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

朱雨晨，加瑪力汗·庫馬什，娜仁花

(新疆大學(xué)電氣工程學(xué)院，新疆烏魯木齊830047)

0 引言

電力系統(tǒng)負(fù)荷預(yù)測是指從已知的經(jīng)濟(jì)、社會(huì)發(fā)展和電力需求情況出發(fā)，通過對歷史數(shù)據(jù)的分析和研究對未來電力需求做出預(yù)先的估計(jì)和推測［1－3］。負(fù)荷預(yù)測是電力系統(tǒng)調(diào)度、實(shí)時(shí)控制、運(yùn)行計(jì)劃和發(fā)展規(guī)劃的前提，有利于提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益［4－5］。因此，負(fù)荷預(yù)測已成為電力系統(tǒng)管理現(xiàn)代化的重要內(nèi)容，科學(xué)的預(yù)測是正確決策的依據(jù)和保證。本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)法對新疆某地區(qū)進(jìn)行短期負(fù)荷預(yù)測，在建立預(yù)測模型時(shí)考慮了包括溫度和日期類型兩個(gè)主要的負(fù)荷影響因素，然后對數(shù)據(jù)進(jìn)行了去偽和歸一化處理，找出了相關(guān)性較強(qiáng)的樣本進(jìn)行訓(xùn)練和預(yù)測。

1 神經(jīng)網(wǎng)絡(luò)基本原理

1.1 神經(jīng)網(wǎng)絡(luò)的基本特征

神經(jīng)網(wǎng)絡(luò)實(shí)際上是1個(gè)大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)［6－7］。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般是一個(gè)多輸入單輸出的非線性器體，其結(jié)構(gòu)如圖1所示。

輸入輸出可簡化為

式中:Xj(j=1，2，……，n)是從其它神經(jīng)元傳來的輸入信號(hào);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。采用的神經(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［8］。

圖1 神經(jīng)元模型

1.2 BP模型

圖2給出了一個(gè)3層BP網(wǎng)絡(luò)結(jié)構(gòu)，BP網(wǎng)絡(luò)的每1層的連接權(quán)值都可通過學(xué)習(xí)來調(diào)節(jié)［9］?；咎幚韱卧?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)表示:

當(dāng)給定網(wǎng)絡(luò)的一個(gè)輸入模式時(shí)，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(gè)輸出模式，這是一個(gè)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。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

2 基于BP網(wǎng)絡(luò)的短期負(fù)荷預(yù)測

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程

在具體的實(shí)現(xiàn)過程中，初步建立好一個(gè)模型后，就要根據(jù)它的輸入輸出所代表的特征量來構(gòu)造訓(xùn)練樣本。若樣本庫中有畸形數(shù)據(jù)，則應(yīng)先將其剔除。訓(xùn)練樣本構(gòu)造好后，就可以對模型進(jìn)行訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練結(jié)束后，再根據(jù)歷史數(shù)據(jù)，來得到要預(yù)測日或T時(shí)刻的負(fù)荷值，計(jì)算流程如圖3所示。

2.2 預(yù)測模型輸入輸出量的選擇

圖3 短期負(fù)荷預(yù)測流程

在預(yù)測日的前一天，每15 min對電力負(fù)荷進(jìn)行1次測量，1 d共測得96組負(fù)荷數(shù)據(jù)。負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況，所以將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測日的陰晴、溫度、濕度等情況。本文將電力負(fù)荷預(yù)測日前的氣象特征數(shù)據(jù)和溫度作為網(wǎng)絡(luò)的輸入變量，輸入變量就是1個(gè)99維的向量。顯而易見，目標(biāo)向量就是預(yù)測日當(dāng)天的96個(gè)負(fù)荷值，即1 d中每15 min的電力負(fù)荷。這樣一來，輸出變量就成為1個(gè)96維的向量。

由于輸入向量有99個(gè)元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有99個(gè)，依據(jù)klomogorov定理，中間層的神經(jīng)元可以取199個(gè)。而輸出向量有96個(gè)，所以輸出層的神經(jīng)元應(yīng)該有96個(gè)。網(wǎng)絡(luò)中間層的神經(jīng)元傳輸函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig，這是因?yàn)楹瘮?shù)的輸出位于區(qū)間［0，1］中，正好滿足網(wǎng)絡(luò)輸出的要求。

2.3 偽數(shù)據(jù)的處理

電力系統(tǒng)負(fù)荷建模需要大量的歷史數(shù)據(jù)，而歷史數(shù)據(jù)大多是通過電量采集器或SCADA系統(tǒng)采集得來，除了受測量設(shè)備本身或數(shù)據(jù)傳輸中的種種原因影響外，還有人為拉閘限電的影響。因此歷史負(fù)荷數(shù)據(jù)中往往包含有非真實(shí)的數(shù)據(jù)，通常稱之為“不良數(shù)據(jù)”或“壞數(shù)據(jù)”。如果利用這些偽數(shù)據(jù)進(jìn)行負(fù)荷建模，必然會(huì)給負(fù)荷預(yù)測帶來較大的誤差，甚至導(dǎo)致預(yù)測算法的發(fā)散。因此在利用這些數(shù)據(jù)之前，應(yīng)先對其進(jìn)行去偽處理。

2.4 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，為了避免出現(xiàn)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(gè)特征量歸一化到［－1，1］中，用ANN預(yù)測之后，需要將輸出值換算回負(fù)荷值:

式中: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。

2.5 天氣數(shù)據(jù)的處理

為了充分體現(xiàn)陰晴、溫度、濕度對負(fù)荷的影響，把預(yù)測日前14 d及預(yù)測日的陰晴、溫度當(dāng)作神經(jīng)網(wǎng)絡(luò)的3個(gè)輸入節(jié)點(diǎn)?？紤]到天氣預(yù)報(bào)的實(shí)際情況，并按照神經(jīng)網(wǎng)絡(luò)歸一化要求，本文根據(jù)天氣特征進(jìn)行分類:晴天、陰天、雨天、雪天的處理值分別為0、0.4、0.7、1.0。

3 仿真結(jié)果

本文使用的數(shù)據(jù)是新疆某地區(qū)2012年4月至2012年5月的真實(shí)數(shù)據(jù)，選用2012年4月1日至5月15日的數(shù)據(jù)作為歷史數(shù)據(jù)，以2012年5月16日為例，利用以上方法可以測得1 d 96個(gè)采樣點(diǎn)的部分負(fù)荷預(yù)測數(shù)據(jù)如表1所示。根據(jù)表1所得預(yù)測負(fù)荷和實(shí)際負(fù)荷對比，繪出的曲線如圖4所示，根據(jù)負(fù)荷預(yù)測的準(zhǔn)確率繪出的曲線如圖5所示。

兩條曲線形狀相似，日谷、晚谷實(shí)際負(fù)荷曲線與預(yù)測負(fù)荷曲線吻合程度較好，低谷負(fù)荷和基荷相當(dāng)，而午谷負(fù)荷偏差較小，實(shí)際負(fù)荷曲線上升沿較緩，實(shí)際負(fù)荷曲線低于預(yù)測負(fù)荷曲線。總體來說，第16次的負(fù)荷預(yù)測的差值最小為0.46 MW，準(zhǔn)確率為99.90%，而第89次差值最大為20.88 MW，準(zhǔn)確率為96.17%，平均準(zhǔn)確率為98.45%。運(yùn)行的結(jié)果全部誤差都在4%以內(nèi)，其中誤差在3%以內(nèi)的占91%，誤差在 1%以內(nèi)的占 31%，均方誤差為0.87%，基本上可以滿足電力經(jīng)濟(jì)調(diào)度的使用。

表1 負(fù)荷預(yù)測結(jié)果

4 結(jié)束語

本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對新疆某地區(qū)進(jìn)行短期負(fù)荷預(yù)測。在建立預(yù)測模型時(shí)考慮了包括了溫度和日期類型兩個(gè)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)行了去偽處理和歸一化處理，并找出了相關(guān)性較強(qiáng)的樣本進(jìn)行訓(xùn)練和預(yù)測，所預(yù)測的結(jié)果與實(shí)際值比較接近，得到的結(jié)果都能保持誤差在4%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: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、對其它重大事件(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］郭鵬偉，黃橋林，肖白.基于聚類分析理論的空間負(fù)荷預(yù)測方法［J］.黑龍江電力，2011，32(6):434－437.

［2］滕菲，王寧.電力負(fù)荷預(yù)測技術(shù)［J］.黑龍江電力，2002，24(5):342－345.

［3］張德玲.電力系統(tǒng)短期負(fù)荷預(yù)測方法的研究［D］.鄭州:鄭州大學(xué)，2007.

［4］李萍，曾令可，王慧，等.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)的設(shè)計(jì)［J］.電力系統(tǒng)自動(dòng)化，2008，25(4):149 －151.

［5］宣科，劉紅英，沈濤，等.一種新型短期負(fù)荷預(yù)測模型的研究及應(yīng)用［J］.黑龍江電力，2011，32(5):387－390.

［6］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2005:157－185.

［7］秦桂芳，伍世勝.基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測［J］.電氣開關(guān)，2011，2:37 －43.

［8］許延生，張為.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用［J］.電網(wǎng)技術(shù)，2008，28(6):46－48.

［9］李程，譚陽紅.電力負(fù)荷的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測［J］.黑龍江電力，2010，31(4):252 －254.