基于EMD-BP神經網絡的短期電力負荷預測

聶品磊 費 東 王宏杰 孫 濤

(中海油能源發展股份有限公司安全環保分公司，天津 300456)

基于EMD-BP神經網絡的短期電力負荷預測

聶品磊 費 東 王宏杰 孫 濤

(中海油能源發展股份有限公司安全環保分公司，天津 300456)

針對電力負荷具有的非平穩、隨機性、不確定性的特點，提出用EMD-BP神經網絡方法對電力負荷進行預測，通過EMD方法將非平穩、隨機的電力負荷數據轉換成平穩、確定性數據，之后利用BP神經網絡進行電力負荷預測。通過仿真試驗可以看出，相比于直接使用BP神經網絡進行預測，EMD-BP神經網絡的預測精度更高、相對誤差較小。

BP神經網絡 EMD 電力負荷 負荷預測

電力負荷又稱為電力負載，一般指用電設備或用電單位所耗用的電功率或電流大小，電力負荷的預測是搞好供配電工程規劃、計劃的基礎和依據；對變配電所的設備容量、供配電線路的電壓等級及線路的選擇等都至關重要。而短期負荷預測是指對未來幾天、幾周的負荷做出估計，目的是使各個電廠能夠做出合理的日、周發電計劃，是電力系統最為關鍵的一類負荷預測[1]，因此研究短期電力負荷預測的問題就顯得尤為重要。目前主要的電力負荷預測方法有：回歸分析法、灰色預測法、專家系統法、小波分析法及神經網絡法等[2～5]。尤其是神經網絡方法得到了廣泛的應用，許多學者對此進行了深入的研究。但是電力負荷并不是一種平穩的、確定性的數據，而是一種非平穩的、隨機性的數據，也正是由于電力負荷的這種特性，使得進行預測時的準確率降低。針對此問題，筆者提出用EMD-BP神經網絡方法對短期電力負荷進行預測，首先用EMD方法對短期電力負荷數據進行分解，將非平穩、隨機的負荷數據轉換為確定性的數據，之后通過BP神經網絡對電力負荷進行預測。首先闡述了EMD-BP算法的基本原理，之后通過仿真試驗來驗證筆者提出的EMD-BP神經網絡算法，并與BP神經網絡算法進行對比。通過試驗可以看出，相比于直接使用BP神經網絡進行預測，EMD-BP神經網絡方法的預測準確率明顯得到提高。

1 EMD-BP神經網絡算法

1.1 經驗模態分解(EMD)

1998年，美國宇航局的Huang N E等在瞬時頻率概念的基礎上提出了基于EMD的時頻分析方法[6]。經驗模態分解方法本質上是將一個信號進行平穩化處理，把信號中真實存有的不同尺度的波動逐`級分解出來，形成一系列具有不同特征尺度的數據序列，以便于更好地對信號做進一步的處理。

經驗模態分解的基本思路可以概括為[7]：

第一步，采用三次樣條插值函數循序連接待分析數據序列x(t)的所有極大值點，得到x(t)的上包絡線，同理可得其下包絡線；之后計算上、下包絡線的均值，記為Mx(t)；原始數據序列中減去包絡均值可得到一個新的數據序列h1(t)，即h1(t)=x(t)-Mx(t)。但此時h1(t)無法滿足平穩數據序列的要求，需重復上述過程。記h1(t)的包絡平均為Mh1(t)，數據序列h2(t)為去除該包絡平均Mh1(t)所代表的低頻成分后的數據序列，即h2(t)=h1(t)-Mh1(t)，如此重復上述過程i次后，若Mhi(t)→0，這時得到的波形已經是嚴格局部對稱的波形，hi(t)即為第一個內模函數(IMF)分量，記為c1(t)，它也是信號數據序列中頻率最高的成分。

1.2EMD-BP神經網絡

BP神經網絡(Back Propagation Neural Networks)是由Rumelhart等于1986年提出來的。BP算法是一種無監督的學習算法。其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。BP網絡由輸入層、隱層、輸出層組成，各層之間的神經元按照一定的權重互相連接，一般情況下都選用一個三層的BP網絡進行訓練學習[8]。文中網絡的各個參數選擇過程如下：

a. 輸入層、輸出層的神經元數目由輸入變量和輸出變量決定。文中輸入、輸出神經元數目為24。

c. 初始權值的選擇是影響網絡訓練誤差的一個因素，文中選取網絡的初始權值W=1.0。

d. 輸入量的選取關系到預測結果的準確率，輸入量的選擇目前大多通過經驗判斷，文中采用的是EMD算法預處理后的歷史負荷數據。網絡的輸出為所預測日的對應小時負荷。

2 EMD-BP算法在短期電力負荷預測中的應用

筆者擬對某地區普通工作日負荷進行預測。在本次訓練中，BP網絡參數選取如前文所述，采用8月11～17日一周普通工作日的電力負荷歷史數據作為本次設計的訓練樣本，預測8月18日(周一)的電力負荷。首先對8月11～17日的歷史數據進行EMD分解，以11日為例(11日的電力負荷歷史數據如圖1所示)，對其進行EMD預處理，預處理后的數據如圖2所示，可以看出11日的歷史數據被分解為兩個內模函數和一個殘余分量。同理，對12～17日的歷史數據進行相同的預處理，之后利用預處理后的數據對18日的電力負荷進行預測，得到的預測結果如圖3所示，從圖3中可以較直觀地看出，采用EMD-BP算法所預測的18日電力負荷的準確度明顯高于直接使用BP網絡進行預測得到的結果。其中，EMD-BP算法預測的電力負荷平均誤差為1.32%，采用BP神經網絡預測的電力負荷平均誤差為8.54%。

圖1 某地區8月11日的電力負荷

圖2 某地區8月11日電力負荷數據EMD分解結果

圖3 預測結果與實際負荷值對比

3 結束語

筆者將EMD方法與BP神經網絡方法結合來進行短期電力負荷預測，試驗結果說明該方法相比于直接使用BP神經網絡進行預測，能夠在一定程度上提高短期電力負荷的預測精度。EMD-BP算法首先采用EMD方法對電力負荷歷史數據進行了預處理，將非平穩、隨機的歷史數據進行重構，轉化為確定性的數據，之后再使用BP神經網絡進行電力負荷預測，從而提高了BP神經網絡對短期電力負荷的預測精度。如何采用有效的方法對EMD分解后的數據有效性進行判別，提高預處理后數據的有效性，進一步提高短期電力負荷預測的精度是后續的研究方向。

[1] 師彪，李郁俠，于新花，等.基于改進粒子群-模糊神經網絡的短期電力負荷預測[J].系統工程理論與實踐，2010，20(1)：157～166.

[2] 楊麗徙，張永鋒，許向偉，等.半參數回歸分析法在電力負荷預測中的應用[J].鄭州大學學報(工學版)，2010，31(3)：29～32.

[3] 于希寧，牛成林，李建強.基于決策樹和專家系統的短期電力負荷預測系統[J].華北電力大學學報，2005，32(5)：57～61.

[4] 邰能靈，侯志儉，李濤，等.基于小波分析的電力系統短期負荷預測方法[J].中國電機工程學報，2003，23(1)：45～50.

[5] 周長英.基于改進的模糊 BP 神經網絡圖像分割算法[J].計算機仿真，2011，28(4)：287～290.

[6] Huang N E，Shen Z，Long S R，et al.The Empirical Mode Decomposition and Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceeding of the Royal Society of London A，1998，454：903～995.

[7] 劉繼承，聶品磊，楊宏宇，等.基于形態濾波和HHT的滾動軸承故障特征提取[J].化工自動化及儀表，2014，41(5)：529～532，562.

[8] 代林. 基于神經網絡的電力負荷預測方法研究及實現[D].成都：電子科技大學，2012.

(Continued on Page 332)

Short-termPowerLoadForecastingBasedonEMD-BPNeuralNetwork

NIE Pin-lei, FEI Dong, WANG Hong-jie, SUN Tao

(CNOOCEnerTech-SafetyEnvironmentalProtectionCo.,Tianjin300456,China)

TH865

A

1000-3932(2016)03-0305-04

2016-01-27(修改稿)