论文总字数：27377字

摘 要

当今，电力负荷数据量大、内容丰富，能够给予电力企业和电力用户多样的信息数据。因此，对电力大数据尤其是负荷数据的深度研究具有现实性意义。电力负荷历史数据受诸多因素影响，它的变化规律存在着一定的规律。因此，研究者们致力于开发能够获得更准确预测结果的算法，其中BP (Back Propagation)神经网络算法已经表现出在数据预测中的优势。本文主要研究基于BP神经网络算法的样本选择机制，获得与预测点关联度最高的典型样本选择方案，并测试得到较好的预测效果。主要内容包括：

首先，本文研究负荷的基本分类方法和电力负荷特性指标，研究可能影响负荷变化的因素和负荷特性分析的实际用途。

其次，本文研究神经网络算法运算原理和步骤和BP神经网络的预测步骤，建立BP神经网络预测模型，并对样本选择提出具体方案。

最后根据各产业的2016年负荷数据进行了负荷特性分析，包括典型日负荷特性曲线和月负荷率分析。应用BP神经网络算法得出最优负荷样本选择方案并预测出某日24个整点的负荷量，并根据各个产业的误差率分类，得到各产业神经网络预测的结论。

关键词：电力负荷，负荷特性，负荷预测，神经网络

ABSTRACT

Nowadays, the power load has a large amount of data and rich content, which can give power enterprises and users a variety of information data. Therefore, it is of practical significance to study the depth of power big data, especially load data. The historical data of electric power load are influenced by many factors. Therefore, researchers are committed to developing algorithms that can obtain more accurate prediction results, among which the BP (Back Propagation) neural network algorithm has shown the advantages in data prediction. In this paper, the sample selection mechanism based on BP neural network algorithm is studied, and a typical sample selection scheme with the highest correlation with the prediction point is obtained, and a better prediction effect is obtained by testing. The main elements include:

First of all, this paper studies the basic classification method of load and the power load characteristic index, studies the factors that may affect the load change and the practical application of load characteristic analysis.

Secondly, the principle and steps of neural network algorithm and the prediction steps of BP neural network are studied in this paper, and the prediction model of BP neural network is established, and the concrete scheme of sample selection is put forward.

Finally, according to the load data of various industries in 2016, the load characteristics are analyzed, including the typical daily load characteristic curve and the monthly load rate analysis. The optimal load sample selection scheme is obtained by using BP neural network algorithm and the load amount of 24 whole points on a certain day is predicted. According to the classification of the error rate of each industry, the conclusions of each industry neural network prediction are obtained.

KEY WORDS: power load, load characteristic, load forecasting, neural network.

目 录

摘 要 I

ABSTRACT II

第一章 绪论 1

1.1 引言 1

1.2 研究现状 1

1.2.1 电力负荷数据研究的现状 1

1.2.2 负荷预测的研究现状 3

1.3 本文的研究目的和主要研究内容 3

第二章 电力负荷的特性分析 5

2.1 负荷的基本概念、分类、特点 5

2.1.1 负荷的分类 5

2.1.2 各产业负荷基本特点 6

2.2 负荷特性指标 7

2.2.1 日负荷特性指标 7

2.2.2 年负荷特性指标 7

2.2.3 负荷特性指标分类 7

2.3 电力负荷特性分析的实际用途 8

第三章 电力负荷短期负荷预测模型 9

3.1 神经网络基本原理 9

3.2 神经网络工作方式 10

3.3 神经网络模型 10

3.4 BP神经网络算法 12

3.4.1 BP神经网络预测步骤 12

3.4.2 BP神经网络预测模型建立 13

3.4.3 隐含层节点对预测精度的影响 14

第四章 各产业的负荷分析 15

4.1 各产业的负荷特性 15

4.1.1 典型日负荷特性曲线 15

4.1.2 负荷率 21

4.2 各产业的负荷预测分析 23

4.3 各产业的管理优化策略 30

第五章 结论 31

5.1 本文小结 31

5.2 研究展望 31

致 谢 33

参考文献 34

绪论

引言

随着数字信息化时代的发展，在能源变革的大背景下，全球电网规模日益增大，数据量也呈现爆发式增长。如何更好地利用现有的电力大数据，是如今电力企业值得研究的课题。其中，对用户的用电行为特征准确的刻画和把握，成为了供电企业销售经营的挑战和机遇。2013年我国颁布“中国电力大数据白皮书”^[1]，对电力大数据发展做出了更为详尽地刻画。现代电力系统中，建立有效可靠的模型是决定仿真研究可信度的关键之一。面对海量数据，如何寻求其中的变化特征，使这些数据能够有效快速的得到应用，成为了研究中主要面对的问题。

智能电网的目标是建立包含电力系统整个生产过程的实时监控系统。电网的实时数据采集、数据的传输和存储可以支持电力系统的安全可靠运行。电力系统的数据类型，数据量和复杂性伴随着智能电网的不断建设正在飞速增长。电力系统数据存储管理正在面对特殊挑战。在电力系统数据价值挖掘中，需要更多的开发和技术研究工作。用户的用电信息采集系统和配电自动化系统已逐步完善。包括欧盟和美国在内的国家已开始使用智能电表，针对类型丰富、数据量大的配电网数据进行大数据特征提取，电力大数据的研究也逐渐进入人们的视野。我国也紧随世界电力大数据的发展步伐，加快建设用户用电信息采集系统，使得企业能够适应营销现代化建设的要求，满足电力市场化运作的发展目标和各企业对用电信息的迫切需求。

剩余内容已隐藏，请支付后下载全文，论文总字数：27377字