基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測

秦桂芳，伍世勝

(崇左供電局變電管理所，廣西 欽州 532200)

1 緒論

電力系統(tǒng)短期負(fù)荷預(yù)測是電力生產(chǎn)部門的重要工作之一，其準(zhǔn)確性對電力系統(tǒng)的實時運行調(diào)度至關(guān)重要。電力負(fù)荷由諸多因素決定，這些因素往往具有隨機性和難以解析的非線性。本文在考慮負(fù)荷影響因素的前提下，依據(jù)負(fù)荷本身的歷史數(shù)據(jù)進(jìn)行分析研究，利用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，并用其進(jìn)行實例研究。

2 神經(jīng)網(wǎng)絡(luò)基本原理

2.1 神經(jīng)網(wǎng)絡(luò)的基本特征

神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng)，其主要特征為連續(xù)時間非線性動力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理及高度的魯棒性和學(xué)習(xí)聯(lián)想能力。同時它又具有一般的非線性動力系統(tǒng)的共性，即不可預(yù)測性、可塑性、耗散性、不可逆性、自適應(yīng)性等特征，因此神經(jīng)網(wǎng)絡(luò)實際上是個大規(guī)模非線性連續(xù)時間自適應(yīng)信息處理系統(tǒng)。

神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，其一般是一個多輸入單輸出的非線性器體，神經(jīng)元的結(jié)構(gòu)模型如圖1所示。

圖1 神經(jīng)元模型

其輸入輸出關(guān)系可簡化描述為:

其中，Xj(j=1，2，……，n)是從其他神經(jīng)元傳來的輸入信號;θj為閥值;Wji表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值。F(.)為傳遞函數(shù)(節(jié)點作用函數(shù))。用的神經(jīng)元非線性函數(shù)有閥值性函數(shù)、分段線性函數(shù)、S狀曲線等。

2.2 BP網(wǎng)絡(luò)

2.2.1 BP 模型

通常所說的BP模型即誤差后向傳播神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間多采用全互連方式，同一層單元之間不存在相互連接。圖2給出了一個三層BP網(wǎng)絡(luò)結(jié)構(gòu)，BP網(wǎng)絡(luò)的每一層的連接權(quán)值都可通過學(xué)習(xí)來調(diào)節(jié)。它的基本處理單元(輸入層單元除外)為非線性輸入－輸出關(guān)系，一般選用下列S型作用函數(shù):

當(dāng)給定網(wǎng)絡(luò)的一個輸入模式時，它由輸入層單元傳到隱含層單元，經(jīng)隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產(chǎn)生一個輸出模式，這是一個逐層狀態(tài)更新過程，稱為前向傳播。如果輸出響應(yīng)與期望輸出模式有誤差，不滿足要求，那么就轉(zhuǎn)入誤差后向傳播，將誤差值沿連接通路逐層傳遞并修正各層連接權(quán)值。對于給定的一組訓(xùn)練模式，不斷用一個個訓(xùn)練模式訓(xùn)練網(wǎng)絡(luò)，重復(fù)前向傳播和誤差后向傳播過程，當(dāng)各訓(xùn)練模式都滿足要求時，就說BP網(wǎng)絡(luò)已循環(huán)好了。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3 BP訓(xùn)練的程序圖

2.2.2 BP 算法

一般地，BP學(xué)習(xí)算法描述為如下步驟:

(1)初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣，學(xué)習(xí)因子η、參數(shù)α等;

(2)提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求;

(3)前向傳播過程:對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行(4);否則，返回(2);

(4)后向傳播過程:

①計算同一層單元的誤差δpj;

②修正權(quán)值和閥值;

③返回(2)。

3 基于BP網(wǎng)絡(luò)的短期負(fù)荷預(yù)測

3.1 偽數(shù)據(jù)的處理

歷史負(fù)荷數(shù)據(jù)的記錄中，由于某種原因(大用戶投切、遠(yuǎn)動通道故障、設(shè)備檢修等)產(chǎn)生的不良數(shù)據(jù)，造成的負(fù)荷數(shù)據(jù)偏離合理值，這些數(shù)據(jù)稱為偽數(shù)據(jù)。預(yù)測時應(yīng)將偽數(shù)據(jù)剔除。方法是將某一時刻的負(fù)荷值與其前后時刻的負(fù)荷比較，如果差值大于某一閾值，由程序自動將偽數(shù)據(jù)修正。

3.2 數(shù)據(jù)的歸一化

神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測試之前，為了避免神經(jīng)元飽和現(xiàn)象，一般在ANN的輸入層先將負(fù)荷數(shù)據(jù)及各個特征量用公式(4)進(jìn)行歸一化到［－1，1］中。在利用ANN預(yù)測之后，需要將輸出值用公式(5)換算回負(fù)荷值。公式如下:

其中，xmax、xmin分別為訓(xùn)練樣本集中輸入變量的最大值和最小值;yi、xi分別為輸入樣本歸一化前后的值。

3.3 預(yù)測模型輸入輸出量的選擇

在建立電力系統(tǒng)短期負(fù)荷預(yù)測模型時，一方面根據(jù)人類規(guī)律性的社會活動對負(fù)荷曲線特性的影響將日期分為工作日、休息日、節(jié)假日三種。另一方面由于氣象條件包括日照、降雨、溫度、風(fēng)速等許多因素等影響，為了保持模型輸入的簡單性和提高預(yù)測系統(tǒng)的魯棒性，本文剔除了一些對電力系統(tǒng)負(fù)荷影響較小的因素，保留那些影響較大的因素—溫度。

由負(fù)荷特性可知:某一天的負(fù)荷曲線同其前一天的負(fù)荷曲線比較相似，同其一星期前的那一天的負(fù)荷曲線也比較相似。即可認(rèn)為一天中的某一點負(fù)荷同前一天同一點附近的負(fù)荷，同一星期前同日同一點附近的負(fù)荷相關(guān)性比較大。因此對1天中第h小時的負(fù)荷預(yù)測可建立如下的輸入輸出關(guān)系:

其中pg，h表示第g天第h小時的負(fù)荷;θmax，g、θmin，g表示第g天的最大、最小溫度。這種樣本輸入輸出選擇兼顧了負(fù)荷的日周期特性和周周期特性。

一般節(jié)假日負(fù)荷變化與過去年的節(jié)假日負(fù)荷變化最接近，所不同的是由于年度負(fù)荷增長而產(chǎn)生的基本負(fù)荷的那一部分(主要是居民用點和商業(yè)用點等)，這一部分又包含在年節(jié)假日前休息日(周六、周日)的負(fù)荷中。針對節(jié)假日1天24小時各點的負(fù)荷預(yù)測可以建立如表1的輸入輸出關(guān)系。

表1 負(fù)荷預(yù)測實際值與預(yù)測值對比

其中，p表示負(fù)荷值;h表示假日這一天某點;o表示某假日;a表示某周日;a－1表示某周的前一周周日;v表示某周六;v－1表示某周的前一周周六;e表示某年。

4 仿真結(jié)果

本文使用的數(shù)據(jù)是美國某地區(qū)1998年4月至2000年12月的真實數(shù)據(jù)。本文選用2000年5月1日至5月28日的數(shù)據(jù)作為歷史數(shù)據(jù)。以2000年5月19日為例:

本文作者做了50組數(shù)據(jù)試驗，運行的結(jié)果是全部誤差都在6%以內(nèi)，其中誤差在5%以內(nèi)的占85%，誤差在2%以內(nèi)的占29%。

5 結(jié)論

本文運用BP神經(jīng)網(wǎng)絡(luò)對美國某地區(qū)進(jìn)行短期負(fù)荷預(yù)測，在建立預(yù)測模型時考慮了包括了溫度和日期類型兩個主要的負(fù)荷影響因素，在神經(jīng)網(wǎng)絡(luò)的預(yù)測過程中，對數(shù)據(jù)進(jìn)行了偽數(shù)據(jù)處理和歸一化處理，并找出了相關(guān)性較強的樣本進(jìn)行訓(xùn)練和預(yù)測，所預(yù)測的結(jié)果與實際值比較接近。文中對結(jié)果還做了泛化處理，得到的結(jié)果都能保持誤差在6%以內(nèi)，表明此方法是有效的。

但是，應(yīng)用神經(jīng)網(wǎng)絡(luò)對電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測也有不足之處，表現(xiàn)在:如何更多與更規(guī)范地考慮影響負(fù)荷預(yù)測的相關(guān)因素，對其其他重大事件(如故障)影響的負(fù)荷具有一定的修正功能等，這些都需要進(jìn)一步研究。

［1］汪峰，于爾鏗，等.基于因素影響的電力系統(tǒng)短期負(fù)荷預(yù)報方法的研［J］.中國電機工程學(xué)報，1999，19(8):54 －58.

［2］吳捷，嚴(yán)華.基于自適應(yīng)最優(yōu)模糊邏輯系統(tǒng)的短期負(fù)荷預(yù)測方法［J］.電力系統(tǒng)自動化，1999，23(22):35 －37.

［3］李林川.應(yīng)用人工神經(jīng)網(wǎng)的電力系統(tǒng)短期負(fù)荷預(yù)測［J］.電力系統(tǒng)及其自動化學(xué)報，1994，(3).

［4］劉秀玉，劉嶠，張少華，等.電力短期負(fù)荷預(yù)測模型與軟件開［J］.微計算機信息，2001，17(3).

［5］孫海斌，李揚，盧毅，等.電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述［J］.江蘇電機工程，2000，19(2):9 － 17.

［6］李林川，夏道止，楊振平，等.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測［J］.電力系統(tǒng)及其自動化學(xué)報，1994，6(3):33 － 41.

［7］韓民曉，徐振華，俞有瑛.RBF神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用［J］.華北電力學(xué)院學(xué)報，1994，21(4)1 － 6.