基于EMD-BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測

聶品磊 費(fèi) 東 王宏杰 孫 濤

(中海油能源發(fā)展股份有限公司安全環(huán)保分公司，天津 300456)

基于EMD-BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測

聶品磊 費(fèi) 東 王宏杰 孫 濤

(中海油能源發(fā)展股份有限公司安全環(huán)保分公司，天津 300456)

針對電力負(fù)荷具有的非平穩(wěn)、隨機(jī)性、不確定性的特點(diǎn)，提出用EMD-BP神經(jīng)網(wǎng)絡(luò)方法對電力負(fù)荷進(jìn)行預(yù)測，通過EMD方法將非平穩(wěn)、隨機(jī)的電力負(fù)荷數(shù)據(jù)轉(zhuǎn)換成平穩(wěn)、確定性數(shù)據(jù)，之后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測。通過仿真試驗(yàn)可以看出，相比于直接使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，EMD-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更高、相對誤差較小。

BP神經(jīng)網(wǎng)絡(luò) EMD 電力負(fù)荷 負(fù)荷預(yù)測

電力負(fù)荷又稱為電力負(fù)載，一般指用電設(shè)備或用電單位所耗用的電功率或電流大小，電力負(fù)荷的預(yù)測是搞好供配電工程規(guī)劃、計(jì)劃的基礎(chǔ)和依據(jù)；對變配電所的設(shè)備容量、供配電線路的電壓等級及線路的選擇等都至關(guān)重要。而短期負(fù)荷預(yù)測是指對未來幾天、幾周的負(fù)荷做出估計(jì)，目的是使各個(gè)電廠能夠做出合理的日、周發(fā)電計(jì)劃，是電力系統(tǒng)最為關(guān)鍵的一類負(fù)荷預(yù)測[1]，因此研究短期電力負(fù)荷預(yù)測的問題就顯得尤為重要。目前主要的電力負(fù)荷預(yù)測方法有：回歸分析法、灰色預(yù)測法、專家系統(tǒng)法、小波分析法及神經(jīng)網(wǎng)絡(luò)法等[2～5]。尤其是神經(jīng)網(wǎng)絡(luò)方法得到了廣泛的應(yīng)用，許多學(xué)者對此進(jìn)行了深入的研究。但是電力負(fù)荷并不是一種平穩(wěn)的、確定性的數(shù)據(jù)，而是一種非平穩(wěn)的、隨機(jī)性的數(shù)據(jù)，也正是由于電力負(fù)荷的這種特性，使得進(jìn)行預(yù)測時(shí)的準(zhǔn)確率降低。針對此問題，筆者提出用EMD-BP神經(jīng)網(wǎng)絡(luò)方法對短期電力負(fù)荷進(jìn)行預(yù)測，首先用EMD方法對短期電力負(fù)荷數(shù)據(jù)進(jìn)行分解，將非平穩(wěn)、隨機(jī)的負(fù)荷數(shù)據(jù)轉(zhuǎn)換為確定性的數(shù)據(jù)，之后通過BP神經(jīng)網(wǎng)絡(luò)對電力負(fù)荷進(jìn)行預(yù)測。首先闡述了EMD-BP算法的基本原理，之后通過仿真試驗(yàn)來驗(yàn)證筆者提出的EMD-BP神經(jīng)網(wǎng)絡(luò)算法，并與BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比。通過試驗(yàn)可以看出，相比于直接使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，EMD-BP神經(jīng)網(wǎng)絡(luò)方法的預(yù)測準(zhǔn)確率明顯得到提高。

1 EMD-BP神經(jīng)網(wǎng)絡(luò)算法

1.1 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)

1998年，美國宇航局的Huang N E等在瞬時(shí)頻率概念的基礎(chǔ)上提出了基于EMD的時(shí)頻分析方法[6]。經(jīng)驗(yàn)?zāi)B(tài)分解方法本質(zhì)上是將一個(gè)信號進(jìn)行平穩(wěn)化處理，把信號中真實(shí)存有的不同尺度的波動逐`級分解出來，形成一系列具有不同特征尺度的數(shù)據(jù)序列，以便于更好地對信號做進(jìn)一步的處理。

經(jīng)驗(yàn)?zāi)B(tài)分解的基本思路可以概括為[7]：

第一步，采用三次樣條插值函數(shù)循序連接待分析數(shù)據(jù)序列x(t)的所有極大值點(diǎn)，得到x(t)的上包絡(luò)線，同理可得其下包絡(luò)線；之后計(jì)算上、下包絡(luò)線的均值，記為Mx(t)；原始數(shù)據(jù)序列中減去包絡(luò)均值可得到一個(gè)新的數(shù)據(jù)序列h1(t)，即h1(t)=x(t)-Mx(t)。但此時(shí)h1(t)無法滿足平穩(wěn)數(shù)據(jù)序列的要求，需重復(fù)上述過程。記h1(t)的包絡(luò)平均為Mh1(t)，數(shù)據(jù)序列h2(t)為去除該包絡(luò)平均Mh1(t)所代表的低頻成分后的數(shù)據(jù)序列，即h2(t)=h1(t)-Mh1(t)，如此重復(fù)上述過程i次后，若Mhi(t)→0，這時(shí)得到的波形已經(jīng)是嚴(yán)格局部對稱的波形，hi(t)即為第一個(gè)內(nèi)模函數(shù)(IMF)分量，記為c1(t)，它也是信號數(shù)據(jù)序列中頻率最高的成分。

1.2EMD-BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks)是由Rumelhart等于1986年提出來的。BP算法是一種無監(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(gè)過程組成。BP網(wǎng)絡(luò)由輸入層、隱層、輸出層組成，各層之間的神經(jīng)元按照一定的權(quán)重互相連接，一般情況下都選用一個(gè)三層的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)[8]。文中網(wǎng)絡(luò)的各個(gè)參數(shù)選擇過程如下：

a. 輸入層、輸出層的神經(jīng)元數(shù)目由輸入變量和輸出變量決定。文中輸入、輸出神經(jīng)元數(shù)目為24。

c. 初始權(quán)值的選擇是影響網(wǎng)絡(luò)訓(xùn)練誤差的一個(gè)因素，文中選取網(wǎng)絡(luò)的初始權(quán)值W=1.0。

d. 輸入量的選取關(guān)系到預(yù)測結(jié)果的準(zhǔn)確率，輸入量的選擇目前大多通過經(jīng)驗(yàn)判斷，文中采用的是EMD算法預(yù)處理后的歷史負(fù)荷數(shù)據(jù)。網(wǎng)絡(luò)的輸出為所預(yù)測日的對應(yīng)小時(shí)負(fù)荷。

2 EMD-BP算法在短期電力負(fù)荷預(yù)測中的應(yīng)用

筆者擬對某地區(qū)普通工作日負(fù)荷進(jìn)行預(yù)測。在本次訓(xùn)練中，BP網(wǎng)絡(luò)參數(shù)選取如前文所述，采用8月11～17日一周普通工作日的電力負(fù)荷歷史數(shù)據(jù)作為本次設(shè)計(jì)的訓(xùn)練樣本，預(yù)測8月18日(周一)的電力負(fù)荷。首先對8月11～17日的歷史數(shù)據(jù)進(jìn)行EMD分解，以11日為例(11日的電力負(fù)荷歷史數(shù)據(jù)如圖1所示)，對其進(jìn)行EMD預(yù)處理，預(yù)處理后的數(shù)據(jù)如圖2所示，可以看出11日的歷史數(shù)據(jù)被分解為兩個(gè)內(nèi)模函數(shù)和一個(gè)殘余分量。同理，對12～17日的歷史數(shù)據(jù)進(jìn)行相同的預(yù)處理，之后利用預(yù)處理后的數(shù)據(jù)對18日的電力負(fù)荷進(jìn)行預(yù)測，得到的預(yù)測結(jié)果如圖3所示，從圖3中可以較直觀地看出，采用EMD-BP算法所預(yù)測的18日電力負(fù)荷的準(zhǔn)確度明顯高于直接使用BP網(wǎng)絡(luò)進(jìn)行預(yù)測得到的結(jié)果。其中，EMD-BP算法預(yù)測的電力負(fù)荷平均誤差為1.32%，采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測的電力負(fù)荷平均誤差為8.54%。

圖1 某地區(qū)8月11日的電力負(fù)荷

圖2 某地區(qū)8月11日電力負(fù)荷數(shù)據(jù)EMD分解結(jié)果

圖3 預(yù)測結(jié)果與實(shí)際負(fù)荷值對比

3 結(jié)束語

筆者將EMD方法與BP神經(jīng)網(wǎng)絡(luò)方法結(jié)合來進(jìn)行短期電力負(fù)荷預(yù)測，試驗(yàn)結(jié)果說明該方法相比于直接使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，能夠在一定程度上提高短期電力負(fù)荷的預(yù)測精度。EMD-BP算法首先采用EMD方法對電力負(fù)荷歷史數(shù)據(jù)進(jìn)行了預(yù)處理，將非平穩(wěn)、隨機(jī)的歷史數(shù)據(jù)進(jìn)行重構(gòu)，轉(zhuǎn)化為確定性的數(shù)據(jù)，之后再使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測，從而提高了BP神經(jīng)網(wǎng)絡(luò)對短期電力負(fù)荷的預(yù)測精度。如何采用有效的方法對EMD分解后的數(shù)據(jù)有效性進(jìn)行判別，提高預(yù)處理后數(shù)據(jù)的有效性，進(jìn)一步提高短期電力負(fù)荷預(yù)測的精度是后續(xù)的研究方向。

[1] 師彪，李郁俠，于新花，等.基于改進(jìn)粒子群-模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J].系統(tǒng)工程理論與實(shí)踐，2010，20(1)：157～166.

[2] 楊麗徙，張永鋒，許向偉，等.半?yún)?shù)回歸分析法在電力負(fù)荷預(yù)測中的應(yīng)用[J].鄭州大學(xué)學(xué)報(bào)(工學(xué)版)，2010，31(3)：29～32.

[3] 于希寧，牛成林，李建強(qiáng).基于決策樹和專家系統(tǒng)的短期電力負(fù)荷預(yù)測系統(tǒng)[J].華北電力大學(xué)學(xué)報(bào)，2005，32(5)：57～61.

[4] 邰能靈，侯志儉，李濤，等.基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測方法[J].中國電機(jī)工程學(xué)報(bào)，2003，23(1)：45～50.

[5] 周長英.基于改進(jìn)的模糊 BP 神經(jīng)網(wǎng)絡(luò)圖像分割算法[J].計(jì)算機(jī)仿真，2011，28(4)：287～290.

[6] Huang N E，Shen Z，Long S R，et al.The Empirical Mode Decomposition and Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceeding of the Royal Society of London A，1998，454：903～995.

[7] 劉繼承，聶品磊，楊宏宇，等.基于形態(tài)濾波和HHT的滾動軸承故障特征提取[J].化工自動化及儀表，2014，41(5)：529～532，562.

[8] 代林. 基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法研究及實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2012.

(Continued on Page 332)

Short-termPowerLoadForecastingBasedonEMD-BPNeuralNetwork

NIE Pin-lei, FEI Dong, WANG Hong-jie, SUN Tao

(CNOOCEnerTech-SafetyEnvironmentalProtectionCo.,Tianjin300456,China)

TH865

A

1000-3932(2016)03-0305-04

2016-01-27(修改稿)