基于模糊神經網絡的電力負荷短期預測

范山東，趙宏宇

（1.黑龍江科技學院，電氣與信息工程學院，黑龍江哈爾濱150027;2.河南省南陽供電公司電費管理中心，河南南陽 473000）

0 引言

短期電力負荷預測是電力系統運行調度中一項非常重要的內容，它是保證電力系統安全經濟運行和實現電網科學管理及調度的重要方面，是能量管理系統（EMS）的組成部分。負荷預測是實現電力系統優化運行的基礎。預測準確與否對電力系統的安全、優質、經濟運行具有顯著的影響。因此，尋求合適的負荷預測方法以期最大限度地提高預測精度具有重要的應用價值。

目前短期負荷預測方法大致可以分為兩類:1）以時間序列為代表的傳統方法。2）以人工神經網絡為代表的人工智能方法。傳統方法比較成熟，算法簡單，速度快，但本質上都是線性模型方法，存在著很多的缺點和局限性，無法真正反映電力系統的不同負荷模型的非線性特性。人工智能方法包括人工神經網絡法、專家系統方法、遺傳算法方法和模糊推理方法等。人工神經網絡負荷預測是近十年來研究和使用最多的一種方法。但是，利用人工神經網絡進行負荷預測存在著諸如訓練需要大量的歷史數據，對不確定性和模糊信息學習處理能力較差等缺點。實踐證明，將模糊系統和神經網絡結合的模糊神經網絡（fuzzy neuralnetwork，FNN）是一個有效的方法［1］。

1 系統模型結構

將一種模糊神經網絡應用于短期負荷預測，這種模型不但實現了模糊預測模型的自動更新，而且能不斷修正各模糊子集的隸屬函數，使模糊建模更具合理性。采用前饋型模糊神經網絡應用于短期負荷預測，它的基本構成如圖1所示。這一網絡型模糊推理系統主要由模糊化層、模糊推理層和去模糊化層組成［2］。

圖1 模糊神經網絡模型

中網絡的主要部分的（I）～（II）層對應于模糊控制規則的前提“IF-part”部分，（III）層對應模糊推理層，每個節點的輸出表示一條規則的觸發強度，運行的是模糊AND操作，（IV）層對應規則的結論“Then-part”。網絡的輸入－輸出影射關系如下:

其中:xi表示網絡的輸入，Wi為網絡第三和第四層之間的連接權值，ai，bi分別表示隸屬函數的中心和寬度函數。

模型結構在預測日的前一天，每隔兩個小時就要對電力負荷進行一次測量，這樣，一天共測得了12組負荷數據，去掉一個最大值，去掉一個最小值，最后剩下10組負荷的數據。因為負荷曲線相鄰的點之間不會發生突變，所以后一時刻的值必然就和前一時刻的值相關，重大事故等特殊情況除外。所以這里就將前一天的實時負荷的數據作為網絡樣本的數據。

此外，由于環境因素對電力負荷的影響也比較大，例如最高氣溫以及最低氣溫等，因此，還需要獲得預測日的最高/最低氣溫以及天氣的特征值，其中包括陰天、晴天和雨天。用0表示晴天，0.5表示陰天，1表示雨天。這里的輸入變量指的是電力負荷預測日當天的氣象特征。因此，輸入量是一個13維向量。

由此可見，目標向量也就是預測日當天的10個負荷值，即一天當中每個整點的電力負荷。這樣一來，輸出變量就變成一個10維向量［3］。

2 數據的選取、分析和處理

a）數據的選取、處理

在獲得輸入以及輸出變量之后，要對其統一進行歸一化處理，就是將數據處理在區間［0，1］之內的數據。歸一化的方法有很多種形式，這里采用式1:

以某城市2004年7月10日至7月20日的整點負荷值，以及2004年7月11日至7月21日氣象特征的狀態量作為網絡訓練的樣本，預測2004年7月21日的電力負荷，其中相關數據見表1，所有的數據都進行了歸一化處理。

表1 用電負荷及天氣情況

b）遺傳算法初始化網絡權值和閥值

對于傳統的BP神經網絡來說，初始權值不能選得太大，否則容易陷入不正確飽和區;選得很小，若是全局最小點在零點附近，那么對訓練肯定有利，否則會遠離全局最小點，反而不利于收斂。但是對于不同結構的神經網絡來說，權值的最大初始值取多大才算大，或者說多小才算小，這些都沒有一個明確的理論上的依據［4］。

在既然已經得到遺傳神經網絡的最優結構后，就要針對這個網絡選取一組良好的初值。實踐表明，網絡的初值優化也是提高網絡收斂速度和收斂性能的及其重要的手段。利用遺傳算法，通過以下過程實現權值和閾值的初始化:

1）編碼與群體初始化;2）適應度函數的確定;3）選擇繼承;4）交叉和變異;5）重復或終止;6）執行BP算法。

通過上面的敘述，在跳出遺傳算法的時候，已經選定了最優的那個個體，把這個個體進行解碼，從而得到一個權值和閾值的集合，然后將他們賦值給各個神經元，開始用BP算法對網絡進行訓練并不斷修改權值和閾值，BP算法的運行終止條件為誤差E小于某一給定值，或運算已經達到預定的迭代次數，最后若滿足精度要求，結束BP算法，并停止遺傳算法過程，整個預測過程結束，輸出結果。若不滿足要求，則跳出BP過程，再回到遺傳算法過程，進行繼續尋找最優解的工作［5］。

3 仿真與結果分析

要對電力系統負荷進行科學的預測，不但要選擇行之有效的預測方法，先進的新思路，而且要從最基本的收集歷史數據著手，進行必要的分析、研究與選擇，這些看似簡單的工作卻關系整個預測結果的成敗。該系統從數據收集到數據處理進行了大量工作，通過遺傳算法對系統數據優化，利用matlab進行仿真的到了改進BP算法和模糊神經網絡預測值與實際負荷的曲線如圖2所示。為了更好的分析系統的性能，得到了兩種算法的誤差變化曲線如圖3、圖4所示，預測誤差百分比曲線如圖5所示［6］。

通過以上某地區的建模仿真可以看出，融合了遺傳算法和模糊理論的BP算法用于短期負荷預測具有更高的預測精度和預測效率。以誤差曲線值做比較，模糊神經的預測誤差下降速度明顯加快，而且迭代次數明顯減少，收斂速度改善明顯。這主要是由于模糊神經預測模型更加合理，能以很快的速度找到全局最優值，算法更加容易收斂。通過仿真分析模糊神經預測模型在電力負荷預測中可以更好的最用電負荷進行預測，準確性和優越性明顯高于傳統的預測方法，比單獨的神經網絡預測也有明顯的提高。通過仿真說明模糊神經預測有一定的可實行性，如果想得到更好的預測結果，可以利用模擬退火算法對系統進行全局優化。

［1］石萬清.電力系統短期負荷預測技術的研究與實現［D］.合肥:合肥工業大學，2003.

［2］模糊控制·神經控制和智能控制理論［M］.第2版.哈爾濱:哈爾濱工業大學出版社，1998.

［3］Mohammad Tamimi，et al.Short term electric load forecasting viafuzzy neural collaboration［J］.Electric Power System Research，2000，56，243-248.

［4］何述東，瞿坦，黃心漢，電力負荷短期預測的改進神經網絡方法［J］.電力系統自動化，1997，21（11）:13-15.

［5］陶小虎，黃民翔.一種基于模糊規則和神經網絡的負荷預測方法［J］.電力系統及其自動化學報，2000，12（5）:37-41.

［6］神經網絡理論與MATLABR2007實現［M］.北京:電子工業出版社，2007.