电力系统短期负荷预测研究
|
摘要
电力系统短期负荷预测工作一直倍受关注，是电力部门的一项重要工作。短期负荷预测关系到电力系统的调度运行和生产计划，准确的负荷预测有助于提高系统的安全性和稳定性，能够减少发电成本。随着电力市场的建立和发展，短期负荷预测将发挥越来越重要的作用。
本文在探讨了电力系统负荷的组成、特点，并分析比较了常用的预测方法优缺点的基础之上，采用人工神经网络与模糊逻辑相结合的方法建立了负荷预测模型，把短期负荷预测工作分为两部分：即基本负荷分量和温度、节假日负荷分量。在人工神经网络部分完成基本负荷分量的预测工作，在此不考虑温度、节假日对负荷变化的影响，减小了神经网络的工作量，并简化了网络结构；在模糊逻辑部分完成对基本负荷分量的修正，仅仅考虑影响负荷变化的温度、节假日等情况，把“模糊语言变量”引入预测系统，达到了“语言变量”与“数字变量”的统一，使专家经验得到充分的利用，得到最终的负荷预测值。
本文研究的短期负荷预测算法简单：通过引进平滑系数和遗忘系数，提高了人工神经网络的学习速度，即快速人工神经网络；在模糊逻辑中，充分利用了人们对负荷变化取得的主观经验，引进不平均隶属函数，来反映负荷对温度的敏感性。
在本文的最后，提出了在电力市场形势下的短期负荷预测工作应该改进的方面，以及为完善电力市场而应该做的准备工作。
Great attention is always paid to power system short-term load forecasting (STLF), which is an important task of power utilities. STLF is concerned to the dispatching work and production scheme of power system, and accurate load forecasting is helpful to the security and stability of power system as well as saving its generation costs. With the establishment and development of the power market, STLF will play more and more important role in power system.
After discussing the constituents and characteristics of the electric load, analyzing and comparing the merits and shortcomings of some forecasting methods, the paper chooses the hybrid method, artificial neural network (ANN) and fuzzy logic, to build the load forecasting model, which separates the forecasting job into two parts: one is the base load component, and the other is the revision for temperature and holidays. The based load (BL) component is forecasted in ANN, no considering the effect of temperature or holidays, which reduces the work for ANN and simplifies its structure; the BL revision is finished in Fuzzy, only considering the influence of temperature and holidays, where uses the expert experiences by introducing fuzzy language variable and gets the final forecasted load.
The paper presents a simple algorithm for STLF: the learning speed of ANN is improved by using smoothing factor and forgetting factor, that is the fast ANN; the subjective experiences is well used in Fuzzy Logic, where the uneven membership function is introduced, reflecting load sensitivity to temperature.
In the end, the paper discusses the improvement of STLF for the new situation under power market, puts forward the ready work to better power market.
本文在探讨了电力系统负荷的组成、特点，并分析比较了常用的预测方法优缺点的基础之上，采用人工神经网络与模糊逻辑相结合的方法建立了负荷预测模型，把短期负荷预测工作分为两部分：即基本负荷分量和温度、节假日负荷分量。在人工神经网络部分完成基本负荷分量的预测工作，在此不考虑温度、节假日对负荷变化的影响，减小了神经网络的工作量，并简化了网络结构；在模糊逻辑部分完成对基本负荷分量的修正，仅仅考虑影响负荷变化的温度、节假日等情况，把“模糊语言变量”引入预测系统，达到了“语言变量”与“数字变量”的统一，使专家经验得到充分的利用，得到最终的负荷预测值。
本文研究的短期负荷预测算法简单：通过引进平滑系数和遗忘系数，提高了人工神经网络的学习速度，即快速人工神经网络；在模糊逻辑中，充分利用了人们对负荷变化取得的主观经验，引进不平均隶属函数，来反映负荷对温度的敏感性。
在本文的最后，提出了在电力市场形势下的短期负荷预测工作应该改进的方面，以及为完善电力市场而应该做的准备工作。
Great attention is always paid to power system short-term load forecasting (STLF), which is an important task of power utilities. STLF is concerned to the dispatching work and production scheme of power system, and accurate load forecasting is helpful to the security and stability of power system as well as saving its generation costs. With the establishment and development of the power market, STLF will play more and more important role in power system.
After discussing the constituents and characteristics of the electric load, analyzing and comparing the merits and shortcomings of some forecasting methods, the paper chooses the hybrid method, artificial neural network (ANN) and fuzzy logic, to build the load forecasting model, which separates the forecasting job into two parts: one is the base load component, and the other is the revision for temperature and holidays. The based load (BL) component is forecasted in ANN, no considering the effect of temperature or holidays, which reduces the work for ANN and simplifies its structure; the BL revision is finished in Fuzzy, only considering the influence of temperature and holidays, where uses the expert experiences by introducing fuzzy language variable and gets the final forecasted load.
The paper presents a simple algorithm for STLF: the learning speed of ANN is improved by using smoothing factor and forgetting factor, that is the fast ANN; the subjective experiences is well used in Fuzzy Logic, where the uneven membership function is introduced, reflecting load sensitivity to temperature.
In the end, the paper discusses the improvement of STLF for the new situation under power market, puts forward the ready work to better power market.
引文
[1]滕福生． 电力系统的调度自动化和能量管理系统．成都科技大学出版社，1997
[2]马嘉谦，许业清．用电技术．中国科学技术大学出版社，1999
[3]牛东晓，曹树华，赵磊，张文文．电力负荷预测技术及其应用．中国电力出版社，1999
[4]陆延昌，姜绍俊．21世纪初期中国电力工业展望．中国电力，2000，33(7)：pp．1～3
[5]于尔铿，刘广一，周京阳．能量管理系统(EMS)．科学出版社，1998
[6]于尔铿，韩放，谢开，曹昉．电力市场．中国电力出版社，1999
[7]侯志俭，吴际瞬，张琦雨．电力系统短期负荷预报的几种改进手段．电力系统自动化，1996，20(7)；pp．27～31
[8]Takeshi Haida, Shoichi Muto. Regression Based Peak Load Forecasting Using a Transformation Technique. IEEE Trans on Power Systems, vol. 9, No. 4, pp. 1788～1794, November 1994
[9]H.T. Yang, C.M. Huang, C.L. Huang. Identification of ARMAX Model for Short Term Load Forecasting: An Evolutionary Programming Approach. IEEE Trans on Power Systems, Vol. 11, No. 1, pp. 403～408, February 1996
[10]D. C. Park, M.A. E1-Sharkawi, R.J. Marks Ⅱ. Electric Load Forecasting Using an Artificial Neural Network, IEEE Trans on Power Systems. Vol. 6, No. 2, pp. 442～449, May 1991
[11]闫承山，刘永奇．人工神经网络在华北电网负荷预测中的应用．电网技术，1998，20(7)；pp．5～9
[12]J. Vermaak, E.C. Botha. Recurrent Neural Networks for Short-Term Load Forecasting. IEEE Trans on Power Systems, Vol. 13, No. 1, pp. 126～131, February 1998
[13]S.J. kiartzis, C.E. Zoumas, etc. Short-term Load Forecasting in as Autonomous Power System Using Artificial Neural Networks. IEEE Trans on Power Systems, Vol.12, No. 4, pp. 1591～1594, November 1997
[14]李林川，夏道止，杨振平，等．应用人工神经网络进行短期负荷预测．电力系统及其自动化学报，1994，6(3)；pp．33～39
[15]O. Mohammed, D. Park, R. Merchant, etc. Practical Experiences with An Adaptive Neural Network Short-Term Load Forecasting System. IEEE Trans on Power Systems, Vol. 10, No. 1, pp. 254～259, February 1995
[16]A. G. Baklrtzls, V. Petridls, S. J. Klartzls, M. C. Alexladls. A Neural Network Short Term Load Forecasting Model for the Greek Power System. IEEE Trans on Power Systems, Vol. 11, No. 2, pp. 858～863, May 1996
[17]I. Drezga, S. Rahman. Input Variable Selection for ANN-Based Short-Term Load Forecasting. IEEE Trans on Power Systems, Vol. 13, No. 4, pp. 1238～1244, November 1998
[18]Alex D. Papal exopoulos, Shangyou Hao, Tie-Mao Peng. An Implementation of a Neural Network Based Load Forecasting Model for the EMS. IEEE Trans on Power Systems, Vol. 9, No. 4, pp. 1956～1962, November 1994
[19]韩民晓，姚蜀军．短期负荷预测方法的研究及在线应用．电力系统自动化，1998，22(10)：pp．34～37
[20]诸静，等．模糊控制原理与应用．机械工业出版社，1998
[21]韩祯祥，吴小苗．模糊集理论在电力系统中的应用(二)．电力系统自动化，1994，18(4)：pp．10～14
[22]王平洋，胡兆光．模糊数学在电力系统中的应用．中国电力出版社，1999
[23]张昊，吴捷．一种简单易行的短期负荷预测系统．电网技术，1998，22(7)；pp．14～17
[24]严华，吴捷，马志强，吴列鑫．模糊集理论在电力系统短期负荷预测中的应用．电力系统自动化，2000，24(11)；pp．67～71
[25]Hiroyuki Mori, Hidenori Kobayashi. Optimal Fuzzy Inference for Short-Term Load Forecasting. IEEE Trans on Power Systems, Vo1.11, No.1, pp. 390～396, February 1996
[26]崔锦泰(美)著，程正兴译．小波分析导论．西安交通大学出版社，1997
[27]林湘宁，刘沛，程时杰，等．小波分析基础理论及其在电力系统中的应用(第1讲)．电力系统自动化，1997，21(10)；pp．80～83
[28]杨桦，任震，赵宏伟．基于小波分析的电力系统短期负荷预测．全国高校电力系统及其自动化专业第十二届学术年会论文集，pp．173～178
[29]M. Daneshdoost, M. Lotfalian, G. Bumroonggit, J.P. Ngoy. Neural Network with Fuzzy Set-Based Classification for Short-Term Load Forecasting. IEEE Trans on Power Systems, Vol. 13, No. 4, pp. 1386～1391, November 1998
[30]Hong-Tzer Yang, Chao-Ming Huang. A New Short-Term Load Forecasting Approach Using Self-Organizing Fuzzy ARMAX Model. IEEE Trans on Power Systems, Vol. 13, No. 1, pp. 217～225, February 1998
[31]温鹏，万永华，王同庆，等．电力系统短期负荷离线预测研究．电力系统自动化，1998，22(10)：pp．42～44
[32]程旭，康重庆，夏清．短期负荷预测的综合模型．电力系统自动化，2000，24(9)；pp．42～44
[33]吕志来，张保会．基于ANN和模糊控制相结合的电力负荷短期预测方法．电力系统自动化，1999，23(22)；pp．37～39
[34]刘晨晖．电力系统负荷预报理论与方法．哈尔滨工业大学出版社，1987
[35]韩祯祥．电力系统稳定．中国电力出版社，1995
[36]胡守仁，余少波，戴葵．神经网络导论．国防科技大学出版社，1999
[37]戴葵．神经网络实现技术．国防科技大学出版社，1999
[38]靳蕃，范俊波，谭永东．神经网络与神经计算机原理·应用．西南交通大学出版社
[39]沈善德，朱守真，罗骏，陈厚连．快速BP网络在负荷动态建模中的应用．电力系统自动化，1999，23(19)；pp．8～11
[40]张乃尧，阎平凡．神经网络与模糊控制．清华大学出版社，1998
[41]王永庆．人工智能原理·方法·应用．西安交通大学出版社，1994
[42]王立新．自适应模糊系统与控制．国防工业出版社，1995
[43]王磊，王为民．模糊控制理论及应用．国防工业出版社，1997
[44]余永权，曾碧．单片机模糊逻辑控制．北京航天航空大学出版社，1995
[45]袁曾任．人工神经元网络及其应用．清华大学出版社，1999
[46]姚成，吕海平，熊信良，吴耀武．电力系统短期负荷预测神经网络BP模型．全国高等学校电力系统及其自动化专业第十二届学术年会论文集，1996
[47]王民量，张伯明，夏清．电力系统短期负荷预测的共轭梯度ANN方法．电力系统自动化，1999，23(11)；pp．34～36
[48]任震，石志强，何建军，杨浩．小波分析及其在电力系统中的应用．全国高等学校电力系统及其自动化专业第十二届学术年会论文集，pp．126～135
[49]胡昌华，张军波，夏军，张伟．基于MATLAB的系统分析与设计——小波分析．西安电子科技大学出版社，1999
[50]杨争林，宋燕敏，曹荣章，等．短期负荷预测在发电市场中的应用．电力系统自动化，2000，24(11)：pp．14～17
[51]孟碧波，曾伟民．建设适应电力市场的电能计费结算系统．电力系统自动化，1999，23(2)；pp．63～66
[52]邵伟，杨敏虹，徐政，周浩．发电市场中负荷预测的功能及其方法．中国电力，2000，33(11)；pp．54～57
[2]马嘉谦，许业清．用电技术．中国科学技术大学出版社，1999
[3]牛东晓，曹树华，赵磊，张文文．电力负荷预测技术及其应用．中国电力出版社，1999
[4]陆延昌，姜绍俊．21世纪初期中国电力工业展望．中国电力，2000，33(7)：pp．1～3
[5]于尔铿，刘广一，周京阳．能量管理系统(EMS)．科学出版社，1998
[6]于尔铿，韩放，谢开，曹昉．电力市场．中国电力出版社，1999
[7]侯志俭，吴际瞬，张琦雨．电力系统短期负荷预报的几种改进手段．电力系统自动化，1996，20(7)；pp．27～31
[8]Takeshi Haida, Shoichi Muto. Regression Based Peak Load Forecasting Using a Transformation Technique. IEEE Trans on Power Systems, vol. 9, No. 4, pp. 1788～1794, November 1994
[9]H.T. Yang, C.M. Huang, C.L. Huang. Identification of ARMAX Model for Short Term Load Forecasting: An Evolutionary Programming Approach. IEEE Trans on Power Systems, Vol. 11, No. 1, pp. 403～408, February 1996
[10]D. C. Park, M.A. E1-Sharkawi, R.J. Marks Ⅱ. Electric Load Forecasting Using an Artificial Neural Network, IEEE Trans on Power Systems. Vol. 6, No. 2, pp. 442～449, May 1991
[11]闫承山，刘永奇．人工神经网络在华北电网负荷预测中的应用．电网技术，1998，20(7)；pp．5～9
[12]J. Vermaak, E.C. Botha. Recurrent Neural Networks for Short-Term Load Forecasting. IEEE Trans on Power Systems, Vol. 13, No. 1, pp. 126～131, February 1998
[13]S.J. kiartzis, C.E. Zoumas, etc. Short-term Load Forecasting in as Autonomous Power System Using Artificial Neural Networks. IEEE Trans on Power Systems, Vol.12, No. 4, pp. 1591～1594, November 1997
[14]李林川，夏道止，杨振平，等．应用人工神经网络进行短期负荷预测．电力系统及其自动化学报，1994，6(3)；pp．33～39
[15]O. Mohammed, D. Park, R. Merchant, etc. Practical Experiences with An Adaptive Neural Network Short-Term Load Forecasting System. IEEE Trans on Power Systems, Vol. 10, No. 1, pp. 254～259, February 1995
[16]A. G. Baklrtzls, V. Petridls, S. J. Klartzls, M. C. Alexladls. A Neural Network Short Term Load Forecasting Model for the Greek Power System. IEEE Trans on Power Systems, Vol. 11, No. 2, pp. 858～863, May 1996
[17]I. Drezga, S. Rahman. Input Variable Selection for ANN-Based Short-Term Load Forecasting. IEEE Trans on Power Systems, Vol. 13, No. 4, pp. 1238～1244, November 1998
[18]Alex D. Papal exopoulos, Shangyou Hao, Tie-Mao Peng. An Implementation of a Neural Network Based Load Forecasting Model for the EMS. IEEE Trans on Power Systems, Vol. 9, No. 4, pp. 1956～1962, November 1994
[19]韩民晓，姚蜀军．短期负荷预测方法的研究及在线应用．电力系统自动化，1998，22(10)：pp．34～37
[20]诸静，等．模糊控制原理与应用．机械工业出版社，1998
[21]韩祯祥，吴小苗．模糊集理论在电力系统中的应用(二)．电力系统自动化，1994，18(4)：pp．10～14
[22]王平洋，胡兆光．模糊数学在电力系统中的应用．中国电力出版社，1999
[23]张昊，吴捷．一种简单易行的短期负荷预测系统．电网技术，1998，22(7)；pp．14～17
[24]严华，吴捷，马志强，吴列鑫．模糊集理论在电力系统短期负荷预测中的应用．电力系统自动化，2000，24(11)；pp．67～71
[25]Hiroyuki Mori, Hidenori Kobayashi. Optimal Fuzzy Inference for Short-Term Load Forecasting. IEEE Trans on Power Systems, Vo1.11, No.1, pp. 390～396, February 1996
[26]崔锦泰(美)著，程正兴译．小波分析导论．西安交通大学出版社，1997
[27]林湘宁，刘沛，程时杰，等．小波分析基础理论及其在电力系统中的应用(第1讲)．电力系统自动化，1997，21(10)；pp．80～83
[28]杨桦，任震，赵宏伟．基于小波分析的电力系统短期负荷预测．全国高校电力系统及其自动化专业第十二届学术年会论文集，pp．173～178
[29]M. Daneshdoost, M. Lotfalian, G. Bumroonggit, J.P. Ngoy. Neural Network with Fuzzy Set-Based Classification for Short-Term Load Forecasting. IEEE Trans on Power Systems, Vol. 13, No. 4, pp. 1386～1391, November 1998
[30]Hong-Tzer Yang, Chao-Ming Huang. A New Short-Term Load Forecasting Approach Using Self-Organizing Fuzzy ARMAX Model. IEEE Trans on Power Systems, Vol. 13, No. 1, pp. 217～225, February 1998
[31]温鹏，万永华，王同庆，等．电力系统短期负荷离线预测研究．电力系统自动化，1998，22(10)：pp．42～44
[32]程旭，康重庆，夏清．短期负荷预测的综合模型．电力系统自动化，2000，24(9)；pp．42～44
[33]吕志来，张保会．基于ANN和模糊控制相结合的电力负荷短期预测方法．电力系统自动化，1999，23(22)；pp．37～39
[34]刘晨晖．电力系统负荷预报理论与方法．哈尔滨工业大学出版社，1987
[35]韩祯祥．电力系统稳定．中国电力出版社，1995
[36]胡守仁，余少波，戴葵．神经网络导论．国防科技大学出版社，1999
[37]戴葵．神经网络实现技术．国防科技大学出版社，1999
[38]靳蕃，范俊波，谭永东．神经网络与神经计算机原理·应用．西南交通大学出版社
[39]沈善德，朱守真，罗骏，陈厚连．快速BP网络在负荷动态建模中的应用．电力系统自动化，1999，23(19)；pp．8～11
[40]张乃尧，阎平凡．神经网络与模糊控制．清华大学出版社，1998
[41]王永庆．人工智能原理·方法·应用．西安交通大学出版社，1994
[42]王立新．自适应模糊系统与控制．国防工业出版社，1995
[43]王磊，王为民．模糊控制理论及应用．国防工业出版社，1997
[44]余永权，曾碧．单片机模糊逻辑控制．北京航天航空大学出版社，1995
[45]袁曾任．人工神经元网络及其应用．清华大学出版社，1999
[46]姚成，吕海平，熊信良，吴耀武．电力系统短期负荷预测神经网络BP模型．全国高等学校电力系统及其自动化专业第十二届学术年会论文集，1996
[47]王民量，张伯明，夏清．电力系统短期负荷预测的共轭梯度ANN方法．电力系统自动化，1999，23(11)；pp．34～36
[48]任震，石志强，何建军，杨浩．小波分析及其在电力系统中的应用．全国高等学校电力系统及其自动化专业第十二届学术年会论文集，pp．126～135
[49]胡昌华，张军波，夏军，张伟．基于MATLAB的系统分析与设计——小波分析．西安电子科技大学出版社，1999
[50]杨争林，宋燕敏，曹荣章，等．短期负荷预测在发电市场中的应用．电力系统自动化，2000，24(11)：pp．14～17
[51]孟碧波，曾伟民．建设适应电力市场的电能计费结算系统．电力系统自动化，1999，23(2)；pp．63～66
[52]邵伟，杨敏虹，徐政，周浩．发电市场中负荷预测的功能及其方法．中国电力，2000，33(11)；pp．54～57