考慮氣溫因素的神經網絡在短期電力負荷預測中的應用

摘要：本章分析了氣溫因素對電力負荷的影響，建立了氣溫因素直接作用于短期負荷的BP網絡模型，對其進行短期負荷預測，該模型的預測結果較單獨考慮歷史負荷數據的預測更加穩定且有較高的準確率。

關鍵詞：氣溫因素 電力負荷 應用研究

1 概述

研究表明，氣象因素是影響短期負荷的主要因素。在一些氣候條件下，用電負荷及電量會急劇攀升，這使得電力負荷與氣象關系的定量分析稱為研究人員的研究重點。簡要分析氣象要素對短期負荷變化的影響，可以發現，氣溫的影響最為顯著，當天氣劇烈變冷/變熱時，將有大量采暖/降溫負荷投入運行；而當平均氣溫持續過高或過低時，與以前年份的相同日期相比，日負荷將有較大的變化，如某年夏季某地持續高溫，空調負荷在7～8月居高不下，日用電量大幅度提高。其他天氣狀況也直接影響到電力負荷，例如，降雨會直接影響到農機灌溉負荷和其他用電，在某地區一場大雨之后，總共近300MW的負荷驟降了近70MW灌溉用電負荷，可見氣象因素影響之大。因此，在短期負荷預測中考慮氣象因素已經成為人們的共識[1][2][3]。

2 氣溫因素直接作用于短期負荷的規律分析

在夏季，日電量與日最高氣溫、最低氣溫、平均氣溫的變化趨勢都非常相似。當氣溫升高時，日電量也處于升高的階段；當氣溫降低時，日電量也呈現降低的趨勢。值得注意的是，兩者變化的峰點和谷點所出現的日期也基本重合。可以判斷日電量與氣溫應該具有比較大的相關性。這為進一步的負荷預測提供了依據[3]。

某些日期的日電量和氣溫的變化情況并不完全一致，這是因為影響日電量的因素并不僅僅是氣溫，還包括其他的多種因素。在短期負荷預測中考慮實時氣象因素，不能簡單按照時段進行相關分析[3]。實際上，實時氣象因素與負荷的變化是有“時差”的，氣象因素領先，負荷變化滯后，這在以15min為間隔的96點負荷預測中尤為明顯。可是，這種“時差”究竟是多少，還不能明確回答，需要在預測過程中尋找。同時，也不能僅僅分析實時氣象因素與負荷的變化關系，還要繼續借鑒“同類型日”的思想，將負荷的周期性特征完全體現出來[10]。

3 BP神經網絡算法在電力負荷預測中的應用

BP神經網絡廣泛用于預測領域，與傳統方法相比，在處理模糊數據、大規模問題上，最大擬和性及容錯方面均優于傳統預測方法。BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止[4][6][11]。

4 單獨考慮歷史負荷的BP神經網絡負荷預測

由于電力系統負荷的運行規律非常復雜，合理選擇應用于短期負荷預測的神經網絡結構至關重要，它是決定神經網絡能否體現負荷變化規律的關鍵。目前的ANN預測模型大部分都采用前饋ANN模型，此結構的ANN有很好的函數逼近能力，而不必須先知道輸入變量和預測值之間的數學模型，可以方便地計入氣溫、天氣情況、濕度等這些對電力負荷有重要影響的因素的作用[6]。

一般在短期負荷預測中使用的網絡是三層前饋網絡，即：只含一個隱含層。隱含層的神經元數目的選取與ANN模型的訓練效果是密切相關的。隱含層神經元過少會使得隱含層神經元負擔加重，可能不收斂且無法反應非線性的輸入輸出關系；相反如果隱含層的節點數過多，收斂速度變慢，隱含層神經元數目再大一些，便不收斂。

為了展示BP神經網絡很好的擬合性能，數據選取同類型日。表1為秦皇島市2007年8月的部分負荷（單位：MW）

原始數據見表1。對8.13進行預測，圖1為預測結果與原始數據的擬合曲線：

程序運行的預測負荷數據如下：

從圖2可見，負荷預測結果與真實的負荷數據誤差達到10-3。

5 考慮氣象因素的BP神經網絡負荷預測

5.1 數據預處理

參考經驗公式，并兼顧Kolmogorov定理進行確定隱含層的神經元個數為13個，輸出層為一個神經元。其中，負荷數據按照下面的公式進行變換：

式中，h為時段下標；Ln為h小時的實際負荷；L■■為比例變換后的負荷數據；該變換可使得負荷數據介于[0，100]區間（無量綱），從而便于與對應時段的實時氣溫th（℃）進行對比。（表2）

5.2 結果分析

擬合曲線如圖3。誤差曲線如圖4所示。

從圖4可見，考慮氣溫的負荷預測結果與真實的負荷數據更為接近，誤差達到10-3，優于單獨考慮歷史負荷數據的預測結果。這說明，考慮氣溫的負荷預測更加準確。

6 小結

本文通過對歷史負荷數據的分析可知，電力負荷具有明顯的周期性變化規律；并重點分析了夏季氣溫對短期負荷的影響，在歷史負荷數據的基礎上，充分的考慮了氣溫因素對負荷的影響，對歷史負荷數據進行神經網絡預測，通過單獨對歷史數據預測和考慮氣溫預測的擬合曲線及誤差曲線的對比，分析得出考慮氣溫因素能夠使預測結果更加接近實際負荷數據，預測精度更好，具有良好的推廣應用前景。

參考文獻：

[1]牛東曉，曹樹華，盧建昌.電力負荷預測技術及其應用（第2版）[M].北京：中國電力出版社2009.

[2]康重慶，夏清，劉梅.電力系統負荷預測[M].北京：中國電力出版社.2007.

[3]張凱，陳輝華，姚建剛等.基于氣象要素的省地一體化負荷預測與管理平臺[J].電力需求側管理，2008，10（1）：22-25．

[4]Saksornchai，Titti，Lee，Wer-Jen，Methaprayoon，Kittipong，Liao，JamesR.，Ross，Richard J.Improve the unit commitment scheduling by using the neural-network-based short-term load forecasting[J].IEEE Transactions on Industry Applications，2005，41（1）：169-179.

[5]李軍紅，金磊，薛璐.電力需求側管理技術推廣實踐[J].電力需求側管理，2007.

[6]胡暉，楊華，胡斌.人工神經網絡在電力系統短期負荷預測中的應用.湖南大學學報.2004.

[7]Chongqing Kang，Xu Cheng，Qing Xia，et al.Novel Approach Considering Load-relative Factors in Short-Term Load Forecasting[J].Electric Power Systems Research，2004，70（2）：99-107.

[8]賀蓉，曾剛，姚建剛等.天氣敏感型神經網絡在地區電網短期負荷預測中的應用[J].電力系統自動化，2001：32-35．

[9]張國慶，韓新陽，王暉等.氣象因素對負荷和電量影響的研究[J].中國電機工程學報，2001，21（8）：253-255．

[10]錢衛華，姚建剛，龍立波等.基于負荷特性分析的短期負荷預測相似日選擇方法[J].華中電力.2007，20（1）：17-21．

[11]姜飛，龍子泉，林峰.模糊神經網絡在電力短期負荷預測中的應用[J].控制理論與應用，2003，22（8）：23-26．

[12]康重慶，夏清，劉梅.電力系統負荷預測[M].中國電力出版社，2007.

[13]汪洋.氣象因素影響負荷預測效果的機理分析[M].北京：清華大學出版社.2006.

[14]菜廣基，嚴玉清.構建BP網絡結構方法分析[J].河南師范大學學報，2001，29（3）：65-68.

[15]王正林，劉明.精通MATLAB7[M].電子工業出版社，2007.