间序列 V(t)，它按固定的周期 T呈现的规律变动。 如果每个时间点的值都和超前 T的（ tT） 值进行差分运算，那么（ 1 TB ） V(t)就变成平稳时间序列了，其中 TB 是周期为 T 的后移算子。 所以，对于一个含有趋势项的非平稳随机过程，可有下式来描述： ( ) (1 ) ( ) ( ) ( )dpqB B V t B a t   （ 413） 它即称为 ARIMA 模型。 本文研究的是某城市的某年某月某日的电力系统短期负荷预测，因此，影响系统负荷的因素包括上述的四种分量模型。 短期负荷预测基本模型是指 24 小时的日负荷预测和 168小时的周负荷预测，列举其预测周期，知其基本变化规律可由线性变化模型和周期变化模型来描叙，日负荷至周负荷的变化，受特别事件影响明显，对应特别事件负荷分量模型，同附和随机负荷分量。 线性变化模型用来描叙日平均负荷变化规律，将历史上一段日平均负荷按时序画在一张图上，可以看出每日平均负荷有波动，总体趋势是一条直线，可用线性模型表示。 周期模型用来描叙 24 小时为周期的变化规律，在分析日负荷曲线形状时，除掉日平均负荷的变化因素，将连续几天的日负荷变化画在一张图上，可以看出明显的周期性，即以 24小时为周期循环变化。 特 别事件（天气）负荷分量，考虑时可把特别天气或天气变化看作是特别时间和其它如特别节目，重大纪念活动等合并作为特别事件考虑，也可以把有关天气对负荷的影响和其他事件出现对负荷的影响分开考虑，负荷在一定程度上，受分量影响很大，进一步提高负荷预测精度，关键是科学合理地预测特别事件负荷分量，但往往还不是一件容易的事情。 详细地考虑特别事件（天气）负荷分量，是一件复杂的工作，可以专门用专家系统来做实际工作中一般做适当简化，目前， 常 把特别事件和天气对负荷的影响分开考虑，特别事件用前已讲过的 乘子 模型或叠加模型考虑；天气变化对 负荷的影响，一般主要考虑温度影响，把负荷看作是温度的函数，由历史负荷数据和 温度记，通过线性同归的办法，来确定其关系。 [西南交通大学 ] 西南 交通大学 网络 教育学院毕业设计（论文） 18 随机负荷分量，一般由时间序列模型描述。 电力负荷预测基本算法 电力负荷预测分为经典预测方法和现代预测方法。 （ 1） 经典预测方法 1）时间序列法 时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。 它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序 列的分析处理，确定其基本特征和变化规律，预测未来负荷。 时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。 随机型时间序列预测模型可以看作一个线性滤波 器。 根据线性滤波器的特性，时间序列可划为自回归 (AR)、动平均 (MA)、自回归 动平均 (ARMA)、累计式自回归 动平均 (ARIMA)、传递函数 (TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正 5个阶段。 时间列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息 和其他因素，导致了预报的不准确和数据的不稳定。 2）回归分析法 回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。 从数学上看，就是利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测目的。 回归预测包括线性回归和非线性回归。 回归模型虽然考虑了气象信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。 而且为了获得比较精确的预报结果，需要大量的计算，这一方法不能处理气候变量和负荷之间的非平衡暂态关系。 虽然经典的数学 统计方法具有速度快的优点，但是其预测模型比较简单，很难准确描述负荷预测的实际模型，所以其精度较差。 随着人工智能技术 逐步被引 入到短期负荷预测中，人们已经提出了多种基于人工智能的预测方法，其中最为典型的为基于各种人工神经网络模型的预测方法 ，其中以神经 BP 算法为代表。 （ 2）现代负荷预测方法 20 世纪 80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。 这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。 1)灰色数学理论 [西南交通大学 ] 西南 交通大学 网络 教育学院毕业设计（论文） 19 灰色数学理论是把负荷序列看作一真实的系统输出，它是众 多影响因子的综合作用结果。 这些众多因子的未知性和不确定性，成为系统的灰色特性。 灰色系统理论把负荷序列。