電力負(fù)荷預(yù)測神經(jīng)網(wǎng)絡(luò)模型的設(shè)計

孫文革

（新疆職業(yè)大學(xué)機械電子工程學(xué)院，新疆 烏魯木齊 830013）

0 引言

電力系統(tǒng)由電力網(wǎng)、電力用戶共同組成。其任務(wù)是給廣大用戶不間斷的提供經(jīng)濟(jì)、可靠、符合質(zhì)量標(biāo)準(zhǔn)的電能，滿足各類負(fù)荷的需求，為社會發(fā)展提供動力。由于電力的生產(chǎn)與使用具有特殊性，即電能難以大量的儲存，而且各類用戶對電力的需求是時刻變化的，這就要求系統(tǒng)發(fā)電出力應(yīng)隨時緊跟系統(tǒng)負(fù)荷的變化動態(tài)平衡，即系統(tǒng)要最大限度的發(fā)揮出設(shè)備能力，使整個系統(tǒng)保持穩(wěn)定且高效的運行，以滿足用戶的需求。否則，就會影響用電的質(zhì)量，甚至危及整個系統(tǒng)的安全與穩(wěn)定。因此，有必要對電力系統(tǒng)負(fù)荷進(jìn)行準(zhǔn)確的預(yù)測，以為電力生產(chǎn)順利進(jìn)行提供前提和基礎(chǔ)。

負(fù)荷預(yù)測的核心問題是預(yù)測的技術(shù)問題，或者說是預(yù)測的數(shù)學(xué)模型。傳統(tǒng)的數(shù)學(xué)模型是用現(xiàn)成的數(shù)學(xué)表達(dá)式加以描述，具有計算量小、速度快的優(yōu)點，但同時也存在很多的缺陷和局限性，比如不具備自學(xué)習(xí)、自適應(yīng)能力、預(yù)測系統(tǒng)的魯棒性沒有保障等。特別是隨著我國經(jīng)濟(jì)的發(fā)展，電力系統(tǒng)的結(jié)構(gòu)日趨復(fù)雜，電力負(fù)荷變化的非線性、時變性和不確定性的特點更加明顯，很難建立一個合適的數(shù)學(xué)模型來清晰的表達(dá)負(fù)荷和影響負(fù)荷的變量之間的關(guān)系。而基于神經(jīng)網(wǎng)絡(luò)的非數(shù)學(xué)模型預(yù)測法，為解決數(shù)學(xué)模型的不足提供了新的思路。

目前在電力系統(tǒng)負(fù)荷預(yù)測領(lǐng)域應(yīng)用的較多的是BP神經(jīng)網(wǎng)絡(luò)，尤其是短期負(fù)荷領(lǐng)域應(yīng)用的較為廣泛[1]，該方法實際上是利用靜態(tài)前饋網(wǎng)絡(luò)對動態(tài)網(wǎng)絡(luò)進(jìn)行辨識，將動態(tài)時間建模問題變?yōu)殪o態(tài)建模問題，這樣會帶來很多問題，而能夠準(zhǔn)確反映系統(tǒng)動態(tài)特性的網(wǎng)絡(luò)應(yīng)該是動態(tài)神經(jīng)網(wǎng)絡(luò)，即回歸神經(jīng)網(wǎng)絡(luò)[2]。Elman回歸神經(jīng)網(wǎng)絡(luò)即屬于典型的動態(tài)神經(jīng)網(wǎng)絡(luò)，它在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，通過存儲內(nèi)部狀態(tài)使其具備映射動態(tài)特征的功能，從而使系統(tǒng)能夠更好的適應(yīng)電力負(fù)荷的非線性事變特征。

本文嘗試使用Elman神經(jīng)網(wǎng)絡(luò)建立電力負(fù)荷預(yù)測模型，利用烏魯木齊市2008年10月份電力負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練與仿真，仿真結(jié)果具有較好的收斂性和魯棒性，取得了較滿意的預(yù)測效果。

1 Elman神經(jīng)網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

Elman神經(jīng)網(wǎng)絡(luò)是Elman與1990年提出的，本質(zhì)上屬于反饋型神經(jīng)網(wǎng)絡(luò)，該模型在前饋網(wǎng)絡(luò)的隱含層中增加了一個承接層，作為一步延時的算子，以達(dá)到記憶的目的，從而使系統(tǒng)具有適應(yīng)事變特性的能力，能直接動態(tài)反映動態(tài)過程系統(tǒng)的特性。

Elman型神經(jīng)網(wǎng)絡(luò)分為4層：輸入層、隱含層、承接層和輸出層。如圖1所示。輸入層、隱含層、輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起信號傳輸作用，輸出層單元起線性加權(quán)作用。隱含層單元的傳遞函數(shù)可以采用線性或非線性函數(shù)，承接層又稱為上下文層或者狀態(tài)層，用來記憶隱含層單元前一時刻的輸出值并返回給網(wǎng)絡(luò)的輸入，可以認(rèn)為是一個一步延時算子。

圖1 Elman網(wǎng)絡(luò)結(jié)構(gòu)圖

Elman神經(jīng)網(wǎng)絡(luò)的特點是隱含層的輸出通過承接層的延遲與儲存，自聯(lián)到隱含層的輸入。這種自聯(lián)方式使其對歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡(luò)的加入增加了網(wǎng)絡(luò)本身處理動態(tài)信息的能力，從而達(dá)到動態(tài)建模的目的。此外，Elman神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意非線性映射，可以不考慮外部噪聲對系統(tǒng)影響的具體形式，如果給出系統(tǒng)的輸入輸出數(shù)據(jù)對，就可以對系統(tǒng)進(jìn)行建模[3]。

1.2 網(wǎng)絡(luò)學(xué)習(xí)過程分析

Elman網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式為：

式中，k表示時刻；y為m維輸出節(jié)點向量；x為n維中間層節(jié)點單元向量；u為r維輸入向量；xc為n維反饋狀態(tài)向量。w3為中間層到輸出層連接權(quán)值；w2為輸入層到中間層連接權(quán)值；w1為承接層到中間層的連接權(quán)值。g(*)為輸出神經(jīng)元的傳遞函數(shù)，f(*)是中間層輸出的線性組合。 為中間層神經(jīng)元的傳遞函數(shù)，常采用s函數(shù)。

網(wǎng)絡(luò)采用BP算法進(jìn)行修正，學(xué)習(xí)指標(biāo)函數(shù)采用誤差平方和函數(shù)：

2 模型建立及仿真

建模的核心問題是確定神經(jīng)網(wǎng)絡(luò)的輸入、輸出接點，能使其反映電力負(fù)荷的運行規(guī)律，從而達(dá)到預(yù)測未來時段負(fù)荷的目的。

一般來說，電力系統(tǒng)的負(fù)荷高峰通常出現(xiàn)在每天的9-19點之間，本文對烏魯木齊市2008年10月10日-18日每天9-11點共3小時逐時負(fù)荷進(jìn)行預(yù)測。電力系統(tǒng)復(fù)合數(shù)據(jù)如表1所示，表中數(shù)據(jù)已經(jīng)經(jīng)過歸一化。

利用前8天的數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，每3天的負(fù)荷作為輸入向量，第4天的負(fù)荷作為目標(biāo)向量。這樣可以得到5組訓(xùn)練樣本。第9天的數(shù)據(jù)作為網(wǎng)絡(luò)的測試樣本，驗證網(wǎng)絡(luò)能否合理的預(yù)測出當(dāng)天的負(fù)荷數(shù)據(jù)。

表1 電力系統(tǒng)負(fù)荷數(shù)據(jù)

神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)預(yù)測曲線及預(yù)測誤差曲線分別如圖2和圖3所示。

圖2 網(wǎng)絡(luò)預(yù)測曲線圖

圖3 網(wǎng)絡(luò)預(yù)測誤差圖

由圖3可知，網(wǎng)絡(luò)預(yù)測誤差較小，但是，中間神經(jīng)元為14時出現(xiàn)了較大的誤差，這是因為訓(xùn)練樣本太小導(dǎo)致的。當(dāng)中間神經(jīng)元為11個時，網(wǎng)絡(luò)的預(yù)測誤差最小，也就是預(yù)測性能最好。因此，對于本系統(tǒng)，中間層神經(jīng)元的最佳數(shù)量為11個。

3 結(jié)論

電力系統(tǒng)的復(fù)雜性造成了負(fù)荷預(yù)測的困難，本文利用Elman神經(jīng)網(wǎng)絡(luò)具有的良好的動態(tài)特性，建立電力負(fù)荷的預(yù)測模型進(jìn)行了數(shù)據(jù)預(yù)測，仿真結(jié)果證明Elman神經(jīng)網(wǎng)絡(luò)具有動態(tài)特性好、逼近速度快、負(fù)荷預(yù)測準(zhǔn)確等優(yōu)點，在電網(wǎng)用電量預(yù)測領(lǐng)域具有廣闊的應(yīng)用前景。

需要指出的是，由于電力負(fù)荷特性變化受制于諸多因素，而基礎(chǔ)數(shù)據(jù)信息的局限、天氣信息數(shù)據(jù)的缺乏等情況都會影響負(fù)荷預(yù)測精度。另外，對于電力預(yù)測來說，只考慮歷史數(shù)據(jù)是不夠的，對于一個實際的時間序列，它的預(yù)測值不僅取決于歷史數(shù)據(jù)，還受許多突變因素的影響，由于工作日和節(jié)假日的符合不同，還要考慮時間特征值[5]。

為避免預(yù)測時出現(xiàn)相對較大的誤差，可以通過加大樣本量，事先提出錯誤數(shù)據(jù)等措施來提高預(yù)測精度。

［1］邵瑩,高忠文.基于模糊集理論的短期電力負(fù)荷預(yù)測[J].信息技術(shù),2005(5):18-23.

［2］芮執(zhí)元,任麗娜,馮瑞成.基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負(fù)荷預(yù)測模型[J].現(xiàn)代電力,2007,24(2):26-29.

［3］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)與MATLAB7實現(xiàn)[M].北京:電子工業(yè)出版社,2005.

［4］吳微,徐東坡,李正學(xué).Elman網(wǎng)絡(luò)梯度學(xué)習(xí)法的收斂性[J].應(yīng)用數(shù)學(xué)和力學(xué),2008(9):114-119.

［5］王艷,秦玉平,張志強.一種改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)算法[J].波翰大學(xué)學(xué)報:自然科學(xué)版,2007(4):24-35.