摘 要

电力负荷预测是电力部门管理地方用电的一个重要手段，能否准确的进行电力负荷预测对电力系统的调度运行和生产规划有很大影响，准确的电力负荷预测能够提高供电单位供电的安全，稳定，经济运行。

本文对于短期电力负荷的预测的研究，首先是介绍一下其背景和研究意义，以及电力负荷预测的含义和分类，以及算法常用的几种电力负荷预测的策略，如单步预测，多步预测下面的直接法，迭代法以及多输入多输出法，不同时期类型的负荷预测具有不同的实际意义和研究方法，其中短期电力负荷预测是进行电力系统安全分析和电力调度工作的重要依据。本文采用的电力负荷方法是Broad Learning System(BLS)算法。由于近几年来神经网络世界范围内的广泛运用，电力负荷预测方法也开始涉及到神经网络，如BP的神经网络，SVM支持向量机，EMD-BP算法等。而本文所运用的BLS方法也是属于神经网络，它最新的，由ELM算法和函数链接网络算法衍生的。

本文实验部分是以2018年四月到五月Sotavento的风力负荷为实验数据进行的，分别对上文提到的单步，多步预测方法进行了实验，对比算法是ELM算法。

关键词：电力负荷预测； 神经网络； 宽度学习系统

Abstract

Power load forecasting is an important means for the power department to manage local power use. Whether the accurate load forecasting can affect the dispatching operation and production planning of the power system has a great influence. The accurate power load forecasting can improve the safety, stability and economic operation of the power supply.

In this paper, the study of short-term power load forecasting is first to introduce its background and research significance, as well as the meaning and classification of power load forecasting, as well as several strategies of power load forecasting commonly used in the algorithm, such as single step prediction, direct strategy, recursive strategy and multiple input multiple output strategy. Different time series load forecasting has different practical significance and research methods, in which short-term power load forecasting is an important basis for power system security analysis and power dispatching. The power load method adopted in this paper is Broad Learning System (BLS) algorithm. Because of the widespread use of neural networks worldwide in recent years, power load forecasting methods have also begun to involve neural networks, such as BP neural network, SVM, EMD-BP algorithm and so on. The BLS method used in this paper is also a neural network, which is derived from ELM algorithm and function link network algorithm. In the following, I am making a key introduction.

The experimental data of wind load is from Sotavento April 2018 to May. The experiment is carried out on the single step and multi-step prediction mentioned above. The contrast algorithm is the ELM algorithm.

Key Words：power load forecasting; neural network; broad learning system

目录

摘要 1

Abstract…………………………………………………………………………………………....1

第一章 绪论 1

1.1背景及研究意义 1

1.1.1背景 1

1.1.2研究意义 2

1.2电力负荷预测国内外研究现状 3

1.2.1国外研究现状 3

1.2.2国内研究现状 4

1.3课题研究内容 5

第二章 时序模型预测 6

2.1 时序预测预测概况 6

2.2 单步以及多步预测 6

2.2.1单步 6

2.2.2多步 7

2.2.2.1 迭代法 7

2.2.2.2 直接法 8

2.2.2.3 多输入多输出法 9

2.2.2.4 迭代法和直接法结合 9

第三章 宽度学习系统 10

3.1 极限学习机 10

3.2 随机向量函数链接网络 11

3.3宽度学习系统 13

3.3.1宽度学习系统的概况 13

3.3.2 BLS的模型 14

3.4 MNIST实验 18

第四章 电力负荷预测的实例分析 21

4.1 单步实验 21

4.1.1 间隔10分钟 21

4.1.2 间隔1小时 23

4.2 多步实验 25

4.2.1 直接法 25

4.2.1.1 间隔10分钟 25

4.2.1.2 间隔1小时 27

4.2.2 多输入多输出法 29

4.2.2.1 间隔10分钟 29

4.2.2.2 间隔1小时 31

第五章 结论 34

5.1 全文总结 34

5.2 今后工作的展望 34

参考文献 35

致谢 38

第一章 绪论

1.1背景及研究意义

1.1.1背景

电力负荷主要包括了两个方面，第一个方面是居民家庭用电，第二是企业，工厂用电。传统的电力负荷预测是指以电力负荷和外界因素变化为基础，建立相关的数学模型，通过对过去电力负荷数据的分析，建立相应的模型和方法，对未来电力系统的需求做出估计。

电力负荷预测工作的主要目的是预测未来电力负荷的时空分布，以达到生产电量与消耗电量的动态平衡，这样既可以使供电部门安全的供电，也能合理的定制电价，达到经济运行的效果。只有在电力负荷预测工作较为准确的前提条件下才能够实现电力系统的经济稳定运行，这也是实现电网建设的核心依据，对于电网的运行以及后期规划完善均必须要展开电力预测工作[2]。

本文预测的方法是属于深度学习中的神经网络，一般认为，到目前为止深度学习已经经历了三次发展的浪潮：20世纪40年代到60年代深度学习的雏形出现在控制论中，20世纪80年代到90年代深度学习以联结主义为代表，而从2006年开始，以深度学习之名复兴。神经网络方面的研究很早就已经出现，今天“神经网络”已是一个相当大的，多学科交叉的学科领域，各相关学科对神经网络的定义多种多样。经过几十年的发展，神经网络理论在模式识别、自动控制、信号处理、语音识别、人工智能等众多研究领域取得了广泛的成功。

图像和物体识别领域中的应用：

首先，机器在图像和物体识别方面打败了人类。在一个让软件识别玩具的测试中， Geoff Hinton创造的胶囊网络几乎将先前最佳错误率减半。就算视角与之前分析的视角不同，在各种扫描层上增加这些胶囊的数量也能让系统更好地识别物体。又如，一个经过标记图像数据库的训练网，跟在相同的任务上训练超过100小时的博士相比，能更出色地完成物品分类。

计算机视觉领域中的应用：

计算机视觉一直以来都是一个热门的研究领域。传统的研究内容主要集中在根据图像特点人工设计不同的特征，如边缘特征、颜色特征、尺度不变特征等。利用这些特征完成特定的计算机视觉任务，如图像分类、图像聚类、图像分割、目标检测、目标追踪等。传统的图像特征依赖于人工设计，一般为比较直观的初级特征，抽象程度较低，表达能力较弱。神经网络方法利用大量的图像数据，完全自动地学习特征。在深度神经网络中，各层特征形成了边缘、线条、轮廓、形状、对象等的层次划分，抽象程度逐渐提高。2012 年，在大规模图像数据集ImageNet 上，神经网络方法取得了重大突破，准确率达到84.7%。在LFW人脸识别评测权威数据库上，基于深度神经网络的人脸识别方法DeepID在2014、2015年分别达到准确率99.15%和99.53%，远超人类识别的准确率97.53%。

经济领域的应用：

市场价格预测。对商品价格变动的分析，可归结为对影响市场供求关系的诸多因素的综合分析。传统的统计经济学方法因其固有的局限性，难以对价格变动做出科学的预测，而人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是有着传统方法无法相比的优势。从市场价格的确定机制出发，依据影响商品价格的家庭户数、人均可支配收入、贷款利率、城市化水平等复杂、多变的因素，建立较为准确可靠的模型。该模型可以对商品价格的变动趋势进行科学预测，并得到准确客观的评价结果。

1.1.2研究意义

随着工业的不断发展，世界范围内的工厂，企业愈来愈多，对电量的需求也越来越重。但是因为电能是一种二次能源，它无法实现大量存储的特点决定了它的生产、运输和使用要求同时完成，发电量过多，会造成电能的浪费，过少则会造成停电损失，无法满足用电侧的需求[3]。要想确保供电质量及其系统处于绝对安全、稳定的环境下运行，必须要确保电力系统发电量以及系统负荷处于动态平衡状态。因此在电力系统运行管理中，电力负荷预测的精准度就显得极为重要。

短期电力负荷预测对电价的价格标准具有十分重要的意义。只有合理的电价才能使市场稳定，相关公司公平竞争，不损害公民的利益。

电网公司通过电力负荷预测预估电量也能使电网公司合理的生产电力，防止产电过多或过少。

短期负荷预测同样能使相关公司合理发动电机，减少公司的损耗和成本。

而对于如何通过对历史数据的研究继而落实较为符合条件的预测方法，以确保预测结果的精确程度，是电力生产规划、经济调度、实现电网科学管理的重要依据和电力市场化的重要依据[4,5]。所有对历史数据进行建模实验具有现实意义。

1.2电力负荷预测国内外研究现状

1.2.1国外研究现状

长久以来，国内外学者以及电力相关从业人员在长期的实践研究过程中，不断探索负荷预测新方法，随着近年来各种数学模型的涌现，以及人工智能的发展，出现了不少新颖的预测方法，这些方法大概能分成两大类别：一类是数学统计类的经典预测方法；另一类是人工智能类的新型预测方法，如80年代后期流行的专家系统法、90年代后期发展起来的人工神经网络法等。

在1991年，Park.D.C[6]等人最先在电力负荷预测方法中引入神经网络，由于神经网络的优秀性能使得，神经网络方法在电力负荷预测上有较好的性能，这也使得后面越来越多的学者开始从事相关的研究。

Vapnik等人在多年研究统计学习理论基础上提出了支持向量机（Support Vector Machine，简称SVM）。该方法通过kernel技术，巧妙的将低维线性不可分的数据，映射到高维空间使得数据变得线性可分，正式由于SVM强大的能力，使得其在很多领域得到运用。同样的在电力负荷预测领域中其也有不错的表现。

1.2.2国内研究现状

相对于国外，我国的起步较晚，到1980年，我国国内经济开始复苏，工业方面也开始发展起来，这也导致全国用电量的急剧上升，再由于我国当时主要还是以煤炭为主要原料来产电，在环境和能源的限制下，电力负荷预测也变得越来越重要。

文献[11]提出了一种直接向模型中加入各种相关影响因素的短期负荷预测方法。该方法不但要考虑、研究气象因素，而且把一般如工作日、节假日和休息日等分类指标加入模型，作者还设计了一个因素映射数据库，用来展示不一样的影响因素在映射函数中有何不同，根据实际检测表明，这种方法平均绝对误差不大于1.4%。

文献[12]中，作者先同过预训练模型的超参数的来搭建基本的神经网络，再通过遗传算法中的各种方法，如变异，交叉等，迭代优化更新神经网络的超参数。实例分析表明，经过该论文中一系列方法得到的模型是有效的，与利用传统方法建立的模型相比具有更高的预测精度。

哈尔滨工程大学的冉启文[13]等将小波分析融入感知神经网络(MLP)和周期回归移动模型(PARIMA)的建模之中，用MLP对各尺度小波分解进行模型和预测，用PARIMA 对最大尺度的分解进行模型和预测，最后，利用径向基函数(RBF)网络将每一尺度域的预测结果组合成为电力系统的预测最终结果。

1.3课题研究内容

本文的研究对象是电力负荷预测，所用方法为最新论文[1]一中的宽度学习系统（BLS），这是一个神经网络的方法。并通过对历史风力负荷数据的建模实验来探讨BLS对于电力负荷预测的可行性。

本文主要工作如下：

第一章 绪论，本章介绍了一下电力负荷预测的基本概念，以及研究其背景和意义，和神经网络的应用。并介绍了国内外的研究现状。

第二章 时序模型预测，本章简单介绍一下研究以时序为基础问题的一般分析策略。首先介绍了单步预测和多步预测。并重点论述了三种不同的多步预测算法，如直接法，迭代法和多输入多输出法。

第三章 宽度学习系统，本章主要以论文[1]为基础，以及该文作者之前的一些研究来全面介绍宽度学习系统。从ELM算法和作者早年的研究——函数链接网络，引申出宽度学习系统。并在MNIST上测试BLS算法。

第四章 电力负荷预测的实例分析，本章以BLS算法为基础，分别对单步，多步的集中方法进行实验分析，完成对ELM算法的对比实验。

第五章 总结分析，本章完成对整篇论文研究的总结，总结学习收获，以及对BLS的直接感受。

第二章 时序模型预测

2.1 时序预测预测概况

时序预测技术是通过分析时序数据的波动与震荡的特征，把握时间序列的周期性变化规律，能够实现一定时期内数值或趋势的预测。时间序列预测问题的研究以及持续很长时间了。而且也衍生出许多的应用。比如说天气的预测，股市的预测，经济的预测等方面都有很多的应用。

因为时间序列预测运用如此之多，已经有很多的研究方法，本章在这里简单介绍一下历史上经典方法。自Box和Jenkins[14]在回归分析法基础上，对平稳时间序列数据提出了完整的建模，估计，验证理论开始，时间序列预测就成为可能。从此学者们便不断完善时间序列预测的理论，相继提出了ARIMA、TAR、AR等一系列经典的时序预测模型。汤家豪[15]针对线性预测模型在非对称周期数据上的局限性，首次将动力系统科学与非线性时间序列分析相结合，提出了非线性时序预测模型TAR。Litterman等人[16]通过替换TAR模型的方程组结构，提高时序预测的准确度，提出了改进模型VAR。Engle [17]通过将误差项的异方差建模，提出了能够集中反映方差变化的ARCH模型。随着时序预测模型研究的深入，传统时序预测模型逐渐被完善。但由于模型理论相对简单与跨领域数据的适用性不佳，导致模型拟合的准确性不尽人意，限制了传统时序预测模型的发展。

而如今随着机器学习以及神经网络的深入发展，以机器学习为基础的时序预测技术得到学者们的关注，随之而来的诸如SVM算法，BP神经网络也开始运用到时序预测上。

2.2 单步以及多步预测

2.2.1单步

所谓预测即使对未来进行估计，而所谓单步预测就是简单的对未来某一时刻进行预测，单步预测是一种简单的，基础的预测，之后讲到的多步预测，也是建立在单步预测的基础上进行的。

x (1)

上述公式中的x(t 1)，就是我们想要预测的下一个时刻的值，而函数f就是我们所采用的预测算法，而d则代表，我们选用t 1时刻前d个时刻，进行预估。

2.2.2多步

相对于单步，多步就是预测多个连续的未来时刻，我们设定这个个数为p。多步预测中，常用的有三种策略，分别是迭代法，直接法，多输入多输出法。每个都有各自的特点。并没有那个方法绝对的优于其他方法[18]。所以一般在实验时，大多会同时比较三种方法的性能，然后进行综合分析。

2.2.2.1 迭代法

迭代法的基本思想是循环迭代单步预测算法，实现对p步的预测。其表达式如下：

仔细分析可以从上述式子看出，我们还是选用预测时刻之前的d个数据作为算法输入，但是在预测靠后的时刻时，我们会遇到真实的输入数据不足的情况，所以要在迭代的过程中加入我们预测的数据，作为输入，重新进行下一个时刻的预测。其优点是迭代次数即可控制着我们想要数量的预测时刻，但是也可以明显看出，我们的输入是算法预测的值，这个值与真实值会有一定的误差，如果我们将其带人之后的预测中，这种误差可能也会随着迭代而叠,这在[19,20]中有所说明，所以这样就会造成预测精度的下降。

下图是迭代法的算法过程图示，预测模型是SVR：

图2.1 迭代法的框架

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：