基于高階BP神經網絡的日最大負荷預測

馬立新+李淵+鄭曉棟+尹晶晶

摘 要： 隨著社會的發展，人們的日常生活和工作生產越來越依賴于電力系統.精準的電力負荷預測是電網安全、穩定運行的重要保障.為減小節假日在日最大負荷預測過程中的影響，提出了法定節假日對日最大負荷的影響及日類型量化處理方法，并采用一種改進的BP（back propagation）神經網絡——高階BP神經網絡進行連續多天最大負荷預測.實驗算例結果表明：該數據處理和預測方法能有效地減小節假日對負荷預測的影響，提高了預測精度，并有較強的工程實踐價值和應用前景.

關鍵詞： 負荷預測； 日最大負荷； 日類型； 假日負荷預測； 高階BP神經網絡

中圖分類號： TM 715文獻標志碼： A

文章編號： 1008-8857（2016）03-0153-05

Abstract： With the development of society，peoples daily life and work increasingly depend on the production of power system.Accurate power load prediction is a key guarantee for safe and stable operation of the grid.Based on the characteristics of historical load data，effect of legal holiday on the daily peak load as well as the method of quantifying day type were put forward in this paper，when the daily peak load was predicted.A modified back propagation（BP） neural network，advanced BP network（ABP），was adopted to predict the continuous multiday daily peak load.The simulation results showed that this data processing and prediction method could effectively demonstrated the influence of holiday on load prediction and improved the prediction accuracy.It has a strong practice value and wide application prospect.

Keywords： load forecast； daily peak load； day type； holiday load forecast； advanced BP neural network

負荷預測是電力企業制訂供電計劃、燃料規劃、發展規劃、資金財務規劃等的基礎，其準確與否關系到整個電網的安全和經濟運行.而日最大負荷或稱峰值負荷是指在一晝夜內電力負荷最大峰值，它影響到整個電網尤其是網架結構薄弱地區電網的安全、穩定運行.因此，對日最大負荷的預測是智能電網中的重要環節，是電力系統規劃、調度、營銷等部門決策時的重要依據.近年來，國內外學者提出了許多短期負荷預測方法，如多元回歸、譜分析、ARMA模型、人工神經網絡等[1].但傳統的基于數學統計的方法，考慮天氣情況、日類型（普通工作日、周末、節假日）等，僅利用負荷數據自身發展規律進行預測的結果并不理想.目前對日最大負荷的研究集中在短期預測，且主要著力于研究日最大負荷與天氣的關系[2].但由于難以獲取未來連續多天甚至一個月的準確天氣信息，對連續多天的日最大負荷預測研究比較欠缺.本文分析了節假日對日最大負荷的影響，選取合適的樣本和改進的高階BP神經網絡預測模型，提高了連續多天日最大負荷預測的精度.

1 日類型量化處理方法

由于節假日對人們生活、工作的影響，不同日類型負荷呈現出獨特的變化規律.若對工作日、周末和假日采用相同的方法進行預測的精度較低.為了保障節假日期間生活用電得以滿足又不至過剩，對節假日的日最大負荷特征進行研究，并對日類型進行一定的量化處理后再建立預測模型就顯得尤為重要.

1.1 日最大負荷變化特性分析

圖1為某市2013年4月1日～20日的日最大負荷.由圖可見，周末負荷比普通工作日低，而在4月4、5、6日清明節期間負荷大幅降低.

江蘇省各市近十年的電力負荷數據及文獻[3]等研究顯示：對同一節假日而言，每年的負荷曲線較為相似，只是負荷水平有區別.以江蘇省某市2010—2013年10月1日～7日的日最大負荷走勢為例（如圖2所示）.由于2012年中秋節與國慶節重疊，節假日從9月30日開始.除了2012年比較特殊，其他年份國慶節的日最大負荷變化趨勢基本一致，負荷整體水平逐年增長.

由于我國部分傳統節日是以農歷計，陽歷的放假時間每年并不固定.例如：2012年端午節出現在陽歷6月23日，法定節假日時間為6月22、23、24日三天；2013年端午節出現在6月12日，法定假日時間為6月10、11、12日三天.通過對多個城市節假日歷史負荷變化情況進行研究，結果表明：3天法定節假日中，日最大負荷降低的幅度與法定節假日當天在三天假期中所處位置有關.若法定節假日出現在假期的第一天，則第一天負荷最小，后兩天逐步回升；若法定節假日出現在假期的第二天，則第二天負荷最低，第一天負荷最大，第三天居中，呈V形走勢；若法定節假日出現在假期的第三天，則三天假期負荷逐日遞減[3].某市三天節假日的日最大負荷變化趨勢如圖3所示.

1.2 日類型量化處理規則

1.1節中分析了不同日類型的日最大負荷變化特征，由于神經網絡只能進行數字運算，因此還需要一種能將日類型合理量化的標準.采用類似于文獻[4]中提到的映射數據庫的方法，由于日類型在日最大負荷預測中占主導作用，故將日類型量化為[0.1，4.5]區間的數.周二至周五為工作日，負荷最大，將其量化為0.1，而春節期間負荷最小，將其量化為4.5.其他日類型的量化也遵循這一規律.表1為部分日類型量化標準.將量化處理后的日類型作為神經網絡的一個輸入，這極大地提高了節假日最大負荷的預測精度.

2 預測模型建立

BP神經網絡以其結構簡單、預測精度較高在電力負荷預測領域得到廣泛的應用.但是其算法仍存在網絡訓練速度慢、容易陷入局部極小值等問題，因而很多專家對傳統的BP神經網絡提出了改進的算法[5].本文采用的是一種改進的高階BP（back propagation）神經網絡模型[6].

2.1 高階BP神經網絡介紹

BP算法是用于前饋多層網絡的學習算法.前饋多層網絡的結構如圖4所示，其中：X1、X2…Xn為神經網絡的輸入；i、j、k分別代表三層神經網絡的輸入層、隱含層和輸出層；w、v均為權值（下文統一用w作計算）.其訓練過程按照輸出層的誤差逐步反向調整輸入層各神經元的閾值和鏈接權值.

高階BP神經網絡結構如圖5所示.對比圖4、5發現，本文研究的高階BP神經網絡主要進行了如下改造：輸出層的輸入多了一部分，即倒數第二層任意兩個神經元的輸出相乘再加權到輸出層（圖5中粗線所示部分），其余部分與傳統BP算法相同.在圖4中，輸入層i有n個節點，隱含層j有m個節點，輸出層k有t個節點.O1、O2…On代表網絡輸出.對于第k層的每個節點，其輸入個數和原BP網絡相比增加了C2m個，但前向計算中的輸出bj沒有變化，仍為

2.2 建立高階BP神經網絡預測模型

在選用了改進的BP算法后，還需要設置合適的神經網絡層數、隱含層節點數，以及輸入、輸出才能有效地提高預測精度.對于輸入的參數要求其與預測的數據有較強的相關性，但是不能過多，否則將導致網絡結構復雜及訓練費時，也容易陷入局部最小值[7].本文采用3層高階BP神經網絡，輸入層、隱含層、輸出層神經元節點數分別為15、7、1.由于日類型是與負荷強相關的因素，因此輸入選擇待預測日前一個月和前兩個月對應的連續一周的日最大負荷，以及待預測日的日類型.

3 算例分析

日最大負荷過大會對電網的安全、穩定運行產生不利影響.電力部門通常需要在月初預知下個月每天的最大負荷，以便提前對重要設備展開巡查、組織搶修.這是一個典型的連續多天日最大負荷預測問題.為了驗證本文方法的有效性，采用日類型結合高階BP神經網絡的方法預測了某市2012年端午節日最大負荷，并與不添加日類型量化因子、直接用BP神經網絡模型進行預測的方法進行了對比，實驗結果如表2所示.由表可知，BP神經網絡和高階BP神經網絡模型的平均相對誤差分別為15.059%、3.878%.以某市電網公司提供的2010年1月1日至2012年4月30日的歷史負荷數據作為樣本，對該段時間內的日最大負荷進行預測.在數據采集過程中，由于系統故障產生了少量數據的缺失，在預測前首先要用非鄰均值生成法補全空缺的電力負荷數據[8]，然后結合本文的日類型量化處理方法，對比了采用BP與高階BP神經網絡模型分別進行預測的結果，如表3所示，5月BP神經網絡和高階BP神經網絡模型的平均相對誤差分別為3.138%、2.032%.

若不考慮日類型這一輸入，BP神經網絡模型對節假日的預測嚴重偏大，而添加日類型量化因子后，預測系統能較好地識別、處理節假日變化.從表2的算例結果可知：結合高階BP神經網絡模型能將端午節三天假日平均相對誤差由15.059%降低到3.878%，精度明顯提高.由表3可以看出，本文提出的日類型量化方法結合高階BP神經網絡預測模型，能有效提高預測精度，對于5月1日勞動節的預測結果也比較理想.在均添加了日類型量化因子的條件下，與BP神經網絡相比，高階BP神經網絡對勞動節日最大負荷的預測誤差從原來8.878%減小到3.347%；31天平均相對誤差從3.138%降低到2.032%，預測精度完全滿足實際工程需要.

4 結 論

本文提出了運用一種高性能的高階BP神經網絡方法用于連續多天的日最大負荷預測的研究，研究了日類型對日最大負荷的干擾和節假日負荷變化的特征，并提出了將日類型因子進行量化處理的方法.算例結果表明，基于該方法的連續多天日最大負荷預測快速、有效，滿足了供電企業工程實踐要求.隨著人們生活水平的提高，取暖和降溫用電所占的比例不斷提高，若能從氣象部門獲得未來一個月的天氣預報信息，增加氣溫、濕度等影響負荷大小的氣象因子[9]，則能進一步提高預測準確率.

參考文獻：

[1] 李鵬鵬，彭顯剛，孟安波，等.小波貝葉斯神經網絡在沖擊負荷地區短期負荷預測中的應用[J].電力科學與工程，2012，28（11）：7-12.

[2] 李湘華，宋尖，劉陽升，等.典型氣象因素對省網夏季日最大負荷的影響[J].電力科學與技術學報，2012，27（2）：70-75.

[3] 王寧，陳亮，李嘉龍.電力系統節假日負荷預測實例分析[J].廣東電力，2010，23（11）：47-49，55.

[4] 康重慶，程旭，夏清，等.一種規范化的處理相關因素的短期負荷預測新策略[J].電力系統自動化，1999，23（18）：32-35.

[5] 張瑞洪.基于變學習率BP模型的城市燃氣短期負荷預測[J].能源研究與信息，2006，22（4）：204-207.

[6] MA L X，SHIGEI N.Learning characteristics of multi layered higher order neural networks[C].International Conference of Computational Methods in Sciences and Engineering，2005.

[7] 任海軍，張曉星，肖波，等.基于概念格的神經網絡日最大負荷預測輸入參數選擇[J].吉林大學學報：理學版，2011，49（1）：87-92.

[8] 韋鋼，王飛，張永健，等.負荷預測中歷史數據缺損處理[J].電力科學與工程，2004（1）：16-19.

[9] 任友明，馬立新，屈娜娜.智能化氣象信息處理的負荷預測系統研究[J].微計算機信息，2011，27（12）：79-81.