基于BP神經網絡的電力系統短期負荷預測

朱雨晨，加瑪力汗·庫馬什，娜仁花

(新疆大學電氣工程學院，新疆烏魯木齊830047)

0 引言

電力系統負荷預測是指從已知的經濟、社會發展和電力需求情況出發，通過對歷史數據的分析和研究對未來電力需求做出預先的估計和推測［1－3］。負荷預測是電力系統調度、實時控制、運行計劃和發展規劃的前提，有利于提高電力系統的經濟效益和社會效益［4－5］。因此，負荷預測已成為電力系統管理現代化的重要內容，科學的預測是正確決策的依據和保證。本文運用BP神經網絡法對新疆某地區進行短期負荷預測，在建立預測模型時考慮了包括溫度和日期類型兩個主要的負荷影響因素，然后對數據進行了去偽和歸一化處理，找出了相關性較強的樣本進行訓練和預測。

1 神經網絡基本原理

1.1 神經網絡的基本特征

神經網絡實際上是1個大規模非線性連續時間自適應信息處理系統［6－7］。神經元是神經網絡的基本處理單元，一般是一個多輸入單輸出的非線性器體，其結構如圖1所示。

輸入輸出可簡化為

式中:Xj(j=1，2，……，n)是從其它神經元傳來的輸入信號;θj為閥值;Wji表示從神經元j到神經元i的連接權值。采用的神經元非線性函數有閥值性函數、分段線性函數、S狀曲線等［8］。

圖1 神經元模型

1.2 BP模型

圖2給出了一個3層BP網絡結構，BP網絡的每1層的連接權值都可通過學習來調節［9］。基本處理單元(輸入層單元除外)為非線性輸入－輸出關系，一般選用下列S型作用函數表示:

當給定網絡的一個輸入模式時，它由輸入層單元傳到隱含層單元，經隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產生一個輸出模式，這是一個逐層狀態更新過程，稱為前向傳播。如果輸出響應與期望輸出模式有誤差，不滿足要求，那么就轉入誤差后向傳播，將誤差值沿連接通路逐層傳遞并修正各層連接權值。

圖2 BP網絡結構圖

2 基于BP網絡的短期負荷預測

2.1 BP神經網絡預測流程

在具體的實現過程中，初步建立好一個模型后，就要根據它的輸入輸出所代表的特征量來構造訓練樣本。若樣本庫中有畸形數據，則應先將其剔除。訓練樣本構造好后，就可以對模型進行訓練。網絡訓練結束后，再根據歷史數據，來得到要預測日或T時刻的負荷值，計算流程如圖3所示。

2.2 預測模型輸入輸出量的選擇

圖3 短期負荷預測流程

在預測日的前一天，每15 min對電力負荷進行1次測量，1 d共測得96組負荷數據。負荷值曲線相鄰的點之間不會發生突變，因此后一時刻的值必然和前一時刻的值有關，除非出現重大事故等特殊情況，所以將前一天的實時負荷數據作為網絡的樣本數據。此外，由于電力負荷還與環境因素有關，還需要通過天氣預報等手段獲得預測日的陰晴、溫度、濕度等情況。本文將電力負荷預測日前的氣象特征數據和溫度作為網絡的輸入變量，輸入變量就是1個99維的向量。顯而易見，目標向量就是預測日當天的96個負荷值，即1 d中每15 min的電力負荷。這樣一來，輸出變量就成為1個96維的向量。

由于輸入向量有99個元素，所以網絡輸入層的神經元有99個，依據klomogorov定理，中間層的神經元可以取199個。而輸出向量有96個，所以輸出層的神經元應該有96個。網絡中間層的神經元傳輸函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig，這是因為函數的輸出位于區間［0，1］中，正好滿足網絡輸出的要求。

2.3 偽數據的處理

電力系統負荷建模需要大量的歷史數據，而歷史數據大多是通過電量采集器或SCADA系統采集得來，除了受測量設備本身或數據傳輸中的種種原因影響外，還有人為拉閘限電的影響。因此歷史負荷數據中往往包含有非真實的數據，通常稱之為“不良數據”或“壞數據”。如果利用這些偽數據進行負荷建模，必然會給負荷預測帶來較大的誤差，甚至導致預測算法的發散。因此在利用這些數據之前，應先對其進行去偽處理。

2.4 數據的歸一化

神經網絡進行訓練與測試之前，為了避免出現神經元飽和現象，一般在ANN的輸入層先將負荷數據及各個特征量歸一化到［－1，1］中，用ANN預測之后，需要將輸出值換算回負荷值:

式中:Xmax、Xmin分別為訓練樣本集中輸入變量的最大值和最小值;Yi、Xi分別為輸入樣本歸一化前后的值。

2.5 天氣數據的處理

為了充分體現陰晴、溫度、濕度對負荷的影響，把預測日前14 d及預測日的陰晴、溫度當作神經網絡的3個輸入節點。考慮到天氣預報的實際情況，并按照神經網絡歸一化要求，本文根據天氣特征進行分類:晴天、陰天、雨天、雪天的處理值分別為0、0.4、0.7、1.0。

3 仿真結果

本文使用的數據是新疆某地區2012年4月至2012年5月的真實數據，選用2012年4月1日至5月15日的數據作為歷史數據，以2012年5月16日為例，利用以上方法可以測得1 d 96個采樣點的部分負荷預測數據如表1所示。根據表1所得預測負荷和實際負荷對比，繪出的曲線如圖4所示，根據負荷預測的準確率繪出的曲線如圖5所示。

兩條曲線形狀相似，日谷、晚谷實際負荷曲線與預測負荷曲線吻合程度較好，低谷負荷和基荷相當，而午谷負荷偏差較小，實際負荷曲線上升沿較緩，實際負荷曲線低于預測負荷曲線。總體來說，第16次的負荷預測的差值最小為0.46 MW，準確率為99.90%，而第89次差值最大為20.88 MW，準確率為96.17%，平均準確率為98.45%。運行的結果全部誤差都在4%以內，其中誤差在3%以內的占91%，誤差在 1%以內的占 31%，均方誤差為0.87%，基本上可以滿足電力經濟調度的使用。

表1 負荷預測結果

4 結束語

本文運用BP神經網絡對新疆某地區進行短期負荷預測。在建立預測模型時考慮了包括了溫度和日期類型兩個主要的負荷影響因素，在神經網絡的預測過程中，對數據進行了去偽處理和歸一化處理，并找出了相關性較強的樣本進行訓練和預測，所預測的結果與實際值比較接近，得到的結果都能保持誤差在4%以內，表明此方法是有效的。但是，應用神經網絡對電力系統短期負荷進行預測也有不足之處:如何更多與更規范地考慮影響負荷預測的相關因素、對其它重大事件(如故障)影響的負荷具有一定的修正功能等，這些都需要進一步研究。

［1］郭鵬偉，黃橋林，肖白.基于聚類分析理論的空間負荷預測方法［J］.黑龍江電力，2011，32(6):434－437.

［2］滕菲，王寧.電力負荷預測技術［J］.黑龍江電力，2002，24(5):342－345.

［3］張德玲.電力系統短期負荷預測方法的研究［D］.鄭州:鄭州大學，2007.

［4］李萍，曾令可，王慧，等.基于MATLAB的BP神經網絡預測系統的設計［J］.電力系統自動化，2008，25(4):149 －151.

［5］宣科，劉紅英，沈濤，等.一種新型短期負荷預測模型的研究及應用［J］.黑龍江電力，2011，32(5):387－390.

［6］飛思科技產品研發中心.神經網絡理論與MATLAB7實現［M］.北京:電子工業出版社，2005:157－185.

［7］秦桂芳，伍世勝.基于神經網絡的電力系統短期負荷預測［J］.電氣開關，2011，2:37 －43.

［8］許延生，張為.人工神經網絡在電力系統短期負荷預測中的應用［J］.電網技術，2008，28(6):46－48.

［9］李程，譚陽紅.電力負荷的RBF神經網絡預測［J］.黑龍江電力，2010，31(4):252 －254.