短期负荷预测对电力系统的安全和经济运行起着重要的作用,是能量管理系统的重要组成部分。在电力系统的计划和管理中,它对发电、输电和电能分配等方面的合理安排有着重要的影响,因此负荷预测精度的提高有着十分重要的意义。 20世纪90年代,使用人工神经网络方法进行短期负荷预测受到了国内外广大研究人员的高度重视。人工神经网络方法的优点是具有模拟多变量,不需要对输入变量作复杂的相关假定,从而可以很好的考虑对负荷水平有重要影响的天气情况、日期类型等多种因素进行短期负荷预报[1]。文献[2]提出了一种基于径向基函数网络(RBF)和误差反向传播(BP),网络的级联神经网络,该文分开考虑天气因素以及历史负荷对预测负荷的影响,其中RBF子网用于描述历史负荷的影响,BP网络子网用于对RBF中难以描述的天气因素给出了较好的映射关系。该方法由于区别对待负荷影响因素,避免了因输入量值域的范围较大差异而导致某些负荷影响因素在总体的映射效果中被歪曲甚至淹没,而且缩减了网络拓扑结构,从而减少了预测时间。该文充分体现了级联神经网络的灵活性,但是它并没有针对神经网络本身的学习方法进行改进。本文采用级联的两层神经网络综合考虑了最高温度、最低温度、湿度、日期类型等诸多因素对负荷的影响,并使用改进的基于模型逼近度和接受概率的变步长变尺度BP算法,在加强训练最高负荷、最低负荷以及平均负荷的基础上进行短期负荷预测,可以很好地提高预测的精度。 1 国内外基于神经网络的短期负荷预测方法 通过研究国内外大量文献总结得到目前国内外基于神经网络的短期负荷预测方法,主要着重以下几点: ...... |
查看评论
已有0位网友发表了看法