论文部分内容阅读
负荷预测对电网的规划设计、开机方式、运行方式安排等发挥着至关重要的作用。负荷预测的精度，决定了系统需要预留的备用容量的大小。当负荷预测精度比较高时，可以减小备用容量进而提高系统的经济性。近些年来，新能源、电动汽车等柔性负荷、特高压直流并网运行以及智能电网的建设发展，使得电网的运行方式发生了巨大变化，电网不确定性、负荷预测难度都大大增加，对电力系统负荷预测提出了越来越高的挑战。本文在聊城电网负荷的基础上，深入开展基于人工神经网络的负荷预测研究。论文主要研究内容如下:
(1)详细分析了负荷预测的研究背景、国内外研究现状，根据电力系统负荷的变化特性，在分析了短期负荷预测的变化特点、影响因素的基础上，给出了神经网络的模型分类、学习方法;并进一步分析误差反传神经网络的基本原理。
(2)分析了聊城地区电网的特点，采集聊城地区多条配电线路的负荷数据，并对同一条线路、多条线路的负荷数据之间的关系和特点进行计算分析，归纳总结该地区负荷变化的特点和趋势。深入分析不同线路负荷数据的相关性，采用数据相关性分析的基本理论，给出相关性指标的计算表达式，计算不同线路负荷数据之间的关联性。基于人工神经网络技术，对提前不同天数条件下的聊城配电线路负荷预测进行计算，并对计算结果进行了详细分析。
(3)基于神经网络的聊城电网多场景负荷预测研究。重点研究了神经网络层数不同时，聊城配电线路的负荷预测结果，设置人工神经网络的隐含层层数，得到不同隐含层层数条件下，聊城电网短期负荷预测结果，并对预测结果进行全面对比分析，进而得到合适的神经网络层数。分析人工神经网络参数对负荷预测结果的影响，主要是应用基于神经网络的负荷预测模型，对采集到的聊城电网多条线路的负荷进行预测，并对预测结果进行了详细分析。
(4)基于深度学习的聊城电网负荷预测研究。深入分析负荷的影响因素，针对传统神经网络负荷预测无法对时间序列建模的不足，提出基于相似日与深度学习的负荷预测方法。综合考虑预测日的日期类型、季节性、气象、负荷增长等多种因素，选择与预测日相似的历史日期负荷数据作为输入，采用带自循环反馈的全连接神经网络—循环神经网络(Recurrent Neural Network，RNN)有效处理时序的负荷预测;选用双曲正切函数为激活函数，利用随时间变化的反向传播算法(Back Propagation Through Time，BPTT)训练RNN，得到全局损失参数的梯度计算;分析了深度学习在负荷预测方面的优越性，对比分析了深度学习与传统学习算法的预测效果，验证深度学习的有效性。另外，研究了深度学习在负荷预测方面的稳定性和效率，对计算结果进行详细分析。
(1)详细分析了负荷预测的研究背景、国内外研究现状，根据电力系统负荷的变化特性，在分析了短期负荷预测的变化特点、影响因素的基础上，给出了神经网络的模型分类、学习方法;并进一步分析误差反传神经网络的基本原理。
(2)分析了聊城地区电网的特点，采集聊城地区多条配电线路的负荷数据，并对同一条线路、多条线路的负荷数据之间的关系和特点进行计算分析，归纳总结该地区负荷变化的特点和趋势。深入分析不同线路负荷数据的相关性，采用数据相关性分析的基本理论，给出相关性指标的计算表达式，计算不同线路负荷数据之间的关联性。基于人工神经网络技术，对提前不同天数条件下的聊城配电线路负荷预测进行计算，并对计算结果进行了详细分析。
(3)基于神经网络的聊城电网多场景负荷预测研究。重点研究了神经网络层数不同时，聊城配电线路的负荷预测结果，设置人工神经网络的隐含层层数，得到不同隐含层层数条件下，聊城电网短期负荷预测结果，并对预测结果进行全面对比分析，进而得到合适的神经网络层数。分析人工神经网络参数对负荷预测结果的影响，主要是应用基于神经网络的负荷预测模型，对采集到的聊城电网多条线路的负荷进行预测，并对预测结果进行了详细分析。
(4)基于深度学习的聊城电网负荷预测研究。深入分析负荷的影响因素，针对传统神经网络负荷预测无法对时间序列建模的不足，提出基于相似日与深度学习的负荷预测方法。综合考虑预测日的日期类型、季节性、气象、负荷增长等多种因素，选择与预测日相似的历史日期负荷数据作为输入，采用带自循环反馈的全连接神经网络—循环神经网络(Recurrent Neural Network，RNN)有效处理时序的负荷预测;选用双曲正切函数为激活函数，利用随时间变化的反向传播算法(Back Propagation Through Time，BPTT)训练RNN，得到全局损失参数的梯度计算;分析了深度学习在负荷预测方面的优越性，对比分析了深度学习与传统学习算法的预测效果，验证深度学习的有效性。另外，研究了深度学习在负荷预测方面的稳定性和效率，对计算结果进行详细分析。