一種對某地區電網短期負荷預測方法

馬勝泉 程瑩瑩

（國家知識產權局專利局專利審查協作河南中心，河南 鄭州 450002）

1 引言

短期負荷預測可對未來一周負荷進行預測， 是制定發電計劃和發電廠報價的重要參考依據。 提高電力系統短期負荷預測的精度， 對于提高電網運行的安全性和電網運行的經濟性具有重要意義。

人工神經網絡是采用仿照生物神經系統形成的一種數學模型，具有可以模仿人腦的智能化處理、自適應能力強和容錯性好的優點。 人工神經網絡能以任意精度逼近任意非線性復雜問題，因而在電網預測中被廣泛采用[1]。

2 基于人工神經網絡的負荷預測

2.1 BP 神經網絡

人工神經網絡的BP 算法是一種監督學習算法，它首先輸入學習樣本，通過網絡的學習，將學習后的輸出值與目標矢量進行比較， 進而根據兩者間誤差來修改其連接權值和偏差，達到輸出值與期望值盡可能接近，即使網絡輸出層的誤差平方和達到最小[2]。

2.2 BP 算法數學描述

圖1 BP 神經網絡結構

BP 神經網絡算法是在BP 神經網絡現有算法的基礎上提出的，它是通過任意選定一組權值，將給定的目標輸出， 直接作為線性方程的代數和來建立線性方程組的算法[3]。

xj為輸入層第j 個節點的輸入，j=[1，…，M]；

wij為隱含層第i 個節點到輸入層第j 個節點之間的權值；

θi為隱含層第i 個節點的閾值；

Φ（x）為隱含層的激勵函數；

Wki為輸出層第k 個節點到隱含層第i 個節點之間的權值，i=1，…，q；

ak 為輸出層第k 個節點的閾值，k=1，…，L；

Ψ（x）表示輸出層的激勵函數；

Ok為輸出層第k 個節點的輸出；

信號的前向傳播過程如下：

隱含層第i 個節點的輸入neti，

隱含層第i 個節點的輸出yi，

輸出層第k 個節點的輸入netk，

輸出層第k 個節點的輸出Ok，

3 負荷短期預測

3.1 預報日期劃分

短期負荷預報中， 劃分負荷預測日期類型對短期負荷預測有重要影響。 本文采用將一周中的工作日和休息日分為兩組數據進行計算預測的方法[3-4]。

3.2 輸入/輸出向量設計

將得到的預測日前一天的24 組整點負荷數據即實時負荷數據作為網絡的樣本數據， 即作為網絡的輸入向量，相應最終得到24 組輸出向量[5]。

同時，電力負荷受環境溫度影響較為明顯，因此，還需獲得預測日的最高和最低溫度，可從天氣預報中獲取。為了防止病態樣本出現，可進行歸一化處理，即將原始數據轉換為區間[0，1]之間的數據，具體公式如下[6]：

3.3 BP 網絡的設計

本設計主要基于三層神經網絡數學模型。 由于是對24 小時進行預測， 所以輸出的層節點數應該為24 個，同時加上天氣溫度即最高溫度值與最低溫度值，得到26 個輸入層節點。 本次利用經驗公式取常數[7]，其中H 表示隱含層的節點數，n 表示輸入層的節點數，m 表示輸出層節的點數。

利用BP 網絡進行預測， 一般可以利用單隱層的BP網絡實現[8]。 本設計由于輸入向量有26 個，所以網絡輸入層的神經元也有26 個。 經數次訓練后，網絡中間層神經元可選取53 個，輸出向量有24 個，所以輸出層的神經元個數也為24 個。

4 負荷預測實例

4.1 工作日負荷數據

通過MATLAB 程序，將20 天工作日的負荷數據及每日最高溫度與最低溫度值進行歸一化處理， 代入到程序中，得到如下預測數據曲線。

圖2 負荷實際值與預測值曲線

圖3 負荷實際值與預測值誤差曲線

21 個點的相對誤差小于5%， 平均相對誤差為2.77%，均方根誤差Rmse=17.5638。 經過18 次訓練后，網絡誤差即達到要求。 圖4 給出了訓練結果，圖5 給出了相對誤差曲線，圖6 給出了預報誤差曲線，圖7 為第20日24 小時各點的實際歷史負荷與預測負荷的曲線， 由該曲線可知利用BP 神經網絡建模取得了較滿意的預測結果。

圖4 訓練結果

圖5 相對誤差曲線

圖6 工作日預報誤差圖

圖7 工作日實際負荷與預測負荷比較

圖8 負荷實際值與預測值曲線

圖9 負荷實際值與預測值誤差曲線

4.2 休息日負荷數據

圖9 中24 個小時段中22 個點的相對誤差小于5%，最小相對誤差0.08%，平均相對誤差為2.48%，均方根誤差RMSe=13.6926。如圖10 所示，經過14 次訓練即達到訓練誤差要求。 圖11 為相對誤差曲線，圖12 為預報誤差曲線， 圖13 為第10 天24 小時整點的歷史負荷數據和BP網絡預測負荷數據曲線。 通過BP 神經網絡建模預測，取得了較滿意的結果。

5 結論

電力短期負荷預測的影響因素較多， 而人工神經網絡超強的自適應能力和容錯能力使得這一問題得到了較好的解決。 通過預測數據與真實值的對比分析，驗證了利用該方法對某地區的網絡短期負荷進行預測取得了較為理想的效果，因此，人工神經網絡預測方法對今后的電力系統工作有重要的指導意義，對人工神經網絡的研究也將是以后研究的重點。

圖10 休息日訓練結果

圖11 休息日相對誤差曲線

圖12 休息日預報誤差圖

圖13 休息日實際值和預測值對

［1］吳軍基，倪黔東，孟紹良.基于人工神經網絡的日負荷預測方法的研究［J］.繼電器，1999，27（3）：27-28.

［2］牛曉東，曹樹華，趙磊，等.電力系統負荷預測［M］.北京：中國電力出版社，2007.

［3］劉晨暉．電力系統負荷預報理論與方法［M］．哈爾濱：哈爾濱工業大學出版社，1987.

［4］李艷芳．電力負荷預測［D］.南昌：南昌大學，2007.

［5］吳軍基，倪黔東，孟紹良.基于人工神經網絡的日負荷預測方法的研究［J］.繼電器，1999，27（3）：27-28.

［6］楊立成.電力系統短期負荷預測方法研究分析［J］.企業科技與發展，2010，11（2）：57-58.

［7］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.

［8］高強.電力系統短期負荷預測［D］.沈陽：沈陽工業大學，2003.