摘要: 电力负荷预测是电力系统调度、规划等部门的重要基础性工作，有助于电力系统安全、稳定运行，而且关系到电力企业的经济效益。随着我国电力体制改革的不断深入，对电力负荷预测技术的研究越来越重要。合理制订发电调配计划，提高电网运行的安全性和经... 展开 电力负荷预测是电力系统调度、规划等部门的重要基础性工作，有助于电力系统安全、稳定运行，而且关系到电力企业的经济效益。随着我国电力体制改革的不断深入，对电力负荷预测技术的研究越来越重要。合理制订发电调配计划，提高电网运行的安全性和经济性，改善电能质量，都离不开准确的负荷预测。 在短期负荷预测中，正确认识和分析影响负荷因素对负荷的影响是短期负荷预测的关键问题。为此，本文分析了南昌地区负荷的特性，考虑气象因素、时间因素和历史负荷数据因素作为影响南昌地区短期负荷的多特征量。首先介绍了人工神经网络算法在负荷预测工作中的应用，再讲述了BP神经网络和在此基础上增加承接层后得到的Elman神经网络的结构及建立方法；然后介绍了标准粒子群智能算法，并对其做了改进；最后将改进后的粒子群算法与Elman算法有机结合，建立了基于改进粒子群算法优化的Elman神经网络负荷预测模型IPSO-Elman，以此达到提高电力负荷预测结果精确性的目的。 文中选取影响短期负荷的多特征量作为神经网络算法输入样本数据的一部分，并对其进行量化处理；把与预测日相关性较大的历史负荷数据作为输入样本数据的另一部分。利用神经网络算法做负荷预测的流程是：先对输入样本数据进行预处理操作，得到无异常点的数据集；然后利用这些数据分别训练BP、Elman和IPSO-Elman神经网络；最后使用训练好的网络预测预测日的负荷数据。比较分析实例的误差指标可知，BP、Elman和IPSO-Elman三种算法的短期负荷预测精度依次增加，说明了本文介绍的IPSO-Elman短期负荷预测模型满足要求，具有有效性和实用性，能够进一步提高短期负荷预测的精度。 收起