4.1遗传算法优化BP神经网络概述.17
4.1.1遗传算法基本原理17
4.1.2遗传算法的特点及选用原因18
4.1.3遗传算法优化BP神经网络算法流程图18
4.2遗传算法优化BP神经网络应用于电力负荷预测.20
4.2.1输入与输出层的选择20
4.2.2隐含层节点数的选取21
4.2.3天气状况的量化22
4.2.4适应度函数的选取22
4.2.5网络样本的归一化处理23
4.3GA-BP电力负荷预测模型实例分析与仿真.24
4.3.1本文负荷预测模型24
4.3.2样本和测试数据的输入、输出24
4.3.3GA-BP预测模型的MATLAB实现.25
4.4结果分析27
5总结29
致谢31
[参考文献].32
1 绪论
1.1 研究背景及意义随着当今科技水平及社会经济的提升，电力系统也得到了持续地改革、发展与进步。 电力系统由电网与消费端构成， 它的作用是产生并输送不间断、 高品质、稳定的电源，以此来供给各种负荷的使用。我国电力系统在不断发展中日趋现代化和复杂化，老旧的电力预测方案已无法满足当今社会的需求。如何改进预测精准度，做出合理有效地发展规划与布局是如今亟需解决的问题。鉴于电能地生产、传输、分配和使用几乎是同时进行的，它作为一种无法大量储存的能源，必须“按需生产”。这就要求电力系统随时依据变化着的负荷趋势走向，来不断调整自己的输出功率，以达到用电与发电两者之间动态平衡的目的。不然将会造成用电供给动荡，给用户造成不便，严重情况还会危害系统的安全与稳定，对电力公司产生巨大财产经济损失。由此看来，电力负荷预测的作用和意义更加显著。在电力系统工作中，当电力工作者根据负荷预测值做出相应规划时，如果预测值较低，会造成计划发电容量、电网传输和分配能力过低，致使其无法同社会所需电力匹配，甚至引起系统的紊乱；相反，负荷预测值偏高，可能会加大发电设备和电网等计划建设投入，造成能量、资源的不合理利用，损害投资效益，导致大量的浪费现象。短期负荷预测在电力系统中有着极其重要的地位及作用， 它是实现未来电力调度、合理制定发电计划以及机组实际并网数目与状态的指标。较准确的负荷预测工作可以在降低燃煤量、保护环境的同时，让系统运行在安全可靠的环境中。在电力系统运行发展的历史长河中， 电力负荷预测的理论研究及模型构建在不断完善、革新与进步着，随着时间的推进，与之而来的是越来越高的预测精度以及越来越高的精度需求。在这不断的良性循环中，负荷预测的准确性，一步一步面临着发展与挑战，尤其当人们越来越重视环境的保护以及资源的高效率利用以后，负荷预测已经被越发重视起来。然而短期负荷预测本身受多因素的影响，其中包括很多不确定性因素， 这些随机因素致使负荷预测无法简单得想象成规律的线性关系。如今越发新颖、高科技的家电使得负荷无法按照以往的历史规律进行记录，如天气因素等[1]。因此，在当今新时期电网框架中，研究发展高精度、高智能、适应性高的负荷预测模型有着不可或缺的实用价值。
1.2 国内外研究现状最早从20 世纪 50 年代起， 电力学家就已经开始着手于短期负荷预测这一重要工作。在经过长时间的理论研究和工程测试后，我们得到了大量具有实际应用价值的理论与方法。目前研究发现，短期负荷受着多种因素的制约，如气候变化、重大活动和节假日等，在时间周期上呈现很强的随机性。但多数系统负荷的影响因素具有规律性，以此为负荷预测提供了可能性和相应基础理论。对于负荷的多样性，人们对其预测的方法也多种多样，它们按历史的发展总体可以划分为经典法、传统法和智能法等。电力负荷预测研究，我们需要做的是利用已有的历史负荷值，选择合适的科学理论构建预测模型，将两者相结合，得出最终结果。故我们需要尽量确保历史数据的准确以及预测模型的相对适宜，以此来保证预测结果的可靠性，这也是预测工作的核心与重点。而如今互联网技术的发展，使得电力信息储存、管理逐步完善和系统化， 高水准的数学物理模型也使得我们具有了较为准确的天气预测能力，这些都为准确获得相关历史数据提供了可能。因此，我们需要研究的重点即为构建一个适当且较为准确的预测模型。负荷预测发展早期，人们使用的是离线分析的方法，这种方法多靠人工计算和分析，较为繁琐且消耗时间较长，精确度也不高。随着计算机网络技术的进步发展，大多数人抛弃了离线分析，转而采用在线分析技术，大大降低了计算的难度， 提高了效率。 但不论是离线还是在线分析， 负荷预测一度依赖于专家的经验。从发展之初至今，我们大体将负荷预测发展过程分为三个时段：（1）发展初期，负荷预测技术刚刚起步，人们没有成型的科学理论做预测指导，预测员无法运用准确的公式计算，只能完全凭借个人经验和实践操作来进行预测工作。 基于智能算法的电力负荷预测研究(2):http://www.youerw.com/zidonghua/lunwen_36599.html