基于模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)空間負(fù)荷預(yù)測(cè)方法研究

周 亮，袁烈偉，向 堯

（國(guó)網(wǎng)重慶市區(qū)供電公司，重慶 400010）

0 引 言

目前，電能的需求正日益增加、電力市場(chǎng)化不斷推進(jìn)、用電用戶對(duì)于電能的服務(wù)質(zhì)量要求逐漸提高，這些因素的影響都推動(dòng)著配電企業(yè)向著安全、穩(wěn)定、經(jīng)濟(jì)、靈活的方向綜合發(fā)展[1]。在目前電力工業(yè)快速發(fā)展的階段，配電網(wǎng)空間負(fù)荷預(yù)測(cè)發(fā)揮著重要的作用，如果對(duì)負(fù)荷預(yù)測(cè)的演進(jìn)過(guò)程進(jìn)行追溯，能夠發(fā)現(xiàn)其發(fā)展過(guò)程已經(jīng)經(jīng)歷了較長(zhǎng)一段的時(shí)間，并且在這一過(guò)程中，負(fù)荷的預(yù)測(cè)精準(zhǔn)度也在逐漸提高，但由于電力系統(tǒng)內(nèi)部結(jié)構(gòu)復(fù)雜，且整個(gè)電力行業(yè)對(duì)低耗高效的負(fù)荷預(yù)測(cè)要求逐漸提高，因此需要一種更加精準(zhǔn)的預(yù)測(cè)方法。針對(duì)這一問(wèn)題，本文設(shè)計(jì)一種基于模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)空間負(fù)荷預(yù)測(cè)方法。

1 基于模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)空間負(fù)荷預(yù)測(cè)方法設(shè)計(jì)

1.1 構(gòu)建基于模糊算法的負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)

通過(guò)對(duì)配電網(wǎng)空間負(fù)荷特征進(jìn)行分析可以得出，負(fù)荷與實(shí)際的時(shí)間、電壓等因素有著十分密切的聯(lián)[2]。在通過(guò)對(duì)這些影響因素進(jìn)行具體的分析基礎(chǔ)上，在構(gòu)建基于模糊算法的負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)時(shí)，添加了對(duì)時(shí)間、電壓類型等因素的構(gòu)成影響，將配電網(wǎng)空間負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)分為兩種，一種是高壓負(fù)荷預(yù)測(cè)，另一種是低壓負(fù)荷預(yù)測(cè)。

在高壓負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中，按照高壓不同等級(jí)進(jìn)行分類可分為兩種形式，一種是在神經(jīng)網(wǎng)絡(luò)模型當(dāng)中添加相應(yīng)的節(jié)點(diǎn)，以電壓作為該模型的輸入變量，對(duì)其影響負(fù)荷的曲線進(jìn)行分析；另一種是通過(guò)計(jì)算相關(guān)聯(lián)高壓類型的參數(shù)，并構(gòu)建與其配套的模型，實(shí)現(xiàn)對(duì)影響因素的分解[3]。在負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中，將固定高電壓設(shè)定為0，將非固定高電壓設(shè)定為1。將影響負(fù)荷預(yù)測(cè)的因素融入到模型當(dāng)中，將預(yù)測(cè)日期前的一周時(shí)間的電壓添加到神經(jīng)網(wǎng)絡(luò)當(dāng)中，并將相應(yīng)的電壓參數(shù)充當(dāng)輸入到神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)。表1 為各參數(shù)信息量化結(jié)果。

表1 各參數(shù)信息量化結(jié)果

在構(gòu)建神經(jīng)網(wǎng)絡(luò)時(shí)，輸入層中主要包括15 個(gè)節(jié)點(diǎn)，而輸出層中包括1 個(gè)節(jié)點(diǎn)，輸出層：配電網(wǎng)空間日負(fù)荷預(yù)測(cè)結(jié)果。

在低壓負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中，與上文相同有15個(gè)輸入節(jié)點(diǎn)和1 個(gè)輸出節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果主要與預(yù)測(cè)年前三年的負(fù)荷值以及前兩年的電壓類型、平均電壓相關(guān)，由于預(yù)測(cè)年中每天的電壓類型都可能不同，因此采用的輸入的參數(shù)信息選擇在這一年中出現(xiàn)次數(shù)最多的電壓類型，并將其設(shè)定為標(biāo)準(zhǔn)電壓。參數(shù)信息的量化規(guī)則與高壓負(fù)荷神經(jīng)網(wǎng)絡(luò)大致相同，對(duì)應(yīng)的低壓范圍為220～210 V、210～200 V、200～190 V、190～180 V、180～170 V、170～160 V、160～150 V、150～140 V、140～130 V、130 V 以下。

低壓負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)神經(jīng)節(jié)點(diǎn)的具體判斷依據(jù)為，輸入層：與上文高壓負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)神經(jīng)節(jié)點(diǎn)類似；輸出層：配電網(wǎng)空間年負(fù)荷預(yù)測(cè)結(jié)果。

在神經(jīng)網(wǎng)絡(luò)構(gòu)建中，隱含的層節(jié)點(diǎn)引入高斯函數(shù)，再進(jìn)行明確的判定得出實(shí)際的神經(jīng)元數(shù)量。若該數(shù)值越大則說(shuō)明函數(shù)的預(yù)測(cè)能力更強(qiáng)。在實(shí)際的應(yīng)用中，由于預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中輸入層的數(shù)目可能存在較大的差異，因此對(duì)其預(yù)測(cè)誤差的處理也應(yīng)有所區(qū)分，在參數(shù)為15 個(gè)的情況下，選取其中誤差最小的數(shù)值，并分析最終數(shù)目。

1.2 配電網(wǎng)空間負(fù)荷數(shù)據(jù)處理

本文在構(gòu)建負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)時(shí)需要用到大量的歷史數(shù)據(jù)作為基礎(chǔ)，但在獲取相應(yīng)參數(shù)信息時(shí)需要通過(guò)電量采集器等設(shè)備進(jìn)行，因此受到設(shè)備自身的影響，數(shù)據(jù)可能存在較大的誤差，所以在構(gòu)建之前首先要對(duì)獲取到的負(fù)荷數(shù)據(jù)進(jìn)行處理，針對(duì)不同的數(shù)據(jù)類型選擇不同的處理方法。數(shù)據(jù)類型可分為錯(cuò)誤數(shù)據(jù)、缺失數(shù)據(jù)以及數(shù)列誤差數(shù)據(jù)。錯(cuò)誤數(shù)據(jù)是按照一定的取值范圍，利用有效的過(guò)濾手段，例如對(duì)于某一負(fù)荷數(shù)據(jù)而言，首先假設(shè)其實(shí)際數(shù)值為Q，且Q＞0，相應(yīng)的溫度參數(shù)設(shè)定為[-25 ℃，35 ℃]，相應(yīng)的濕度、降雨量以及水氣壓均為大于零的數(shù)。根據(jù)這些條件限制，選擇符合條件的符合數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)中。

缺失數(shù)據(jù)的來(lái)源是從原始的參數(shù)中以及相應(yīng)的過(guò)濾環(huán)節(jié)中提取的，若實(shí)際的缺失數(shù)據(jù)較少，則可以通過(guò)線性插值的方法進(jìn)行填充，填充公式為：

其中，Tn+j表示為推斷出的中間數(shù)值；Tn、Tn+i表示為在已知的n、n+i時(shí)刻下具體的溫度參數(shù)。

數(shù)列誤差數(shù)據(jù)根據(jù)前后參數(shù)數(shù)據(jù)的和的均值，通過(guò)綜合前一周的演變參數(shù)進(jìn)行調(diào)整，從而獲取到新的數(shù)據(jù)。

最后為了防止構(gòu)建的神經(jīng)網(wǎng)絡(luò)中出現(xiàn)神經(jīng)元飽和的現(xiàn)象發(fā)生，在實(shí)際訓(xùn)練前還應(yīng)針對(duì)負(fù)荷數(shù)據(jù)開(kāi)展相應(yīng)的處理操作，從而解決原始數(shù)據(jù)差異造成的其他負(fù)面影響。

2 實(shí) 驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)的基于模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)空間負(fù)荷預(yù)測(cè)方法在實(shí)際的配電行為中具有更高的應(yīng)用價(jià)值，將其與傳統(tǒng)預(yù)測(cè)方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)過(guò)程如下。

2.1 實(shí)驗(yàn)準(zhǔn)備

首先利用仿真軟件構(gòu)建模擬配電網(wǎng)空間，選取某地區(qū)歷史配電網(wǎng)負(fù)荷數(shù)據(jù)及當(dāng)年溫度特征，共4 538 組。本文預(yù)測(cè)方法選用該數(shù)據(jù)作為測(cè)試集，將數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中并完成訓(xùn)練。設(shè)置本文方法預(yù)測(cè)為實(shí)驗(yàn)組，傳統(tǒng)方法預(yù)測(cè)為對(duì)照組。為了保證實(shí)驗(yàn)結(jié)果的客觀性，除選取的預(yù)測(cè)方法不同外，其他外界影響因素均保持相同，完成實(shí)驗(yàn)。

2.2 實(shí)驗(yàn)結(jié)果及分析

根據(jù)實(shí)驗(yàn)準(zhǔn)備，進(jìn)行對(duì)比實(shí)驗(yàn)，并將實(shí)驗(yàn)過(guò)程中產(chǎn)生的數(shù)據(jù)信息進(jìn)行記錄，并繪制成如圖1 所示的曲線圖。

圖1 對(duì)照組與實(shí)驗(yàn)組實(shí)驗(yàn)結(jié)果精準(zhǔn)度對(duì)比

從圖1 可以看出，實(shí)驗(yàn)組的預(yù)測(cè)結(jié)果精準(zhǔn)度明顯高于對(duì)照組預(yù)測(cè)結(jié)果，且每組數(shù)據(jù)之間的預(yù)測(cè)結(jié)果誤差較小，對(duì)照組預(yù)測(cè)結(jié)果誤差差別較大。同時(shí)，本文分別構(gòu)建了兩種預(yù)測(cè)日負(fù)荷和預(yù)測(cè)年負(fù)荷的神經(jīng)網(wǎng)絡(luò)，能夠有效消除單一變量在變化量大時(shí)的削弱規(guī)律性的問(wèn)題，提高預(yù)測(cè)結(jié)果的穩(wěn)定性，使平均偏差率降低。因此，通過(guò)實(shí)驗(yàn)證明，本文設(shè)計(jì)的預(yù)測(cè)方法準(zhǔn)確性更強(qiáng)，更適用于實(shí)際的應(yīng)用。

3 結(jié) 論

本文針對(duì)傳統(tǒng)預(yù)測(cè)方法中存在的問(wèn)題進(jìn)行分析，并設(shè)計(jì)一種基于模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)空間負(fù)荷預(yù)測(cè)方法。通過(guò)實(shí)驗(yàn)證明該方法的可行性，并且在構(gòu)建負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)時(shí)將影響負(fù)荷預(yù)測(cè)的因素充分的考慮其中，因此該方法不會(huì)受到天氣、溫度等因素的影響，造成預(yù)測(cè)結(jié)果誤差較大的問(wèn)題產(chǎn)生，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性，從而有效滿足了配電網(wǎng)的調(diào)度需要。