【正文】 load characteristics and the establishment of neural network model and to determine the number of nodes of the threetier network, then select transfer function and initial building the model,By using of the original day 5 to day 20 integer point of load data to predict the integer point load data of day 21, day 22 and day 23. By using of MATLAB programming to train the network and analysis the training results, Plot the forecasting load data curve and the original data curve and pare them . Due to this paper does not consider the factors of weather and holidays which affect the load ,the error of the simulation is not so small. Keywords: Short load forecasting。關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)；BP算法。建好模型之后，利用原始的5到20日的整點(diǎn)負(fù)荷數(shù)據(jù)來(lái)預(yù)測(cè)第21，22及23日的整點(diǎn)負(fù)荷數(shù)據(jù)，用MATLAB編寫程序進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練出結(jié)果之后對(duì)其進(jìn)行分析，畫出負(fù)荷數(shù)據(jù)變化曲線和原始數(shù)據(jù)的曲線進(jìn)行比較。本文將對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)進(jìn)行簡(jiǎn)單的理論介紹，著重講述了神經(jīng)網(wǎng)絡(luò)的BP算法并將其應(yīng)用于負(fù)荷預(yù)測(cè)研究的計(jì)算過(guò)程。并介紹幾種國(guó)內(nèi)外所用的短期負(fù)荷預(yù)測(cè)的方法和發(fā)展趨勢(shì)，比較其優(yōu)缺點(diǎn)，說(shuō)明人工神經(jīng)網(wǎng)絡(luò)在處理短期負(fù)荷預(yù)測(cè)這類問(wèn)題有自適應(yīng)，自主學(xué)習(xí)的優(yōu)點(diǎn)。負(fù)荷預(yù)測(cè)的精度的保證成為現(xiàn)在電力科學(xué)人員的重要工作，負(fù)荷預(yù)測(cè)誤差大直接導(dǎo)致導(dǎo)致成本增加，電力系統(tǒng)調(diào)度難度變大等后果。 本科生畢業(yè)設(shè)計(jì)（論文）題 目： 姓 名： 學(xué) 號(hào)： 學(xué) 院： 專 業(yè)： 年 級(jí)： 指導(dǎo)教師： （簽名） 年 月 日電力系統(tǒng)整點(diǎn)負(fù)荷預(yù)測(cè)研究 電力系統(tǒng)整點(diǎn)負(fù)荷預(yù)測(cè)研究 摘要短期負(fù)荷預(yù)測(cè)在電力系統(tǒng)中有著舉足輕重的作用，是電力系統(tǒng)最基本的工作之一，準(zhǔn)確的負(fù)荷預(yù)測(cè)為電力系統(tǒng)的穩(wěn)定，可靠，經(jīng)濟(jì)的運(yùn)行提供了便利條件。隨著我國(guó)電力經(jīng)濟(jì)進(jìn)一步發(fā)展，負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的經(jīng)濟(jì)效益和國(guó)民經(jīng)濟(jì)的影響越來(lái)越大。本文簡(jiǎn)單闡述電力系統(tǒng)負(fù)荷預(yù)測(cè)的內(nèi)容，負(fù)荷的特點(diǎn)。本文將利用人工神經(jīng)網(wǎng)絡(luò)BP算法來(lái)進(jìn)行短期負(fù)荷的預(yù)測(cè)研究，這種方法主要是利用人工神經(jīng)網(wǎng)絡(luò)的非線性逼近功能來(lái)實(shí)現(xiàn)的。本文技術(shù)要求學(xué)習(xí)日負(fù)荷的特點(diǎn)以及建立神經(jīng)網(wǎng)絡(luò)模型，確定三層網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)目，選好傳遞函數(shù)和初始權(quán)值。由于本文沒有考慮天氣以及節(jié)假日等影響負(fù)荷變化的因素，所做出的仿真的誤差精度不是很小。 The Power system integer point Load forecastingAbstract Shortterm load forecasting plays an important role in the power system，It is one of the basic work of the power load forecasting is to provide convenient conditions for the power system to work stable, reliable, and the further development of China39。 artificial neural network。由于電能的生產(chǎn)、輸送、分配和消費(fèi)是同時(shí)完成的，難以大量?jī)?chǔ)存，這就要求發(fā)電系統(tǒng)要隨時(shí)緊跟系統(tǒng)負(fù)荷變化以達(dá)到動(dòng)態(tài)平衡，否則就會(huì)影響供電質(zhì)量，甚至危及電力系統(tǒng)的安全與穩(wěn)定。 負(fù)荷預(yù)測(cè)指的是，在充分考慮一些重要的系統(tǒng)運(yùn)行特性，增容決策，自然條件和社會(huì)條件下，研究或利用一套系統(tǒng)來(lái)處理過(guò)去與未來(lái)負(fù)荷的數(shù)學(xué)方法，在滿足一定精度要求的意義下，確定未來(lái)某特定時(shí)刻的負(fù)荷數(shù)值[2]。短期負(fù)荷預(yù)測(cè)有周負(fù)荷預(yù)測(cè)，日負(fù)荷預(yù)測(cè)和小時(shí)負(fù)荷預(yù)測(cè)。 因此，從各個(gè)方面來(lái)講，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是一項(xiàng)十分重要和必不可少的工作。國(guó)外由于經(jīng)濟(jì)發(fā)展較好，電力系統(tǒng)長(zhǎng)期比較穩(wěn)定，所以以中長(zhǎng)期負(fù)荷預(yù)測(cè)為主，而我國(guó)處在社會(huì)主義初級(jí)階段，所以兩者兼并重。近年來(lái)，經(jīng)過(guò)國(guó)內(nèi)外專家不懈努力，發(fā)現(xiàn)了許多人工智能方法，具體的比如灰色理論、模糊邏輯系統(tǒng)預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)、小波分析法等等一系列負(fù)荷預(yù)測(cè)的方法。灰色系統(tǒng)理論將一切隨機(jī)變化量看作是在一定范圍內(nèi)變化的灰色量，常用累加生成和累減生成的方法，將雜亂無(wú)章的原始數(shù)據(jù)整理成規(guī)律性較強(qiáng)的生成數(shù)據(jù)列，灰色理論預(yù)測(cè)法就是以灰色系統(tǒng)理論為基礎(chǔ)的預(yù)測(cè)技術(shù)，可在數(shù)據(jù)不多的情況下找出某個(gè)時(shí)期內(nèi)起作用的規(guī)律，建立負(fù)荷預(yù)測(cè)的灰色模型，灰色模型的微分方程作為電力系統(tǒng)單一指標(biāo)(如負(fù)荷)的預(yù)測(cè)時(shí)，求解微分方程的時(shí)間響應(yīng)函數(shù)表達(dá)式，即為所求的灰色預(yù)測(cè)模型，對(duì)模型的精度和可信度進(jìn)行校驗(yàn)并修正后，即可據(jù)此模型預(yù)測(cè)未來(lái)的負(fù)荷，此方法是中長(zhǎng)期負(fù)荷預(yù)測(cè)的主要方法[3]。模糊預(yù)測(cè)技術(shù)考慮了與電力負(fù)荷諸多相關(guān)的因素，將負(fù)荷與對(duì)應(yīng)環(huán)境作為一個(gè)數(shù)據(jù)整體進(jìn)行處理，得出負(fù)荷變化模式及對(duì)應(yīng)環(huán)境因素特征，從而將待測(cè)年環(huán)境因素特征與各歷史環(huán)境因素特征進(jìn)行比較，得出所求負(fù)荷增長(zhǎng)率，用以求取預(yù)測(cè)年負(fù)荷，所以模糊預(yù)測(cè)法是目前用于處理各種主觀因素較重、材料和數(shù)據(jù)資料不完整等不確定因素的有效方法。（3）人工神經(jīng)網(wǎng)絡(luò)法 自從1943年第一個(gè)神經(jīng)網(wǎng)絡(luò)模型被提出至今，神經(jīng)網(wǎng)絡(luò)的發(fā)展十分迅速，在電力系統(tǒng)負(fù)荷預(yù)測(cè)領(lǐng)域內(nèi)應(yīng)用較廣泛的模型有：反向傳播模型、自組織特征映射。（4） 專家預(yù)測(cè)法 對(duì)數(shù)據(jù)庫(kù)里存放的過(guò)去幾年的每小時(shí)的負(fù)荷和天氣數(shù)據(jù)進(jìn)行細(xì)致的分析，匯集有經(jīng)驗(yàn)的負(fù)荷預(yù)報(bào)人員的知識(shí)，提取有關(guān)規(guī)則，按照一定的規(guī)則推理進(jìn)行負(fù)荷預(yù)測(cè)，專家系統(tǒng)是對(duì)人類的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法，若能將它與其他方法有機(jī)地結(jié)合起來(lái)，構(gòu)成預(yù)測(cè)系統(tǒng)，將可得到滿意的結(jié)果，專家系統(tǒng)法是一個(gè)很耗時(shí)的過(guò)程，對(duì)某些復(fù)雜的因素(如天氣因素)要準(zhǔn)確、定量地確定他們對(duì)負(fù)荷的影響也常常是很困難的事[6]。本文就是利用人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行短期負(fù)荷預(yù)測(cè)，證明這種方法在短期負(fù)荷預(yù)測(cè)中的可行性和實(shí)用性，為電力系統(tǒng)提供更良好的服務(wù)。用MATLAB軟件編寫程序進(jìn)行仿真，驗(yàn)證此方法的可行性。第2章 介紹負(fù)荷預(yù)測(cè)的內(nèi)容及其影響因素，詳細(xì)介紹負(fù)荷預(yù)測(cè)的基本步驟。并說(shuō)明BP算法在短期負(fù)荷預(yù)測(cè)時(shí)改進(jìn)的方法。 第5章 論文結(jié)論和展望。 負(fù)荷預(yù)測(cè)的組成 在電力系統(tǒng)中，按預(yù)測(cè)周期可分為長(zhǎng)期負(fù)荷預(yù)測(cè)、中期負(fù)荷預(yù)測(cè)和短期負(fù)荷預(yù)測(cè)以及超短期負(fù)荷預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)和超短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)核心技術(shù)模塊，因?yàn)閮烧咧苯雨P(guān)系到發(fā)電輸電方案的制定，也是能量管理系統(tǒng)（EMS）的重要組成部分。 負(fù)荷預(yù)測(cè)的特點(diǎn) 由于負(fù)荷預(yù)測(cè)是根據(jù)電力負(fù)荷的過(guò)去和現(xiàn)在推測(cè)它的未來(lái)數(shù)值，所以，負(fù)荷預(yù)測(cè)工作所研究的對(duì)象是不肯定事件，只有不肯定事件、隨機(jī)事件、才需要人們采用適當(dāng)?shù)念A(yù)測(cè)技術(shù)，推知負(fù)荷的發(fā)展趨勢(shì)和可能達(dá)到的狀況。人們對(duì)于這些發(fā)展變化有些能夠預(yù)先估計(jì)，有些卻很難事先預(yù)見到，加上一些臨時(shí)情況發(fā)生變化的影響，因此就決定了預(yù)測(cè)結(jié)果的不準(zhǔn)確性或不完全準(zhǔn)確性。對(duì)于條件而言，又可分為必然條件和假設(shè)條件兩種。而在很多情況下，由于負(fù)荷未來(lái)發(fā)展的不肯定性，所以就需要一些假設(shè)條件。當(dāng)然，這些假設(shè)條件不能毫無(wú)根據(jù)的憑空假設(shè)，而應(yīng)根據(jù)研究分析，綜合各種情況而得來(lái)。（3） 時(shí)間性 各種負(fù)荷預(yù)測(cè)都有一定的時(shí)間范圍，因?yàn)樨?fù)荷預(yù)測(cè)屬于科學(xué)預(yù)測(cè)的范疇，因此，要求有比較確切的數(shù)量概念，往往需要確切地指明預(yù)測(cè)的時(shí)間。 影響負(fù)荷預(yù)測(cè)的因素 有很多影響負(fù)荷預(yù)測(cè)的因素，經(jīng)過(guò)多年專家的總結(jié)，分為以下幾種： （1）電力系統(tǒng)負(fù)荷內(nèi)部變化。負(fù)荷內(nèi)部變化往往具有線性和周期性兩大特點(diǎn)。在我國(guó)，由于南北跨越較大，各地氣候有明顯的不同，主要表現(xiàn)在溫度、濕度、風(fēng)力、天氣、污染程度等。 （3）時(shí)間因素。一般而言節(jié)假日負(fù)荷要小于工作日負(fù)荷，因?yàn)樵诠?jié)假日許多工廠停止作業(yè)，工業(yè)負(fù)荷下降。比如電力系統(tǒng)設(shè)備故障進(jìn)行檢修，電力系統(tǒng)產(chǎn)生系統(tǒng)震蕩，電力系統(tǒng)發(fā)生事故或自然災(zāi)害這類事件也會(huì)對(duì)負(fù)荷產(chǎn)生很大的影響。 負(fù)荷預(yù)測(cè)的原則 短期電力負(fù)荷預(yù)測(cè)的一個(gè)突出特點(diǎn)是：為對(duì)系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè)，要對(duì)過(guò)去的負(fù)荷歷史資料進(jìn)行分析，電力系統(tǒng)的負(fù)荷在本質(zhì)上來(lái)說(shuō)是不可控制的，雖然一些小的變化可以用頻率控制來(lái)加以影響；或者在某些情況下在局部地區(qū)采用某種特殊的電價(jià)政策來(lái)對(duì)負(fù)荷施加影響，然而，總的來(lái)說(shuō)，負(fù)荷是不可控制的。 要進(jìn)行負(fù)荷觀測(cè)，就要尋求行之有效的預(yù)測(cè)方法，不論采取什么方法，其基本原則是[9]：(1)選擇要預(yù)測(cè)的變量、預(yù)測(cè)水平及待預(yù)測(cè)的時(shí)間。(3) 決定預(yù)測(cè)可靠性指標(biāo)。．(5)進(jìn)行各項(xiàng)負(fù)荷預(yù)測(cè)。 負(fù)荷預(yù)測(cè)的模型由短期負(fù)荷的特點(diǎn)所知，短期負(fù)荷的基本變化規(guī)律可由典型負(fù)荷分量的特性來(lái)描述，同時(shí)還有一些隨機(jī)變化分量，在本文中未考慮比如氣候這類隨機(jī)變化分量。按正常情況來(lái)講，應(yīng)該對(duì)特殊分量值進(jìn)行修正處理，還要把模型分類，分成節(jié)假日負(fù)荷和工作日負(fù)荷兩種類型，如果有季節(jié)性變化，還要把模型按季節(jié)劃分，分為春季、夏季、秋季、冬季這四種模型。人工神經(jīng)網(wǎng)絡(luò)中，需再加入人工修正量，方便在電力系統(tǒng)這個(gè)大環(huán)境下使用定量分析。從中我們可以看出[10]：電力負(fù)荷之間的時(shí)間距離越近關(guān)系越密切，即相似度越大，所以當(dāng)負(fù)荷預(yù)測(cè)點(diǎn)距離歷史數(shù)據(jù)較遠(yuǎn)時(shí)，預(yù)測(cè)值的誤差相對(duì)較大；而預(yù)測(cè)點(diǎn)距離歷史負(fù)荷數(shù)據(jù)較近時(shí)則誤差相對(duì)較小。確定預(yù)測(cè)對(duì)象之后，需要廣闊歷史資料，包括前段的歷史天氣資料和歷史負(fù)荷資料并將其分類，分析，挑選出相關(guān)的歷史記錄作為待用。當(dāng)歷史負(fù)荷數(shù)據(jù)挑選完之后，把不良數(shù)據(jù)和偽數(shù)據(jù)消除掉，填補(bǔ)缺失數(shù)據(jù)。模型建立過(guò)程中，需要進(jìn)行模型辨識(shí)和參數(shù)估計(jì)。目前廣泛應(yīng)用的計(jì)算、分析預(yù)測(cè)誤差的方法有平均絕對(duì)誤差、均方誤差、均方根誤差、標(biāo)準(zhǔn)誤差等[11]。 第3章 BP神經(jīng)網(wǎng)絡(luò)原理神經(jīng)網(wǎng)絡(luò)是實(shí)際存在于人的大