本文是一篇电气工程管理论文，论文在工业负荷的短期预测方向前探了一小步，但由于经验和能力的限制仍有一些设想尚未实现： ANN 负荷预测被认为是黑盒方法。这种方法通常提供的错误结果很少，但是有些突发事件会严重影响 ANN，使其无法准确预测实际负荷。例如断电就属于这类事件。
第 1 章 绪论
1.1 研究背景与意义
1.1.1 研究背景
电力是能源领域的重要基础，保证电力系统安全稳定高效运行，对于保障国家和社会稳定、推进经济和社会进步、提高人民生活水平具有重要意义。在当前的输配电系统中，并没有大量的能量存储。而为了维持电力系统的最佳运行，必须遵循电力负荷需求发电。发电，输电和配电设施需要某种手段对电力负荷进行预测，以便他们可以有效、安全和经济地利用其电力基础设施。发电公司使用电力负荷预测技术来调度其发电资源，以满足未来的负荷需求；输电公司使用电力负荷预测技术来优化输电网络上的潮流，以减少拥塞和过载；配电公司对通常不进行短期电力负荷预测，因为配电系统主要是放射状的，具有可预测的最大负荷需求。因此，配电系统的尺寸比较保守，短期负载变化对配电系统的影响很小。
与此同时，工业园区作为多个工业类企业的集合体成为了当前多项工作的重点。工业园区最早出现于 19 世纪末，目的是规划和管理工业的发展。截至 2015 年底，我国已经有近 500 个国家级开发区、上千个省级开发区，全国范围内有超过 20000 个各类园区。工业园区在其所在区域电网中，往往占据着各类负荷用电的最大比重。电力负荷根据用户对象的不同可分为以下几种：工业负荷，农业负荷，居民负荷以及商业负荷。根据中国能源局公布的最新数据，2020 年，工业用电占全国用电总量的 67.0%。第一产业用电占比 1.1%，第三产业用电 16.1%，居民用电仅占比 14.6%。由此可见工业用电比重极大，甚至远远超过其他用电的总量。然而，在学术研究领域，对工业负荷的预测分析尚处于起步阶段，其相关的文献研究要远远少于其他类负荷。在这一背景下，对工业园区的电力负荷的分析预测，是电力供需管理工作的良好落实。如果能够结合工业负荷的特点，将使得预测方法的选用及关联因素确定上更加具有针对性，必将进一步提高电力负荷预测准确性，为电网的高效建设和可靠、经济运行提供参考。
..........................
1.2 课题国内外研究现状
国内学者从上世纪 70年代起就开始了对于电力负荷预测问题的研究，国外学者则开始于上世纪 50 年代。目前已经提出并实施了一些可以用于负荷预测的技术有：
（1）多元线性回归法 （2）随机时间序列法 （3）一般指数平滑法 （4）状态空间法 （5）基于知识的专家方法 （6）人工神经网络
方法（1）至（4）使用统计方法得出预测解决方案[2]。方法（5）的算法会根据一组规则选择一个参考日，并使用其他特定于研究系统的规则来重整当日的电力负荷曲线[2]。方法（6）使用了一种算法，该算法结合了先前的系统负载和天气数据并预测了未来的负载模式。用输入数据集对人工神经网络（Artificial Neural Networks, ANN）进行训练，以近似目标数据集。负荷预测是一个固有的非线性问题，人工神经网络的结构适用于非线性建模[2]。这 6 种方法将在第 2 章中进一步探讨，重点是将 ANN 作为计算工业负荷短期预测的首选方法。文章将鞍山铝镁工业园区的历史电力负荷将用作ANN 的输入和训练数据。该算法将被优化以产生具有低百分比误差的短期负荷预测结果。
本节对国内外文献进行总结，发现国内外学者关于负荷预测研究的内容主要有以下两个方面：
（1）影响电力负荷的主要因素
以往的文献和研究表明，影响电力负荷的因素很多，比如历史负荷数据，气象因素，以及地区的经济状况甚至当地人民生活方式等因素都在不同角度和不同程度上影响着电力负荷预测。董波（1987）[3]认为天气是影响负荷预测精度的一个重要因素，文章根据地区负荷特点和气象因素的影响和规律，引入了“级”的概念，将干扰负荷描述为“级”的指数函数引入负荷预测模型中。方鸽飞，胡长洪（2010）[4]等学者将气象敏感负荷从总负荷中提取出来，分析温度、湿度对气象敏感负荷的影响，提出了将温度累积效应对负荷的影响分为日内温度累积效应和多日温度累积效应，再综合考虑这两部分进行处理的新思路。康重庆，周安石（2016）[5]等人详细考虑了温度、湿度等实时气象因素建立了电力短期负荷预测模型，得到了气象因素与负荷曲线之间的相关关系和变化规律。祝滨，刘耀年[6]（1999）等学者提出了日期类型、气象因素、电价因素都会对负荷预测产生影响，并对其进行仿真分析。葛少云，贾鸥莎（2012）[7]等学者建立了基于实时电价影响的短期负荷预测模型，通过与不考虑电价因素的负荷预测仿真结果的对比，验证了电价与负荷曲线的相关性。
.................................
第 2 章 理论基础
2.1 影响电力负荷的因素
如果没有针对该负载的特定计量数据，那么很难预测大型设施中单个设备的电力消耗。通常来说，在较大的电源系统中单个电气设备的使用是随机的，其他设备的使用模式可能与所研究的设备不同。单个负载之间的差异往往很大，但当将这些单个负载加总为一个较大的设施负载时，就会形成可以通过统计方式预测的模式[20]。
影响电气负载的因素主要有四个：经济因素，时间因素，天气因素，随机因素。
2.1.1 经济因素
经济因素包括通过以下方式对设施的基础设施进行投资： 建造新建筑物，实验室和实验，这会增加电力系统的负荷。该站点的资金概况决定了设备，过程和实验的运行方式和时间。诸如需求费用和需求管理计划之类的实用程序会在系统运行期间影响客户的用电模式。
经济因素不会影响短期负荷预测，因为这些因素通常会在比 24小时更长的时间范围内改变使用模式[20]；但是，经济因素可能是研究系统负载模式和实施减少负载计划的导火索。如前所述，短期负荷预测是用于实施需求管理活动的有力工具。
2.1.2 时间因素
对电负载影响最大的三个时间因素是：季节性影响，每周/每天的周期运行，节假日。
季节性影响是天气模式的长期变化[21]。炎热的夏季通常会产生较大的冷却负荷，而这种负荷更可能发生在下午和傍晚。寒冷的冬夜通常会产生大量的热负荷，而这种负荷很可能发生在傍晚和清晨。需要特别注意的是，鞍山铝镁园等大工业用户常使用蒸汽来满足该场所的大部分供热需求。因此，在鞍山铝镁园，冬季的电力负荷与气温之间的相关性不会像夏季的月份那样强。
每周-每天的周期是在一周的过程中以及每天[20-21]期间周期性的电负载变化模式。例如，对于铝镁园中的东和新材公司，该公司在夜间（21：15-07：15）工作，而在白天休息。
...............................
2.2 负荷预测方法
2.2.1 多元线性回归
多元线性回归（Multiple linear regression, MLR）方法使用天气和非天气变量计算指定时间 t 的电力负荷，已知这些天气变量和非天气变量会对电力负载产生影响[22-23]。这些变量通过与负载的相关分析来识别。将变量乘以使用最小二乘估计技术找到的回归系数[23]。
一些时间序列具有由于每小时，每天，每周，每月，每年或其他周期性的周期性行为。这些类型的时间序列的模型称为季节过程。可以使用季节过程来模拟多个周期性，例如每小时和每天的周期，但是，模型的阶次会随着每个附加周期的增加而增加。季节性过程模型是对 AR，MA，ARMA 或 ARIMA 过程的修改。
传递函数（Transfer Function, TF）模型利用前面讨论的模型之一来表示历史负载和白噪声项，以及一个或多个影响负载的其他变量，例如温度或湿度。这些其他变量的影响可以使用如图 2.1 所示的传递函数进行建模。
电气工程管理论文怎么写
..........................
第 3 章 负荷数据预处理 ..................................... 17
3.1 基于经验模态分解的电力负荷噪声抑制 ............................. 17
3.2 缺失数据处理 ....................................... 21
第 4 章 基于和声搜索改进粒子群优化的人工神经网络模型 ........................... 28
4.1 人工神经网络算法 .............................. 28
4.2 粒子群算法 ................................... 29
第 5 章 仿真分析 .................................. 37
5.1 工业负荷分析 ......................................... 37
5.2 预测结果及误差分析 .................... 38
第 5 章 仿真分析
5.1 工业负荷分析
本文仿真部分使用以矿业为主的工业园区为算例进行分析，数据来自鞍山铝镁新材料工业园区，采样点时间间隔为 15min，每天有 96 个采样点。该园区坐落于海城市经济开发区，重点发展镁合金、镁建材等菱镁新材料产业集群。该园区是新建园区，包含 HM 矿业，DH 新材，HY 胜鹏，ZH 镁亚四家企业。企业典型日负荷曲线如图 5.1所示，工业园区典型日负荷曲线如图 5.2 所示。
电气工程管理论文参考
通过分析该工业园区的典型时序特性曲线可以看出，四家企业的工作型式不同，HM 矿业属于全天作业，而其余三家企业均为夜间作业型企业。这是由交通运输、噪音污染、施工效率等多方面因素决定的。a 到 d 图表明，工业负荷数据波动性强，曲线呈复杂的非线性。b 到 d 图显示，工业负荷往往在夜间 21：00 和早晨 07：00 左右数据爬坡率很高，负荷值波动极大，且工作过程中曲线波动剧烈。基于这一问题，论文选取人工神经网络算法利用其构建非线性复杂关系的优良能力对其进行预测；同时利用和声搜索算法以及粒子群算法优秀的全局搜索性能优化其权值及阈值，有效避免人工神经网络引入局部极值点，建立了一种融入和声搜索的粒子群优化人工神经网络模型对工业负荷进行预测。
.........................
第 6 章 结论与展望
6.1 结论
电力系统内一切行为的目标是使电力系统高效，安全且经济地运行。电力系统的短期负荷预测对于电力系统调度、电力系统状态监测具有重要意义，而针对在各类负荷中比重最大的工业负荷的特点，建立适合的模型进行短期负荷预测则是未来一个重要的发展方向。
工业负荷是用电占比最大的负荷类别，而我国 70%的工业负荷集中在工业园区，其参与电网需求响应的潜力巨大，故对其进行负荷预测是未来电网需求响应的一个重要方向。论文针对这一课题，建立了基于融入和声搜索的粒子群优化人工神经网络模型，并实现了辽宁鞍山铝镁工业园区的短期负荷预测，取得了较好效果。
论文分析工业电力负荷的特性，针对工业负荷数据质量差、噪声多的问题建立了基于 EMD 噪声抑制和 AR 修补的数据预处理模型有效提高了数据质量；针对工业负荷非线性、波动性强的特性，利用人工神经网络算法对于构建非线性的复杂关系的优良能力对其进行预测；同时对于神经网络算法易出现局部极小点的缺陷，建立了融入和声搜索的粒子群算法对其权值和阈值进行参数优化，经过对鞍山工业园区的实例分析验证了该模型的有效性。相对于传统的 ANN 算法，经过 PSOIHS 改进的模型的相对误差平均降低了 6%，对于波动较强烈的时刻相对误差降低了 10~20%，表明该算法预测效果稳定，预测结果可靠性强。算法验证部分在同一条件下使用不同算法对同一日的负荷序列进行预测，PSOIHS-ANN 模型在保证运算速度的基础上，MAPE，RMSE 均为最优；相对于其他几种智能算法中表现最好的 LSTM 算法，论文建立的预测模型MAPE 提高了 6.541%。
参考文献（略）