基于改進神經網絡模型在電力負荷預測中的實現

泊頭職業(yè)學院 許 洋

1.電力負荷預測的重要性

電力工業(yè)在我國經濟迅速發(fā)展的今天，正飛速的發(fā)展，而電力工業(yè)在生產與傳輸過程中存在不能對其進行保存的特性，所以這就要求發(fā)電廠與用戶間的供求關系應平衡，否則會造成用戶用電的質量受影響，也會使供電部門經濟利益受得損失，因此電力系統(tǒng)負荷預測方法迅速的發(fā)展，而精度高、速度快的電力負荷預測的保證電力市場供求關系平衡的一個重要前提，同時也是電力系統(tǒng)安全穩(wěn)定運行的一個重要保障，因此電力負荷預測的方法研究的重要性可想而知。

2.建立神經網絡模型

在本文中，將以河北省泊頭市的2013年6月1日至6月7日的電力負荷作為樣本對進來幾天的電力負荷進行預測。

以神經網絡的非線性映射能力為依據來建立短期的電力負荷預測模型，可以將其過程歸納為以下幾步：

(1)先確定所要研究的神經網絡模型的結構；

(2)對所選取的電力系統(tǒng)中的歷史電力負荷數據進行分析，并按照一定的經驗選取最能反映電力負荷變化的一部分電力負荷數據作為該神經網絡模型的輸入量，再選取該網絡中歷史負荷預測值作為該網絡模型的輸出量；

(3)選取合適的樣本數據集作為該網絡訓練的樣本集；

(4)將選取的樣本集作為輸入，輸入到神經網絡模型中進行運算，然后將期望的輸出值和與經過神經網絡訓練后輸出值進行比較，并按照一定的網絡算法規(guī)則去調整該神經網絡中各層之間的連接權值。并反復進行該網絡輸出誤差計算和權值修改的工作，當誤差輸出滿足一定的輸出精度，或達到規(guī)定的迭代次數時完成訓練；

(5)將這里訓練好的神經網絡模型應用到短期電力負荷預測中；

(6)該電力網絡負荷預測模型使用一段時間后，在保留原有權值不變的基礎上，根據實際的情況選取一些新的數據樣本集對該神經網絡進行重新的訓練，使網絡權值能夠適應最近一段時間的負荷變化情況，保證預測電力負荷數值具有良好的精確度。

3.樣本數據的預處理

在對短期電力系統(tǒng)負荷樣本的處理前，應先對其日期的類型進行劃分，其負荷日期的類型大致可以分為以下三種：

第1種：將一周內的七天分成兩類：一類命名為工作日（周一至周五），一類命名為休息日（周六、周日）；

第2種：將一周的七天分成五種類型：周一為一個類型、周二到周四為一個類型、周五、周六、周日分別作為一種類型；

第3種：將一周的七天分為七種類型：即每天都作為一種類型。

在本文中采用第三種類型，即把一周中的每一天都看作一種類型，并且又做了進一步的細分，在這里對一天內的24小時中的每個時辰的電力負荷量進行統(tǒng)計并作為本文的研究樣本。

4.氣象特征的量化處理

本文在分析歷史電力負荷數據的同時考慮了與該電力負荷數值密切相關的氣象變化，如采集歷史電力負荷數據當日天氣的溫度、濕度及當是的天氣特征(陰天，雨天，晴天)等，經大量觀察分析這些因素對電力負荷值所起的影響，影響最大的是溫度因素和天氣特征，因此本文采用選取當天的最高溫度、最低溫度及天氣特征作為該神經網絡模型的三個輸入量值，在本文中分別用 0代表情天、0.5代表陰天、1代表雨天的情況。

表1 河北省泊頭市區(qū)6月1日到7日電力負荷表

5.實驗仿真結果

5.1 參數設計

(1)BP神經網絡：學習速率η=0.1，學習目標ε=0.00001，最大循環(huán)次數100次。

(2)ELMAN神經網絡：訓練次數300次，mc的值為0.9，自適應學習速率初始學習速率為0.01，訓練目標為0.0001，學習速度增長比例因子為1.05，學習速率下降比例因子為0.7，最大確認失敗次數為5。

(3)PSO算法：種群規(guī)模N=20，最大進化次數為100次，慣性權重ω從0.9到0.4線性減小。

(4)本文以前20天每個時辰的負荷值作為訓練樣本集數據，以第21天的每個時辰的負荷值作為測試樣本集數據。

5.2 實驗結果

圖1 經PSO算法優(yōu)化的BP、ELMAN網絡預測輸出與期望輸出比較

通過實驗我們可以看出：

從圖1中可以明顯看出，經PSO-ELMAN神經網絡預測值與期望值十分接近，預測效果要明顯好于經PSO—BP神經網絡預測的結果，經PSO-BP神經網絡預測誤差平均值為0.031792，而PSO-ELMAN神經網絡預測誤差平均值為0.016792。PSO-ELMAN網絡預測結果要比PSO-BP網絡預測結果精度高得多。

[1]王治華,楊曉梅,李揚.氣溫與典型季節(jié)電力負荷關系的研究[J].電力自動化設備,2002,22(3):16-18.

[2]謝宏,陳志業(yè),牛東曉.短期電力負荷預測的數據主成分分析[J].電網技術,2000,24(1):43-46.