基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測(cè)

李 龍 魏 靖 黎燦兵 曹一家 宋軍英 方八零

基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測(cè)

李 龍1魏 靖1黎燦兵1曹一家1宋軍英2方八零1

（1. 湖南大學(xué)電氣與信息工程學(xué)院 長(zhǎng)沙 410082 2. 湖南省電力公司調(diào)度通信中心 長(zhǎng)沙 410007）

負(fù)荷模型是影響電網(wǎng)穩(wěn)定分析的重要因素，是電力系統(tǒng)進(jìn)行仿真分析、計(jì)算的重要依據(jù)之一。若能對(duì)次日的最大、最小負(fù)荷時(shí)刻的負(fù)荷模型進(jìn)行預(yù)測(cè)，可為調(diào)度機(jī)構(gòu)制定運(yùn)行方式時(shí)校核系統(tǒng)穩(wěn)定性提供重要依據(jù)。以靜態(tài)ZIP負(fù)荷模型為基礎(chǔ)，分析了影響負(fù)荷模型的因素，采用人工神經(jīng)網(wǎng)絡(luò)方法，對(duì)最大、最小負(fù)荷時(shí)刻的負(fù)荷模型參數(shù)進(jìn)行預(yù)測(cè)。分析了負(fù)荷模型參數(shù)與負(fù)荷預(yù)測(cè)結(jié)果之間的靈敏度，以掌握它們相互間的關(guān)系和影響程度，并由此尋找減小誤差的方法。以最小負(fù)荷的有功模型預(yù)測(cè)為例，進(jìn)行了實(shí)際預(yù)測(cè)。算例結(jié)果表明，負(fù)荷模型預(yù)測(cè)具有較好的準(zhǔn)確率，本文所提方法可行。

電力系統(tǒng) 人工神經(jīng)網(wǎng)絡(luò) 靈敏度分析 ZIP負(fù)荷模型 負(fù)荷模型預(yù)測(cè)

1 引言

負(fù)荷模型對(duì)電力系統(tǒng)的安全穩(wěn)定有較大的影響，是仿真結(jié)果可信度的決定性因素之一[1-3]。

建立準(zhǔn)確、可靠的負(fù)荷模型一直是國(guó)內(nèi)外電力研究人員關(guān)注的熱點(diǎn)。IEEE和CIGRE專門設(shè)了負(fù)荷建模研究小組，文獻(xiàn)[4]中美國(guó)學(xué)者比較全面地概述了目前常用的靜態(tài)、動(dòng)態(tài)模型和大量分布式電源接入的負(fù)荷建模方法，以及確保模型更加準(zhǔn)確的模型校正方法；文獻(xiàn)[5]中巴西研究人員提出了一種基于總體測(cè)辨法的負(fù)荷建模方法，并通過(guò)該方法進(jìn)行了電力系統(tǒng)的動(dòng)態(tài)仿真；文獻(xiàn)[6]中美國(guó)新墨西哥州學(xué)者討論了靜態(tài)ZIP模型參數(shù)辨識(shí)的問(wèn)題，并對(duì)電壓變化試驗(yàn)測(cè)得的數(shù)據(jù)進(jìn)行了擬合；文獻(xiàn)[7]中德國(guó)學(xué)者基于現(xiàn)場(chǎng)試驗(yàn)提出了動(dòng)態(tài)負(fù)荷模型參數(shù)估計(jì)方法。近些年，我國(guó)在電力負(fù)荷建模方面也取得了許多新的進(jìn)展。負(fù)荷模型方面：華北電力大學(xué)賀仁睦教授及其課題組提出了時(shí)變自適應(yīng)負(fù)荷模型結(jié)構(gòu)；中國(guó)電力科學(xué)研究院提出了考慮配網(wǎng)阻抗的負(fù)荷模型結(jié)構(gòu)等，為我國(guó)的負(fù)荷建模研究奠定了良好的基礎(chǔ)；研究建模方法方面：文獻(xiàn)[8]提出了基于貝葉斯證據(jù)框架的支持向量機(jī)負(fù)荷建模方法；文獻(xiàn)[9-10]將人工神經(jīng)網(wǎng)絡(luò)智能算法應(yīng)用于負(fù)荷建模；文獻(xiàn)[11]提出了一種在線統(tǒng)計(jì)測(cè)辨法的綜合負(fù)荷建模方法；文獻(xiàn)[12]提出一種基于改進(jìn)的模糊c聚類算法的負(fù)荷綜合建模新方法；而文獻(xiàn)[13-15]結(jié)合廣域測(cè)量系統(tǒng)，對(duì)電力系統(tǒng)負(fù)荷建模方法以及負(fù)荷與系統(tǒng)廣域動(dòng)態(tài)特征的相關(guān)度進(jìn)行了研究。

然而，隨著我國(guó)大電網(wǎng)互聯(lián)進(jìn)程的不斷推進(jìn)，大型受端電網(wǎng)的形成，電網(wǎng)的結(jié)構(gòu)日趨復(fù)雜，調(diào)度部門所面臨的挑戰(zhàn)也越來(lái)越大。而現(xiàn)階段負(fù)荷建模的研究主要是針對(duì)在線實(shí)時(shí)數(shù)據(jù)或者歷史數(shù)據(jù)[16,17]，很少有對(duì)未來(lái)的負(fù)荷模型進(jìn)行預(yù)測(cè)。由于負(fù)荷具有隨機(jī)性且動(dòng)態(tài)波動(dòng)，所以與之相對(duì)應(yīng)的負(fù)荷模型的相關(guān)參數(shù)也會(huì)隨之發(fā)生變化。因此，若能對(duì)負(fù)荷模型進(jìn)行較為準(zhǔn)確的預(yù)測(cè)，有利于對(duì)調(diào)度計(jì)劃進(jìn)行穩(wěn)定性校核，有利于電力系統(tǒng)安全、穩(wěn)定運(yùn)行。

目前負(fù)荷預(yù)測(cè)方面的研究已經(jīng)相當(dāng)成熟，但負(fù)荷模型預(yù)測(cè)比較鮮見(jiàn)。本文借鑒成熟、可靠的人工神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)理論和方法，對(duì)負(fù)荷模型進(jìn)行預(yù)測(cè)。因日最大、最小負(fù)荷時(shí)刻是一日中運(yùn)行計(jì)劃最重要的時(shí)刻，是安全校核主要考察的時(shí)間點(diǎn)，因此，本文對(duì)日最大、最小負(fù)荷時(shí)刻進(jìn)行負(fù)荷模型預(yù)測(cè)，力求為電力系統(tǒng)的穩(wěn)定計(jì)算提供更加可靠的負(fù)荷模型，使仿真分析、計(jì)算更加準(zhǔn)確，為評(píng)估調(diào)度計(jì)劃提供理論依據(jù)。

2 負(fù)荷模型預(yù)測(cè)

2.1 歷史日負(fù)荷模型結(jié)構(gòu)及參數(shù)辨識(shí)

基于對(duì)電力系統(tǒng)的潮流計(jì)算、靜態(tài)穩(wěn)定分析等方面的考慮，本文預(yù)測(cè)的負(fù)荷模型采用靜態(tài)模型中的ZIP負(fù)荷模型[18]。該模型的電壓靜態(tài)特性常用二次多項(xiàng)式表示為

式中，VN為額定電壓；PN、QN為額定電壓時(shí)的有功、無(wú)功功率；P、Q分別是當(dāng)母線電壓為 V時(shí)負(fù)荷收發(fā)的有功、無(wú)功功率；ap、bp、cp和aq、bq、cq分別代表有功、無(wú)功功率中的恒阻抗、恒電流及恒功率分量的比例系數(shù)。這些系數(shù)應(yīng)滿足

以上各系數(shù)可根據(jù)實(shí)際的電壓靜態(tài)特性用最小二乘法擬合求得。

本文以最小負(fù)荷時(shí)刻的有功功率模型為例簡(jiǎn)述模型參數(shù)辨識(shí)過(guò)程。為了便于計(jì)算，在進(jìn)行模型參數(shù)辨識(shí)時(shí)采用標(biāo)幺值。設(shè)基準(zhǔn)值為各自的額定值，Pi為輸出功率信號(hào)的標(biāo)幺值，Ui為輸入電壓信號(hào)的標(biāo)幺值。

根據(jù)上述及有功模型可知輸出的有功功率誤差為

令

為優(yōu)化判據(jù)，通過(guò) LINGO軟件編程求解歷史日最小負(fù)荷時(shí)刻的負(fù)荷模型參數(shù)。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型

2.2.1 輸入/輸出向量

在電力系統(tǒng)分析計(jì)算中，負(fù)荷模型是對(duì)負(fù)荷特性所作的物理或數(shù)學(xué)的描述，而負(fù)荷特性體現(xiàn)的是負(fù)荷功率隨系統(tǒng)的運(yùn)行參數(shù)（主要是電壓和頻率）變化的規(guī)律，所以負(fù)荷模型與負(fù)荷之間有著本質(zhì)的聯(lián)系。而本文認(rèn)為負(fù)荷模型與負(fù)荷的特征值有較大關(guān)聯(lián)，因此，本文選擇有代表性的負(fù)荷值作為特征向量的元素，通過(guò)改進(jìn)后的 BP網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)方面的成功應(yīng)用對(duì)負(fù)荷模型參數(shù)進(jìn)行預(yù)測(cè)。根據(jù)經(jīng)驗(yàn)值確定的隱含層神經(jīng)元的個(gè)數(shù)為 7～16個(gè)。

負(fù)荷模型取決于負(fù)荷構(gòu)成。考慮到日最大、最小、平均負(fù)荷等信息是描述一天中負(fù)荷變化的關(guān)鍵信息；不同的負(fù)荷，在一天中有不同的負(fù)荷變化規(guī)律，因此，負(fù)荷波動(dòng)的信息，在一定程度上反映負(fù)荷的構(gòu)成信息。不同的負(fù)荷受不同因素影響的規(guī)律不同，因此，不同的日類型、氣象數(shù)據(jù)下，負(fù)荷構(gòu)成情況也不同。基于以上簡(jiǎn)單分析，并根據(jù)未來(lái)一日可獲得的信息，本文以最小負(fù)荷時(shí)刻的負(fù)荷模型為例，選取以下主要影響因素作為最小負(fù)荷時(shí)刻負(fù)荷模型預(yù)測(cè)的輸入值：日最大負(fù)荷值，日最小負(fù)荷值，負(fù)荷平均值，最高最低溫度，日平均風(fēng)速，日期類型。如下式

式中，lmax為日最大負(fù)荷值，lmin為最小負(fù)荷值，ladv為日負(fù)荷平均值；tmax為日最高溫度，tmin為最低溫度；w為日平均風(fēng)速；d為日期類型，取值為 1時(shí)表示工作日（周一～周五），取值為0時(shí)表示休息日（周六、周日），當(dāng)發(fā)生重大事故或者節(jié)假日時(shí)，需重新建模進(jìn)行研究。本文以歷史日特征值向量作為輸入對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并對(duì)待測(cè)日最小負(fù)荷時(shí)刻模型參數(shù)進(jìn)行預(yù)測(cè)。

輸出向量為歷史日最小負(fù)荷時(shí)刻靜態(tài)ZIP負(fù)荷模型系數(shù)，如下式

2.2.2 樣本數(shù)據(jù)的處理

數(shù)據(jù)的處理是建立在樣本數(shù)據(jù)真實(shí)、可靠的基礎(chǔ)上，使輸入數(shù)據(jù)的幅值在一定的范圍內(nèi)變化，可避免神經(jīng)元出現(xiàn)飽和的現(xiàn)象。則規(guī)范化后的輸入X、輸出O向量分別為

2.3 預(yù)測(cè)過(guò)程

本文采用負(fù)荷預(yù)測(cè)的方法對(duì)負(fù)荷模型參數(shù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)過(guò)程如圖1所示。

3 靈敏度分析

本文提出的負(fù)荷模型預(yù)測(cè)沒(méi)有直接使用決定負(fù)荷模型的因素作為預(yù)測(cè)輸入量；且輸入量中較多使用預(yù)測(cè)值，如負(fù)荷預(yù)測(cè)值、氣象預(yù)測(cè)值。因此有必要進(jìn)行靈敏度分析。通過(guò)靈敏度分析，若負(fù)荷模型預(yù)測(cè)偏差對(duì)某輸入因素敏感程度高，表明該因素確實(shí)對(duì)負(fù)荷模型有較大影響，應(yīng)提高該因素的準(zhǔn)確度以提升負(fù)荷模型預(yù)測(cè)的準(zhǔn)確度。

圖1 負(fù)荷模型參數(shù)預(yù)測(cè)過(guò)程Fig.1 Flow chart of parameters forecasting of load model

一般情況下，系統(tǒng)靈敏度分析中常用以下三種不同的靈敏度函數(shù)[19]：絕對(duì)靈敏度函數(shù)、相對(duì)靈敏度函數(shù)和半相對(duì)靈敏度函數(shù)。假設(shè)系統(tǒng)變量y與參數(shù)a的關(guān)系為

則

（1）絕對(duì)靈敏度函數(shù)為

絕對(duì)靈敏度函數(shù)常用于進(jìn)行理論研究。

（2）相對(duì)靈敏度函數(shù)為

相對(duì)靈敏度便于進(jìn)行參數(shù)變異效應(yīng)的比較。

（3）為了說(shuō)明問(wèn)題方便，常用以下兩種半相對(duì)靈敏度函數(shù)，其定義如下

式中，a0表示a的額定值。

根據(jù)以上三種靈敏度情況的分析，結(jié)合本文理論研究需要，通過(guò)計(jì)算神經(jīng)網(wǎng)絡(luò)輸入與輸出的絕對(duì)靈敏度來(lái)分析輸入對(duì)輸出的影響大小。

根據(jù)參考文獻(xiàn)[20]，推理計(jì)算得適合本文所提算法的神經(jīng)網(wǎng)絡(luò)輸出向量z與輸入向量x之間的靈敏度關(guān)系式S為

式中，f1、f2為雙曲正切函數(shù)；A、B、C 分別對(duì)應(yīng)網(wǎng)絡(luò)輸入層和輸出層的歸一化轉(zhuǎn)換矩陣和偏量矩陣，根據(jù)文獻(xiàn)[20]相關(guān)公式以及本文歸一化后數(shù)據(jù)即可求得A、B、C的值；對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，w1、w2、b1、b2可以通過(guò)命令語(yǔ)句直接讀取。通過(guò)對(duì)靈敏度矩陣進(jìn)行分析即可得出對(duì)負(fù)荷模型參數(shù)影響最大的輸入?yún)?shù)，從而有利于尋找減小負(fù)荷模型預(yù)測(cè)誤差的方法。

4 算例分析

本文根據(jù)湖南省某變電站2012年8月份的實(shí)測(cè)最小有功負(fù)荷數(shù)據(jù)進(jìn)行仿真分析。由于工作日和非工作日負(fù)荷模型相差比較大，在進(jìn)行預(yù)測(cè)時(shí)應(yīng)區(qū)別對(duì)待，所以本文選取的訓(xùn)練樣本和待測(cè)日為8月份14個(gè)工作日的數(shù)據(jù)。以 8月 29日以前的 13個(gè)工作日作為歷史日，用于預(yù)測(cè) 8月 29日最小負(fù)荷時(shí)刻的負(fù)荷及負(fù)荷模型參數(shù)。

4.1 待測(cè)日負(fù)荷預(yù)測(cè)

基于歷史日數(shù)據(jù)，首先對(duì)待測(cè)日的最大、最小和平均負(fù)荷進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果與實(shí)際值進(jìn)行比較，如圖 2、圖 3所示，圖中橫坐標(biāo)代表負(fù)荷類型，即日最大、最小和平均負(fù)荷。待測(cè)日負(fù)荷預(yù)測(cè)值與實(shí)際值對(duì)比見(jiàn)表 1。

圖2 待測(cè)日實(shí)際負(fù)荷與預(yù)測(cè)負(fù)荷值Fig.2 The predicted and true values of future day

圖3 絕對(duì)誤差Fig.3 Absolute errors

表1 待測(cè)日負(fù)荷預(yù)測(cè)值與實(shí)際值（反歸一化）Tab.1 The predicted and true values of future day

由以上結(jié)果可知：負(fù)荷預(yù)測(cè)相對(duì)誤差均在±5%以內(nèi)，符合負(fù)荷預(yù)測(cè)誤差要求，說(shuō)明經(jīng)過(guò)訓(xùn)練后的網(wǎng)絡(luò)具有較好的預(yù)測(cè)能力。

4.2 待測(cè)日負(fù)荷模型參數(shù)預(yù)測(cè)

通過(guò)LINGO軟件編程，對(duì)13個(gè)歷史日和待測(cè)日的負(fù)荷模型參數(shù)進(jìn)行辨識(shí)。采用與負(fù)荷預(yù)測(cè)相同的原理，負(fù)荷模型也是以 13個(gè)歷史日作為訓(xùn)練樣本，以預(yù)測(cè)出的 29日負(fù)荷值和氣象值組成的特征值向量作為測(cè)試樣本對(duì)該日負(fù)荷模型進(jìn)行預(yù)測(cè)。經(jīng)過(guò)數(shù)次訓(xùn)練后，得到的模型參數(shù)預(yù)測(cè)結(jié)果如圖4、圖5所示，其中橫坐標(biāo)表示模型的系數(shù) ap、-bp和 cp。待測(cè)日模型參數(shù)預(yù)測(cè)值與實(shí)際值對(duì)比見(jiàn)表 2。

圖4 待測(cè)日負(fù)荷模型參數(shù)預(yù)測(cè)Fig.4 The parameters forecasting of load model of future day

圖5 絕對(duì)誤差Fig.5 Absolute error

表2 待測(cè)日模型參數(shù)預(yù)測(cè)值與實(shí)際值（反歸一化）Tab.2 The predicted and true values of load model parameters in future day

由預(yù)測(cè)結(jié)果可知，負(fù)荷模型參數(shù)的預(yù)測(cè)相對(duì)誤差在-4%以內(nèi)，達(dá)到了比較好的預(yù)測(cè)效果。

4.3 靈敏度分析

從神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)來(lái)看，負(fù)荷預(yù)測(cè)的準(zhǔn)確性很大程度上決定了負(fù)荷模型預(yù)測(cè)的準(zhǔn)確度。所以通過(guò)對(duì)負(fù)荷預(yù)測(cè)值與負(fù)荷模型參數(shù)預(yù)測(cè)值之間的靈敏度分析，有助于掌握它們相互間的關(guān)系和影響程度，可使模型更加準(zhǔn)確，結(jié)果更接近實(shí)際，并可由此尋找減小負(fù)荷模型預(yù)測(cè)誤差的方法，使模型參數(shù)預(yù)測(cè)誤差盡可能減小。根據(jù)本文第3節(jié)靈敏度的理論分析，由式（14）并結(jié)合Matlab編程可計(jì)算輸出z相對(duì)輸入x的靈敏度。由負(fù)荷預(yù)測(cè)結(jié)果可知待測(cè)日負(fù)荷預(yù)測(cè)的誤差在 5%以內(nèi)，在此情況下分析本文的負(fù)荷預(yù)測(cè)對(duì)負(fù)荷模型的影響。則負(fù)荷模型預(yù)測(cè)的輸入向量

首先根據(jù)文獻(xiàn)[20]相關(guān)公式求出矩陣A[7×7]、B[7×1]、C[3×3]的值，代入式（14）近似求得靈敏度矩陣。由于輸入為7維向量，輸出是3維向量，所以靈敏度矩陣為 3×7的矩陣，其中每個(gè)元素 aij表示輸出的第 i個(gè)值對(duì)第 j個(gè)輸入的靈敏度。而本文主要分析模型參數(shù) ap、bp、cp對(duì)于預(yù)測(cè)的負(fù)荷值lmax、lmin、ladv的靈敏度，所以取靈敏度矩陣的前 3列進(jìn)行分析，所得靈敏度矩陣為 3×3的方陣，即

由式（16）的靈敏度矩陣可以看出，負(fù)荷預(yù)測(cè)的準(zhǔn)確度對(duì)負(fù)荷模型預(yù)測(cè)具有一定影響。結(jié)合負(fù)荷預(yù)測(cè)誤差可知，日最小負(fù)荷預(yù)測(cè)誤差最大，為4.117%，同時(shí)，負(fù)荷模型參數(shù)ap、bp和cp對(duì) lmin的靈敏度分別為：0.552 4，-0.697 5，-1.415 6，比 ap、bp和cp對(duì)lmax、ladv的靈敏度大。進(jìn)一步說(shuō)明負(fù)荷預(yù)測(cè)的準(zhǔn)確度與負(fù)荷模型預(yù)測(cè)的準(zhǔn)確度成正相關(guān)，即負(fù)荷預(yù)測(cè)越準(zhǔn)確負(fù)荷模型預(yù)測(cè)結(jié)果精度越高，反之亦然。

設(shè)對(duì)日l(shuí)max、lmin、ladv負(fù)荷預(yù)測(cè)相對(duì)誤差組成的矩陣為A，則

5 結(jié)論

本文基于人工神經(jīng)網(wǎng)絡(luò)，以靜態(tài)ZIP負(fù)荷模型為最大最小負(fù)荷時(shí)刻負(fù)荷模型，采用負(fù)荷預(yù)測(cè)的方法對(duì)模型參數(shù)進(jìn)行預(yù)測(cè)。以湖南省某變電站2012年8月份為例，首先，通過(guò)標(biāo)準(zhǔn)化影響負(fù)荷的各因素，建立特征值向量對(duì)待測(cè)日的相關(guān)負(fù)荷進(jìn)行預(yù)測(cè)。然后，在已知?dú)v史日負(fù)荷模型參數(shù)的基礎(chǔ)上，根據(jù)預(yù)測(cè)的負(fù)荷值對(duì)待測(cè)日的負(fù)荷模型參數(shù)進(jìn)行預(yù)測(cè)。通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練待測(cè)日的負(fù)荷模型參數(shù)誤差在-4%以內(nèi)，達(dá)到了比較滿意的結(jié)果。最后，通過(guò)靈敏度分析得出負(fù)荷值對(duì)負(fù)荷模型參數(shù)影響的大小，其中日平均負(fù)荷對(duì)負(fù)荷模型預(yù)測(cè)影響最大。靈敏度分析的結(jié)果有助于研究人員掌握它們相互間的關(guān)系和影響程度，使模型更加準(zhǔn)確，結(jié)果更接近實(shí)際，并可以由此尋找減小誤差的方法。

通過(guò)本次研究說(shuō)明了靜態(tài)負(fù)荷模型預(yù)測(cè)方法的可行性。在今后工作中，將不斷深入這方面的研究，著重于對(duì)綜合負(fù)荷模型進(jìn)行預(yù)測(cè)。

[1] Zhang Tianshu, Sheng Wanxing, Song Xiaohui, et al. Probabilistic modeling and simulation of stochastic load for power system studies[C]. 2013 UKSim 15th International Conference on Computer Modeling and Simulation, Cambridge, 2013: 519-524.

[2] Han Dong, Zhang Guoqiang, Lin Tao, et al. The effect of load models on electromagnetic transient stability in AC/DC power systems[C]. 2012 China International Conference on Electricity Distribution, Shanghai, 2012: 1-4.

[3] Xu Yanhui, Si Dajun, Qian Yingchun. Effect of load model on Yunnan power grid transient stability[C].2011 Asia-Pacific Power and Energy Engineering Conference, Wuhan, 2011: 1-4.

[4] Forrest S Chassin, Ebony T, Marcelo A Elizondo, et al. Load modeling and calibration techniques for power system studies[C]. 2011 North American Power Symposium, Boston, 2011: 1-7.

[5] Visconti I F, Souza L F W de, Costa J M S C, et al. From power quality monitoring to transient stability analysis: measurement-based load modeling for dynamic simulations[J]．2010 14th International Conference on Harmonics and Quality of Power, Bergamo, 2010: 1-7. [6] Satish Ranade, Abraham Ellis, Jeff Mechenbier. The development of power system load models from measurements[C]. 2001 IEEE/PES Transmission and Distribution Conference and Exposition, Atlanta, GA, 2001, 1: 201-206.

[7] Guo H, Rudion K, Abildgaard H, et al. Parameter estimation of dynamic load model using field measurement data performed by OLTC operation[C]. 2012 IEEE Power and Energy Society General Meeting, San Diego, 2012: 1-7.

[8] 王振樹(shù), 李林川, 牛麗. 基于貝葉斯證據(jù)框架的支持向量機(jī)負(fù)荷建模[J]. 電工技術(shù)學(xué)報(bào), 2009, 24(8): 127-140.

Wang Zhenshu, Li Linchuan, Niu Li. Load modeling based on support vector machine based on Bayesian evidence framework[J]. Transactions of China Electrotechnical Society, 2009, 24(8): 127-140.

[9] 姚建剛, 陳亮, 戴習(xí)軍, 等. 混沌神經(jīng)網(wǎng)絡(luò)負(fù)荷建模的理論研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2002, 22(3): 99-102.

Yao Jiangang, Chen Liang, Dai Xijun, et al. Academic research of load modeling with chaotic neural network [J]. Proceedings of the CSEE, 2002, 22(3): 99-102.

[10] Li Xinran, Wang Lide, Li Peiqiang. The study on composite load model structure of Artificial neural network[J]. IEEE Electric Utility Deregulation and Restructuring and Power Technologies, 2008: 1564-1570.

[11] Mao Yi, Wang Xiaohui, Yang Fan, et al. Research on synthesis load modeling with online statistical measurement-based method[C]. 2011 International Conference on Consumer Electronics, Communications and Networks(CECNet), Xianning, 2011: 16-18.

[12] Shi Guoping, Liang Jun, Liu Xiangsheng. Load clustering and synthetic modeling based on an improved fuzzy c means clustering algorithm[C]. Electric Utility Deregulation and Restructuring and Power Technologies, 2011 4th International Conference, 2011: 859-865.

[13] 謝會(huì)玲, 鞠平, 陳謙, 等. 廣域電力系統(tǒng)負(fù)荷整體建模方法[J]. 電力系統(tǒng)自動(dòng)化, 2008, 32(1): 1-5．

Xie Huiling, Ju Ping, Chen Qian, et al. Electric load modeling for wide area power systems[J]. Automation of Electric Power Systems, 2008, 32(1): 1-5．

[14] 管秀鵬, 孫元章, 程林. 電力負(fù)荷與系統(tǒng)廣域動(dòng)態(tài)特征的相關(guān)度[J]. 電力系統(tǒng)自動(dòng)化, 2008, 32(15): 7-11.

Guan Xiupeng, Sun Yuanzhang, Cheng Lin. Correlation of loads to wide-area dynamic characters of power systems[J]. Automation of Electric Power Systems, 2008, 32(15): 7-11．

[15] 鞠平, 劉偉航, 項(xiàng)麗, 等. 電力系統(tǒng)負(fù)荷建模的自動(dòng)故障擬合法[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(10): 60-64.

Ju Ping, Liu Weihang, Xiang Li, et al. Automatic post-disturbance simulation based method for power system load modeling[J]. Automation of Electric Power Systems, 2013, 37(10): 60-64．

[16] Yuan Renfeng, Ai Qian, He Xing. Research on dynamic load modeling based on power quality monitoring system[J]. Generation, Transmission & Distribution, IET, 2013, 7(1): 46-51.

[17] 李培強(qiáng), 李欣然, 林舜江. 電力負(fù)荷建模研究述評(píng)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2008, 20(5): 56-64．

Li Peiqiang, Li Xinran, Lin Shunjiang. Critical review on synthesis load modeling[J]. Proceedings of the CSU-EPSA, 2008, 20(5): 56-64.

[18] 章健. 電力系統(tǒng)負(fù)荷模型與辨識(shí)[M]. 北京: 中國(guó)電力出版社, 2007.

[19] 羅建. 系統(tǒng)靈敏度理論導(dǎo)論[M]. 西安: 西北工業(yè)大學(xué)出版社, 1990.

[20] 陳太聰, 韓大建, 蘇成. 參數(shù)靈敏度分析的神經(jīng)網(wǎng)絡(luò)方法及其工程應(yīng)用[J]. 計(jì)算力學(xué)學(xué)報(bào), 2004, 21(6): 752-756.

Chen Tiancong, Han Dajian, Su Chen. Neural network method in parameter sensitivity analysis and its application in engineering[J]. Chinese Journal of Computational Mechanics, 2004, 21(6): 752-756.

Prediction of Load Model Based on Artificial Neural Network

Li Long1 Wei Jing1 Li Canbing1 Cao Yijia1 Song Junying2 Fang Baling1

（1. College of Electric and Information Engineering Hunan University Changsha 410082 China 2. Hunan Dispatching Center Changsha 410007 China）

Load model is a key element to power grid stability analysis. It is one of the significant bases for power system simulation analysis and calculation. If the next day’s load model of maximum and minimum load can be predicted, it would provide more credible reference information for dispatching department to make operation mode and decisions. Through the influence factors analysis of load model, the parameters of static ZIP load model are predicted by the method of load forecasting of artificial neural network(ANN). The sensitivity analysis between load model parameters and load value helps to control the relation and influence of them and find the way to reduce the error. The case based on active power load model of minimum load proposed in this paper shows the feasibility of the method and the nice application effect of the forecasted load model.

Power system, artificial neural network, sensitivity analysis, ZIP load model, prediction of load model

TM715

李 龍 男，1982年生，博士研究生，研究方向?yàn)殡娏ο到y(tǒng)優(yōu)化調(diào)度。

湖南省電力公司資助項(xiàng)目，國(guó)家自然科學(xué)基金（51107036）資助項(xiàng)目。

2013-06-11 改稿日期 2013-08-24

魏 靖 女，1989年生，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)優(yōu)化調(diào)度。