基于BP神經(jīng)網(wǎng)絡的區(qū)域配電網(wǎng)短期電力負荷預測

王立威，張啟龍

（六盤水師范學院物理與電氣工程學院，貴州六盤水，553000)

0 引言

基于新型能源的多源電力系統(tǒng)中包含源、儲、荷三部分，其中源中的新能源部分和荷單元因具有隨動性而不可控，對電力系統(tǒng)的安全穩(wěn)定運行挑戰(zhàn)較大。電力能源不像其他商業(yè)產(chǎn)品般可長期存放，它具有隨發(fā)隨用特性，對電力系統(tǒng)的整過控制過程提出了更高的要求。供大于求，則浪費能源，供小于求，則滿足不了用戶的用電需求。因此，短期電力負荷預測對電力系統(tǒng)整過控制過程尤為重要。

關于電力負荷預測方法，國內外的專家學者都做了大量的研究。文獻[1]在對BP神經(jīng)網(wǎng)絡深入研究的基礎上，提出了LAFBP模型，通過對黑龍江某地實際案例進行分析，結果表明此模型擬合精度高，預測效果好。文獻[2]考慮了日特征因素前提下建立了BP網(wǎng)絡負荷預測模型，通過對深圳市負荷預測，效果可觀。文獻[3-4]分別結合實時電網(wǎng)數(shù)據(jù)，建立了BP和RBF神經(jīng)網(wǎng)絡模型，利用所建模型對小水庫短期的電力負荷進行預測，結果分析表明，該模型預測精度高，效果好，對供電企業(yè)的規(guī)劃調度有一定的指導作用。文獻[5-8]在搭建動態(tài)模糊神經(jīng)網(wǎng)絡模型的基礎上，引入相似日法的概念，對短期電力負荷進行了預測，預測效果精準。文獻[9]針對一些處于新建初期且歷史負荷數(shù)據(jù)較少的電力系統(tǒng)來說，提出了一種基于隨機分布式嵌入框架及BP神經(jīng)網(wǎng)絡的超短期電力負荷預測方法，最后通過實際算例分析，結果表明該方法預測穩(wěn)定度高，預測效果好。

因此，文章將運用歷史實際區(qū)域電力負荷作為BP神經(jīng)網(wǎng)絡輸入的參數(shù)，構造BP神經(jīng)網(wǎng)絡負荷預測模型。通過實際案例測試分析，對所構建模型精確度進行研究。

1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是由Rumdhart和Meddelland在上世紀八十年代提出來的一種前饋神經(jīng)網(wǎng)絡，該網(wǎng)絡最大的特點是信號順向傳播、誤差反向傳播。一般由輸入層、隱含層、輸出層組成，具體如圖1所示。

基于圖1參數(shù)，以i、j、k分別表示輸入、隱含、輸出層的神經(jīng)元，則BP算法過程如下。

圖1 BP網(wǎng)絡結構

（1）信號順向傳播

隱藏層第j個神經(jīng)元輸出為：

輸出層第k個神經(jīng)元輸入為：

輸出層第k個神經(jīng)元最終輸出為：

式中：θ為閾值。

（2）誤差反向傳播

誤差反向傳播是指從輸出層到輸入層逐級計算輸出誤差，然后根據(jù)梯度下降法去修正各層權、閾值，從而促使實際輸出值更接近期望值。不妨假設yk、tk為第k個神經(jīng)元的實際輸出和期望輸出值，則誤差函數(shù)如下。

把（3）式代入（4）式得：

則全部誤差之和為：

分析上式可知，總的誤差函數(shù)僅與ωkj、ωji有關，因此，可通過調整ωkj、ωji的大小去改變總的誤差E。然而通過E對每個權值進行求偏導可知，權值的變化量成正比關系，具體過程如式（7）所示。

由上式可知，權值的調整公式如公式（8）所示。

進一步對上式推導得式（9）：

綜上所述，具體的權值調整量為：

其中η表示學習率。

2 BP算法實現(xiàn)

BP算法一般情況下由三部分組成，即構建BP、訓練BP、BP預測，如圖2中的設定參數(shù)、訓練和預測。

圖2 BP神經(jīng)網(wǎng)絡算法流程圖

3 預測結果分析

應用上述所建模型，且為了更好地驗證模型的優(yōu)越性及普遍適用性，故以兩個場景中實際測得的數(shù)據(jù)進行研究分析，場景一為東北某地實測數(shù)據(jù)，場景二為荷蘭某地實測數(shù)據(jù)，都是以15min為間隔采樣一次，每天觀測96個數(shù)據(jù)。都選取3月1日到29日的負荷為訓練樣本（即2784組數(shù)據(jù)），3月30日的負荷為測試樣本（即96組數(shù)據(jù)）。其他仿真實驗參數(shù)如表1所示。

表1 模擬實驗初始數(shù)據(jù)設定

基于以上參數(shù)，通過MATLAB編程實現(xiàn)，求取3月30日負荷功率，獲得的預測負荷功率曲線和實際負荷功率曲線如圖3所示。相對應的預測誤差曲線如圖4所示。

圖3 負荷預測輸出對比曲線圖

圖4 負荷預測誤差對比曲線圖

通過觀察圖3和圖4可知，在負荷功率出現(xiàn)峰值時，一般情況下預測誤差相對大一點，且場景一和場景二中預測誤差最大都在16min和26min時，假若僅僅通過觀察上圖，無法清楚知道預測誤差是否在要求范圍之內，因此得對具體的實驗預測數(shù)據(jù)進行羅列分析，具體數(shù)據(jù)如表2所示。

表2 部分實驗誤差對比分析

由表2可以知道，針對表2所列舉的實驗數(shù)據(jù)來說，場景一的預測相對誤差在-1.66%～7.20%之間波動；場景二的預測相對誤差在-22.75%～17.06%之間波動場景二的預測相對誤差普遍大于場景一的相對誤差，且場景二中實際負荷功率大于場景一的10倍左右。因此，所搭建的BP預測模型對于數(shù)據(jù)較大的樣本來說，預測精度波動大。但為了更精確的驗證各預測模型的準確度，文章將采用平均百分比誤差eMAPE、均方根誤差（RMSE）和相對熵值Ep（反映實際值與預測值之間“貼近”的距離）三種評價方法對BP預測模型進行性能評估（對96個觀測值進行評估）。三種評價指標的定義如下：

上式中，k為時間節(jié)點，N為預測樣本數(shù)，T(k)表示預測值，O(k)表示實際值。則各預測模型的預測性能對比如表3所示。

表3 預測模型的預測性能

由表3的預測結果可知，BP算法的平均百分比誤差、均方根誤差和熵值的數(shù)據(jù)分別如下：場景一中分別為4.10%、67.72、0.13，場景二中值相對大一點，具體分別為18.23%、503.68、0.34，預測效果好。

4 結論

區(qū)域配電網(wǎng)短期電力負荷在電力系統(tǒng)中控制部分占據(jù)著至關重要的地位。文章采用BP神經(jīng)網(wǎng)絡算法對短期電力負荷進行了預測。具體研究內容如下：

（1）分析了BP神經(jīng)網(wǎng)絡的基本原理，其中包括BP結構及訓練算法分析；（2）在基本原理的基礎上，對BP算法進行了分析，也構建了相應的預測模型；（3）通過東北某地和荷蘭某地兩場景下的實際案例進行仿真驗證，再加以引入平均百分比誤差、均方根誤差和相對熵值三個性能指標對預測結果進行評價分析，結果表明，文章所構建的BP預測模型預測效果可觀。

雖然BP算法預測效果可觀，但在面對數(shù)值較大的預測樣本時誤差變大，在下一步的研究中可考慮融合其它算法對BP預測模型加以優(yōu)化。