基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的電力負荷短期預(yù)測

劉進波　+陳鑫　+李新花

摘 要 通過對BP神經(jīng)網(wǎng)絡(luò)輸入負荷值的歸一化處理，同時采用LevenbergMarquardt（LM）算法，建立了一個改進了的BP神經(jīng)網(wǎng)絡(luò)，同時用它來對電力系統(tǒng)進行短期負荷預(yù)測.LM算法有效地提高了BP神經(jīng)網(wǎng)絡(luò)的收斂速度和負荷的預(yù)測精度.仿真結(jié)果表明，改進了的BP神經(jīng)網(wǎng)絡(luò)具有很高的預(yù)測精度和較強的適用能力.

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò)；電力負荷預(yù)測；LM算法

中圖分類號 F224 TP183 文獻標(biāo)識碼 A

Power System ShortTerm Load Forecasting Based

on LevenbergMarquardt Algorithm BP Neural Network

LIU Jinbo， CHEN Xin， LI Xinhua

（School of Mathematics and Computational Science， Changsha University

of Science And Technology， Changsha，Hunan 410004，China）

Abstract By utilizing the normalization for the input load values of BP neural network and adopting LevenbergMarquardt algorithm， this paper established an improved BP neural network and investigated the power system shortterm load forecasting. LevenbergMarquardt algorithm improves the convergence speed and the load forecast accuracy. The simulation results show that the improved BP neural network can offer higher forecast precision and has greater applicability.

Key words BP neural network； Power load forecasting； LevenbergMarquardt algorithm

1 引 言

電力負荷預(yù)測是以電力負荷為對象進行的一系列預(yù)測工作.從預(yù)測對象來看，電力負荷預(yù)測包括對未來電力需求量（功率）的預(yù)測和對未來用電量（能量）的預(yù)測以及對負荷曲線的預(yù)測.其主要工作是預(yù)測未來電力負荷的時間分布和空間分布，為電力系統(tǒng)規(guī)劃和運行提供可靠的決策依據(jù).電力系統(tǒng)短期負荷預(yù)測能夠預(yù)測提前一天至一周的電力負荷值，它不僅對確定日運行方式有十分重要的作用，而且也是確定負荷調(diào)度方案、地區(qū)間功率輸送方案和機組組合方案所不可或缺的.電力負荷預(yù)測的結(jié)果，不僅對大中型電力用戶來說，在安排生產(chǎn)計劃、估算經(jīng)濟成本和效益、以及規(guī)劃近、中期的生產(chǎn)規(guī)模都具有十分重要的意義，而且對地方政府在資源配置、產(chǎn)業(yè)布局等經(jīng)濟決策中有重要的參考價值[1].

人們經(jīng)過長期的研究與實踐開發(fā)了多種電力負荷預(yù)測方法，主要分為定量預(yù)測技術(shù)及定性的經(jīng)驗預(yù)測技術(shù).常用的定性經(jīng)驗預(yù)測方法有主觀概率法、專家預(yù)測法（專家會議法、德爾菲法等）、類比法等方法.常用的定量預(yù)測技術(shù)有人工神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)、經(jīng)典技術(shù)（彈性系數(shù)法、負荷密度法、單耗法、比例系數(shù)增長法等）、模糊預(yù)測技術(shù)、回歸模型預(yù)測技術(shù)、專家系統(tǒng)預(yù)測技術(shù)、趨勢外推預(yù)測技術(shù)、灰色模型預(yù)測技術(shù)、優(yōu)選組合預(yù)測法、時間序列預(yù)測技術(shù)等[1，2].

經(jīng) 濟 數(shù) 學(xué)第 32卷第2期

劉進波等：基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的電力負荷短期預(yù)測

目前利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對電力負荷進行短期預(yù)測是國際上公認為比較有效的方法[3，5-11]，但傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)技術(shù)因收斂速度比較慢，學(xué)習(xí)效率低，泛化能力差等缺陷而有待進一步的改進和完善，正因于此，本文研究了基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的電力負荷短期預(yù)測問題，在總結(jié)現(xiàn)有理論成果的基礎(chǔ)上主要對BP神經(jīng)網(wǎng)絡(luò)的算法、網(wǎng)絡(luò)結(jié)構(gòu)、輸入數(shù)據(jù)的預(yù)處理等方面進行了研究，并應(yīng)用到電力負荷的短期預(yù)測上.仿真結(jié)果表明，改進了的BP神經(jīng)網(wǎng)絡(luò)具有很高的預(yù)測精度和較強的適用能力.

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

在電力系統(tǒng)負荷預(yù)測中，目前應(yīng)用較多的是反向傳播網(wǎng)絡(luò)（Back Propagation Neural Networks），簡稱BP網(wǎng)絡(luò).它是由Rumelhart等研究者為了解決多層網(wǎng)絡(luò)的學(xué)習(xí)問題于1986年提出來的.BP網(wǎng)絡(luò)由輸入層、隱含層、輸出層這三個神經(jīng)元依次組成，各層次之間的神經(jīng)元按照一定的權(quán)重相互連接，但同一層次之間的神經(jīng)元沒有形成反饋連接.

1989年，Robert HechtNielsen證明了對于任何閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用一個隱含層的BP網(wǎng)絡(luò)來逼近（擬合），因而，一般選用一個三層的BP網(wǎng)絡(luò)來進行訓(xùn)練學(xué)習(xí)[3].

2.2 標(biāo)準(zhǔn)BP算法

BP算法是一種有監(jiān)督的學(xué)習(xí)算法.其基本思想是學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成.信號正向傳播時，輸入樣本從輸入層傳入，經(jīng)過各隱藏層逐層處理后，傳向輸出層.若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段.誤差反向傳播是將輸出誤差以某種形式通過隱藏層向輸入層逐層反傳，并將誤差分攤給各層的每個單元，從而獲得各層每個單元的誤差信號，這種誤差信號將作為修正各單元權(quán)值的依據(jù).此種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是不斷重復(fù)地進行的.權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程.這種過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[1-3].