【MT48】发电机组负荷预测模型的设计与实现.doc文档

本论文就是在此背景下，主要研究基于反向传播算法人工神经网络的短期负荷预测方法，在总结现有理论成果的基础上主要对神经网络的算法网络结构输入数据的预处理，输入输出向量设计等方面进行了研究。

小结本章主要介绍了本课题的研究背景意义和国内外研究现状，简单介绍了本课题的主要研究内容，以及所用到的研究方法。

电机组，分别是万千瓦机组和万千瓦机组。

天气因素做不同的模糊处理和不同的数学模型，提高了发电机组负荷预报的精度。

国外学者目前大多数都采用与神经网络有关的各种方法来进行负荷预报美国学者利用神经网络来获得用户电力消耗的模型，又使用种基于模糊逻辑的模块以最快的速度探测到信号趋势并帮助人工神经网络校正预测结果，改进了系统对突变或者特殊情况的适应能力英国学者运用径向基函数，动态神经网络以及神经模糊技术等方法，改进了负荷预报模型，比传统的方向传播网络预报模型更加精确西班牙学者应用两个神经模糊系统和，另外还有带学习算法的前向多层感知机神经网络以及模型，获得了不错的预报效果。

二〇四年六月二十日星期六论文的主要研究内容对机组负荷信息管理进行客观分析，提出设计框架本课题主要针对西安市发电厂，通过去发电厂的实地调研，获知其现阶段共有四台大型发，另外还有带学习算法的前向多层感知机神经网络以及模型，获得了不系统对突变或者特殊情况的适应能力英国学者运用径向基函数，动态神经网络以及神经模糊技术等方法，改进了负荷预报模型，比传统的方向传播网络预报模型更加精确西班牙学者应用两个神经模糊系统和部分内容简介薇采用模糊理论对日负荷曲线预报中的天气因素进行了模糊处理，根据季节，气候的不同对天气因素做不同的模糊处理和不同的数学模型，提高了发电机组负荷预报的精度。

国外学者目前大多数都采用与神经网络有关的各种方法来进行负荷预报美国学者利用神经网络来获得用户电力消耗的模型，又使用种基于模糊逻辑的模块以最快的速度探测到信号趋势并帮助人工神经网络校正预测结果，改进了系统对突变或者特殊情况的适应能力英国学者运用径向基函数，动态神经网络以及神经模糊技术等方法，改进了负荷预报模型，比传统的方向传播网络预报模型更加精确西班牙学者应用两个神经模糊系统和，另外还有带学习算法的前向多层感知机神经网络以及模型，获得了不错的预报效果。

二〇四年六月二十日星期六论文的主要研究内容对机组负荷信息管理进行客观分析，提出设计框架本课题主要针对西安市发电厂，通过去发电厂的实地调研，获知其现阶段共有四台大型发电机组，分别是万千瓦机组和万千瓦机组。

负荷预测对电力系统控制运行和计划都有着重要意义。

电力系统负荷变化受多方面影响，方面，负荷变化存在着由未知不确定因素引起的随机波动另方面，又具有周期变化的规律性，这也使得负荷曲线具有相似性。

同时，由于受天气等特殊情况影响，又使负荷变化出现差异。

由于电力系统负荷在不同的情况下，运行规则是不同的。

比如在不同的用电季节天中的不同时段，其运行规律不同，因此应选取多个神经网络解决不同的情况。

对每日小时分为五个时段凌晨时⋯时时时时下午时时晚时和时零时，每个阶段都用不同的网络进行预测。

这种方法的优点是每小块的网络结构简单，网络训练速度快，预测精度也较高，但网络个数太多。

由于神经网络所具有的较强的非线性映射等特性，常被用于负荷预测。

绘制图，完善系统的功能设计通过对机组负荷影响因素的深入分析，找到各个因素对机组负荷的影响关系，建立数据库，从而绘制出相应的图。

设计发电机组负荷预测模型，并分析预测结果本文研究的对象是基于神经网络的发电机组负荷预测。

负荷预测的方法有很多种，目前，神经网络预测方法受到国内外广大研究人员的高度重视，被公认为比较有效的方法。

本论文就是在此背景下，主要研究基于反向传播算法人工神经网络的短期负荷预测方法，在总结现有理论成果的基础上主要对神经网络的算法网络结构输入数据的预处理，输入输出向量设计等方面进行了研究。

小结本章主要介绍了本课题的研究背景意义和国内外研究现状，简单介绍了本课题的主要研究内容，以及所用到的研究方法。

通过对系统的输入输出之间的影响关系的分析，确立了神经网络作为模型的预测方法。

二〇四年六月二十日星期六预测模型的设计方法数据库原理与图分析数据库系统的基本概念数据实际上就是描述事物的符号记录。

数据的特点有定的结构，有型与值之分，如整型实型字符型等。

而数据的值给出了符合定型的值，如整型值。

数据库是数据的集合，具有统的结构形式并存放于统的存储介质内，是多种应用数据的集成，并可被各个应用程序共享。

数据库存放数据是按数据所提供的数据模式存放的，具有集成与共享的特点。

数据库管理系统种系统软件，负责数据库中的数据组织数据操纵数据维护控制及保护和数据服务等，是数据库的核心。

数据库管理系统功能数据模式定义即为数据库构建其数据框架数据存取的物理构建为数据模式的物理存取与构建提供有效的存取方法与手段数据操纵为用户使用数据库的数据提供方便，如查询插入修改删除等以及简单的算术运算及统计数据的完整性安生性定义与检查数据库的并发控制与故障恢复数据的服务如拷贝转存重组性能监测分析等。

为完成以上六个功能，数据库管理系统提供以下的数据语言数据定义语言负责数据的模式定义与数据的物理存取构建数据操纵语言负责数据的操纵，如查询与增删改等数据控制语言负责数据完整性安全性的定义与检查以及并发控制故障恢复等。

数据语言按其使用方式具有两种结构形式交互式命令又称自含型或自主型语言宿主型语言般可嵌入些宿主语言中。

数据库管理员对数据库进行规划设计维护监视等的专业管理人员。

数据库系统由数据库数据数据库管理系统软件数据库管理员人员硬件平台硬件软件平台软件五个部分构成的运行实体。

数据库应用系统由数据库系统应用软件及应用界面三者组成。

文件系统阶段提供了简单的数据共享与数据管理能力，但是它无法提供完整的统的管理和数据共享的能力。

层次数据库与网状数据库系统阶段为统与共享数据提供了有力支撑。

关系数据库系统阶段数据库系统的基本特点数据的集成性数据的高共享性与低冗余性数据性物理性与逻辑性数据统管理与控制。

数据库系统的三级模式概念模式数据库系统中全局数据逻辑结构的描述，全体用户公共数据视图外模式也称子模式与用户模式。

是用户的数据视图，也就是用户所见到的数据模式内模式又称物理模式，它给出了数据库物理存储结构与物理存取方法。

数据库系统的两测值实际值图样本预测值与真实值对比图预测结果分析从以上预测对比图中可以看出，系统预测会出现误差，但预测值与二〇四年六月二十日星期六实际值相差不是很大。

在这个设计中，由于设计的硬件配置不是很好，不能加载更多数据做测试，无法将误差对比放大比较，是在这个详细设计中不足的地方，希望不会破坏论文的完整性。

在实现神经网络预测发电机组电力负荷的时候，由于网络训练需要很长的时间，训练的时候具有随机性，不能保证每次的训练结果都是最佳的。

数据来源虽是从灞桥热电厂实地获取的，但数据不够齐全，系统建模时没有对数据进行有效筛选，故而会有些不良数据会对预测结果产生影响。

这些问题都有待于进步去完善。

本文提出的方法在发电机组负荷预测中获得了较高的预测精度。

文中采用的训练样本是年月日至年月日的日负荷数据，预测年同期的负荷值。

即对夏季工作日模型进行了仿真训练。

尚未建立春季秋季和冬季的工作日模型和节假日模型。

若在实际应用中使用，应先训练各个季节的模型，将模型参数权重闭值网络结构参数存贮在数据库中。

实际使用时，根据预测日所属的模型调用其模型参数，进行预测。

小结本章首先分析了模型输出的影响因素，绘制了系统的图，设计了基于神经网络的算法。

考虑到各个数据之间的差异性，对数据做了归化处理。

最后在设计系统参数时，通过对比的方法找到了系统的最优参数，并对最终的结果进行了详细的分析。

结论与展望结论从上章建立的标准算法的发电机组负荷预测模型的实例预测结果可以看出，标准模型存在定缺陷。

需要找到缺陷问题所在，并进行相应的改进，才能提高负荷预测模型的预测能力。

从整个模型来看，网络层数输入层和输出层节点数都是根据电力负荷预测的实际需求而确定的，无法改变，而隐含层节点数传递函数学习函数以及其他参数都是根据多次网络训练而确定的最优选择，即所建网络的平均误差值最小时的选择。

所以问题就可能出现在神经网络学习算法上，上章建立的电力负荷预测模型采用的是标准算法，标准网络算法存在些缺陷，主要有以下几点连接权初值隐含层节点数目以及网络参数的选取过于依靠经验。

算法是个比较复杂的过程，它包含了许多问题，比如训练样本的选取，训练网络的构建，学习速率的选择学习次数的选取等等。

在实际应用中，都没有具体准确的规律来进行选择，而是依靠着操作者自己经验的积累，这样可能会使得预测的精度和实际相差较大。

学习效率不高，收敛速度比较慢，需要大量的多次的迭代计算。

在误差曲面曲率较高的地方，由于较大幅度的调整网络参数，可能出现过调现象，使网络难以收敛到最小点。

为提高收敛性，学习率必须保持在个很小的值下在误差曲面较平坦处，需要经过重复数次的调整才能将误差函数曲面降低从而使得算法学习速度慢。

可能会出现局部极小点。

网络算法的实质是以梯度下降法二〇四年六月二十日星期六为基础的种非线性优化方法，误差曲面是多维的不平整的的非简单曲面，沿着负梯度的方向调整连接权值，就产生了多种复杂的现状。

网络的泛化及适应能力较差。

网络泛化能力的定义是经过训练后的网络对新样本做出正确反应的能力。

过拟合就是说的泛化能力不高的现状。

网络泛化能力的决定因素比较多，主要有样本资料网络结构网络算法等因素。

从以上分析可知，标准神经网络算法有着收敛速度慢，目标函数存在局部极小