燕 山 大 学
本科毕业设计（论文）开题报告
课题名称
学院（系）：
年级专业：
学生姓名：
指导教师：
完成日期：
一、综述本课题国内外研究动态，说明选题的依据和意义
1．国内外研究动态
运用神经网络技术进行电力负荷预测，是刚刚兴起的一种新的研究方法，其优点是可能模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点。特别地，其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测被当作人工神经网络最有潜力的应用领域之一。
人工神经网络(ANN)作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，许多学者将其应用于电力负荷预测问题，取得了一些进展。一般而言，ANN应用于短期负荷预测要比应用于中长期负荷预测更为适宜，因为短期负荷变化可认为是一个平稳随机过程，而长期负荷预测与国家或地区的政治、经济政策等因素密切相关，通常会有些大的波动，而并非一个平稳随机过程川。在短期负荷预测方面，应用最多是前向多层神经网络，并采用EBP(ErrorBaekpropagation)算法进行网络训练。因为此结构的神经网络具有很好的函数逼近能力，通过对训练样本的学习，能很好地反映出对象的输入/输出之间的复杂的非线性关系;且不必预先知道输入变量和预测值之间的数学模型，可以方便地计入温度、天气情况、湿度等对电力负荷有重要影响的因素的作用。
2．选题依据
电力系统负荷预测是电力生产部门的重要工作之一,通过准确的负荷预测,可以经济合理地安排机组启停,减少旋转备用容量,合理安排检修计划,降低发电成本,提高经济效益。负荷预测的结果的准确性将直接影响调度的结果,从而对电力系统的安全稳定运行和经济性带来重要影响。在当前市场化运营的条件下,由于电力交易更加频繁和经营主体之间的区别,会出现各种不确定性因素,同时负荷对于电价的敏感度也随
着市场的完善而逐渐增强,这也给负荷预测带来了新的难度。由于市场各方对信息的获取和运营的经济性更加重视,准确的预测对于提高电力经营主体的运行效益有直接的作用,因此对负荷预测精度提出更高要求。目前，我国大多数系统的短期负荷预测都是由调度人员人工进行，通过寻找相似日直观地预测。这就完全依赖于调度人员的经验，且一般仅限于提前一天预测。因此，迫切需要有一个自动负荷预测系统，提前一天或一周预测系统负荷，以满足经济调度和机组调停的需要。重要的是，这一系统应具有规范化的预报过程，减少对运行人员经验的依赖性，适用于不同系统并满足精度要求。初步研究成果表明，基于神经网络的负荷预测结果可能比其他方法更准确，具有实用前景。
3．研究意义
电力负荷预测常会受到众多因素的影响，既包括系统内部各种因素的影响，还包括一些社会因素与人为因素的影响，因而变化极其复杂。所以在涉及到这两类问题时，就必然要考虑客观存在的不确定性的影响，而且必须采取适当的方法加以处理。本文重点研究的神经网络技术，作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，因此近年来有很多专家学者对它进行了研究。但是在实际研究过程中，神经网络的一些缺点也暴露无遗，如训练易陷于局部极小、训练样本大小不知如何选取以及过拟合问题等。本文通过实际计算和分析，希望能对神经网络技术存在的某些问题就其在 电力负荷预测的应用上做出一些研究，以期对该技术的发展起到添砖加瓦的作用，对今后的电力负荷预测工作提供一定的参考价值。
二、研究的基本内容，拟解决的主要问题
1．基本内容
本文研究包括:其一，综述神经网络技术在电力负荷预测上的研究现状，并对实际应用中神经网络技术存在的若干问题进行定性分析；其二，结合神经网络技术在电力负荷预测上的应用，论述神经网络模型。具体而言，绪论及第一章属于第一部分，分别讨论对人工神经网络推广能力的研究、对确定
网络结构的讨论以及对网络样本量大小的研究。然后讨论神经网络模型在电力负荷预测上的应用。接着对神经网络中过拟合问题进行定性分析及定量计算。最后对所做的理论研究工作和实际应用工作作了总结，并对今后这方面研究提出一些建议。
2．拟解决的主要问题
1）电力系统负荷模型的建立。
2）BP算法输入输出向量的设计。
3）创建BP网络，进行网络训练以便投入实际应用。
三、研究步骤、方法及措施
1．研究步骤
1）确定负荷预测的目的，制定预测计划
在预测计划中要考虑的问题主要有:准备预测的时期，所需的历史资料(按年、按月、按周或者按日)，需要多少资料，资料的来源和搜集资料的方法，预测方法，用时等等。
2）调查资料和选择资料
本文中预测所需的资料主要包括历史数据，以及历史天气数据等。
3）建立预测模型
负荷预测模型是统计资料轨迹后的概括，它反映的是经验资料内部的一般特征。模型的具体化就是负荷预测的公式。对ANN方法的预测方案，建立预测模型包括两步:第一步，确定ANN的结构及其算法;第二步，选择历史数据对其进行训练。
2．研究方法
根据神经网络预测技术进行电力系统负荷预测。
四、研究工作进度
第一阶段（2009年2月～2009年3月）
查阅相关参考资料，了解电力系统负荷模型和神经网络理论。
第二阶段（2009年3月～2009年4月）
建立电力系统负荷预测模型。
第三阶段（2009年4月～2009年5月）
完成电力系统负荷预测的仿真实验。
第四阶段（2009年5月～2009年6月）
准备资料，开始撰写毕业论文。
第五阶段（2009年6月）
完成毕业论文的撰写，绘制图纸，准备答辩。
五、主要参考文献：
[1] 徐军华.电力系统短期负荷预测模型与优选的研究.四川大学.2004.
[2] 谢宏.电力系统日负荷预测理论与方法的研究.华北电力大学.2002.
[3] 陈艳.基于遗传神经网络的短期电力负荷预测研究.大连理工大
学.2006.
[4] 王常飞.电力系统短期负荷预测方法的研究及实现.郑州大学.2005.
[5] 杨靖研.电力系统短期负荷预测的研究.哈尔滨理工大学.2004.
[6] 孙英广.神经网络在径流预测模型研究中的应用及软件实现.大连理工
大学.2005.
[7] 刘清.人工神经网络算法的改进及其在水利测量技术中的应用.河海大
学.2005.
[8] 罗枚.电力系统短期负荷智能预测方法的研究.天津大学.2005.
[9] 姚晓林.基于超短期负荷预测的补偿电容器优化投切.山东大学.2006.
[10] 沈艳.神经网络理论研究及在舰船运动预报中的应用.哈尔滨工程大
学.2005.
[11] Clark,D.W.el al,Generalized Predictive Control-Part1.The Basic
Algorithm;Part2.Extensions and Interpretations.Automatia,Vol. 23 No2,1987
[12] Rouhani R,Mehra R K.Model Algorithmic Control(MAC).Basic
Theoretical Properties.Automatica,1982,18(4):p401-414
[13] Garcia.C.E.et al,Model Predictive Control:Theory and Practice
a Survey,Automatica,Vol.25,No.3,pp.335-348,1989
[14] Simon Haykin.Neutal Networks:A Comprehensive Foundation,Second
Edition.
[15] White,H.,1989a.”Learning in artificial neural networks:A
statistical perspective,”Neural Computation,vol.1,pp.425-464
六、指导教师意见
指导教师签字：
年 月
七、系级教学单位审核意见：
审查结果： □ 通过 □ 完善后通过 □ 未通过
负责人签字：
年 月
日 日
燕 山 大 学
本科毕业设计（论文）开题报告
课题名称
学院（系）：
年级专业：
学生姓名：
指导教师：
完成日期：
一、综述本课题国内外研究动态，说明选题的依据和意义
1．国内外研究动态
运用神经网络技术进行电力负荷预测，是刚刚兴起的一种新的研究方法，其优点是可能模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点。特别地，其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测被当作人工神经网络最有潜力的应用领域之一。
人工神经网络(ANN)作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，许多学者将其应用于电力负荷预测问题，取得了一些进展。一般而言，ANN应用于短期负荷预测要比应用于中长期负荷预测更为适宜，因为短期负荷变化可认为是一个平稳随机过程，而长期负荷预测与国家或地区的政治、经济政策等因素密切相关，通常会有些大的波动，而并非一个平稳随机过程川。在短期负荷预测方面，应用最多是前向多层神经网络，并采用EBP(ErrorBaekpropagation)算法进行网络训练。因为此结构的神经网络具有很好的函数逼近能力，通过对训练样本的学习，能很好地反映出对象的输入/输出之间的复杂的非线性关系;且不必预先知道输入变量和预测值之间的数学模型，可以方便地计入温度、天气情况、湿度等对电力负荷有重要影响的因素的作用。
2．选题依据
电力系统负荷预测是电力生产部门的重要工作之一,通过准确的负荷预测,可以经济合理地安排机组启停,减少旋转备用容量,合理安排检修计划,降低发电成本,提高经济效益。负荷预测的结果的准确性将直接影响调度的结果,从而对电力系统的安全稳定运行和经济性带来重要影响。在当前市场化运营的条件下,由于电力交易更加频繁和经营主体之间的区别,会出现各种不确定性因素,同时负荷对于电价的敏感度也随
着市场的完善而逐渐增强,这也给负荷预测带来了新的难度。由于市场各方对信息的获取和运营的经济性更加重视,准确的预测对于提高电力经营主体的运行效益有直接的作用,因此对负荷预测精度提出更高要求。目前，我国大多数系统的短期负荷预测都是由调度人员人工进行，通过寻找相似日直观地预测。这就完全依赖于调度人员的经验，且一般仅限于提前一天预测。因此，迫切需要有一个自动负荷预测系统，提前一天或一周预测系统负荷，以满足经济调度和机组调停的需要。重要的是，这一系统应具有规范化的预报过程，减少对运行人员经验的依赖性，适用于不同系统并满足精度要求。初步研究成果表明，基于神经网络的负荷预测结果可能比其他方法更准确，具有实用前景。
3．研究意义
电力负荷预测常会受到众多因素的影响，既包括系统内部各种因素的影响，还包括一些社会因素与人为因素的影响，因而变化极其复杂。所以在涉及到这两类问题时，就必然要考虑客观存在的不确定性的影响，而且必须采取适当的方法加以处理。本文重点研究的神经网络技术，作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，因此近年来有很多专家学者对它进行了研究。但是在实际研究过程中，神经网络的一些缺点也暴露无遗，如训练易陷于局部极小、训练样本大小不知如何选取以及过拟合问题等。本文通过实际计算和分析，希望能对神经网络技术存在的某些问题就其在 电力负荷预测的应用上做出一些研究，以期对该技术的发展起到添砖加瓦的作用，对今后的电力负荷预测工作提供一定的参考价值。
二、研究的基本内容，拟解决的主要问题
1．基本内容
本文研究包括:其一，综述神经网络技术在电力负荷预测上的研究现状，并对实际应用中神经网络技术存在的若干问题进行定性分析；其二，结合神经网络技术在电力负荷预测上的应用，论述神经网络模型。具体而言，绪论及第一章属于第一部分，分别讨论对人工神经网络推广能力的研究、对确定
网络结构的讨论以及对网络样本量大小的研究。然后讨论神经网络模型在电力负荷预测上的应用。接着对神经网络中过拟合问题进行定性分析及定量计算。最后对所做的理论研究工作和实际应用工作作了总结，并对今后这方面研究提出一些建议。
2．拟解决的主要问题
1）电力系统负荷模型的建立。
2）BP算法输入输出向量的设计。
3）创建BP网络，进行网络训练以便投入实际应用。
三、研究步骤、方法及措施
1．研究步骤
1）确定负荷预测的目的，制定预测计划
在预测计划中要考虑的问题主要有:准备预测的时期，所需的历史资料(按年、按月、按周或者按日)，需要多少资料，资料的来源和搜集资料的方法，预测方法，用时等等。
2）调查资料和选择资料
本文中预测所需的资料主要包括历史数据，以及历史天气数据等。
3）建立预测模型
负荷预测模型是统计资料轨迹后的概括，它反映的是经验资料内部的一般特征。模型的具体化就是负荷预测的公式。对ANN方法的预测方案，建立预测模型包括两步:第一步，确定ANN的结构及其算法;第二步，选择历史数据对其进行训练。
2．研究方法
根据神经网络预测技术进行电力系统负荷预测。
四、研究工作进度
第一阶段（2009年2月～2009年3月）
查阅相关参考资料，了解电力系统负荷模型和神经网络理论。
第二阶段（2009年3月～2009年4月）
建立电力系统负荷预测模型。
第三阶段（2009年4月～2009年5月）
完成电力系统负荷预测的仿真实验。
第四阶段（2009年5月～2009年6月）
准备资料，开始撰写毕业论文。
第五阶段（2009年6月）
完成毕业论文的撰写，绘制图纸，准备答辩。
五、主要参考文献：
[1] 徐军华.电力系统短期负荷预测模型与优选的研究.四川大学.2004.
[2] 谢宏.电力系统日负荷预测理论与方法的研究.华北电力大学.2002.
[3] 陈艳.基于遗传神经网络的短期电力负荷预测研究.大连理工大
学.2006.
[4] 王常飞.电力系统短期负荷预测方法的研究及实现.郑州大学.2005.
[5] 杨靖研.电力系统短期负荷预测的研究.哈尔滨理工大学.2004.
[6] 孙英广.神经网络在径流预测模型研究中的应用及软件实现.大连理工
大学.2005.
[7] 刘清.人工神经网络算法的改进及其在水利测量技术中的应用.河海大
学.2005.
[8] 罗枚.电力系统短期负荷智能预测方法的研究.天津大学.2005.
[9] 姚晓林.基于超短期负荷预测的补偿电容器优化投切.山东大学.2006.
[10] 沈艳.神经网络理论研究及在舰船运动预报中的应用.哈尔滨工程大
学.2005.
[11] Clark,D.W.el al,Generalized Predictive Control-Part1.The Basic
Algorithm;Part2.Extensions and Interpretations.Automatia,Vol. 23 No2,1987
[12] Rouhani R,Mehra R K.Model Algorithmic Control(MAC).Basic
Theoretical Properties.Automatica,1982,18(4):p401-414
[13] Garcia.C.E.et al,Model Predictive Control:Theory and Practice
a Survey,Automatica,Vol.25,No.3,pp.335-348,1989
[14] Simon Haykin.Neutal Networks:A Comprehensive Foundation,Second
Edition.
[15] White,H.,1989a.”Learning in artificial neural networks:A
statistical perspective,”Neural Computation,vol.1,pp.425-464
六、指导教师意见
指导教师签字：
年 月
七、系级教学单位审核意见：
审查结果： □ 通过 □ 完善后通过 □ 未通过
负责人签字：
年 月
日 日