基于人工神經網絡的電力系統短期負荷預測

李晶

摘要：隨著智能電網技術的發展，電網問題的管理變得尤為重要，負荷預測是電網管理的主要內容之一。針對電力負荷預測隨機性強、穩定性低、影響因素復雜等特點，具有非線性特性的神經網絡可以極大地提高預測精度。

關鍵詞：電力系統；負載預測；神經網絡；反向傳播算法

引言

電力系統負荷預測按預測的時間可分為長期、中期、短期、超短期以及特殊日，然而其中的短期負荷預測對電力系統來說有著很重要的地位，也是現有電力市場環境下編排發電計劃、交易計劃、調度計劃的基礎。隨著電力行業的發展，分布式電源的接入和電動汽車等新負荷的加入，電力系統負荷預測的精確度就顯得尤其重要。因此負荷預測成為了電網運行和管理的一個重要研究領域。由于負荷預測在電網中占有很重要的地位，所以對負荷預測初始數據的處理、預測方法的選擇就顯得尤其的重要。對短期負荷預測的研究已有很長的歷史，國內外專家和學者在預測方面做了很多工作，提出很多預測模型。

1 負荷預測方法比較

1.1 神經網絡法

目前神經網絡廣泛應用于圖像識別、自然語言處理、機器翻譯、自動駕駛等方面。谷歌、百度、阿里等企業最主要的人工智能算法都是神經網絡。神經網絡在能源領域大量應用于電力負荷預測、電力現貨市場價格預測、風電發電預測等方面。神經網絡法在負荷預測上的應用主要分為人工神經網絡和遞歸神經網絡。神經網絡法選取過去一段時間的負荷作為訓練樣本，構建適宜的網絡結構，用某種訓練算法對網絡進行訓練，使其滿足精度要求之后，此神經網絡作為負荷預測模型。神經網絡對大量非結構性、非精確性規律具有自適應能力，能夠信息記憶、自主學習、知識推理和優化計算，具有很強的計算能力、復雜映射能力、容錯能力及各種智能處理能力。江西負荷預測表明，其短期負荷預測精度高于中長期預測精度，日前負荷預測精度可達99.3%，5年規劃負荷預測精度約為95.4%。

1.2 模糊預測法

模糊預測法是建立在模糊數學理論上的一種負荷預測技術，可以描述負荷預測中的一些關鍵因素，如天氣狀況的評判、經濟發展的不確定性等。模糊負荷預測可分為模糊聚類法、模糊相似優先法和模糊最大貼近度法等。江西負荷預測表明，短期負荷模糊預測的精度約為97.8%，低于其他常用預測方法；5年規劃負荷模糊預測的精度約為96.6%，高于其他常用預測方法。模糊預測結果可以預測區間及概率的形式描述，提供的信息量比其他預測方法大許多。

1.3 時間序列法

電力負荷的歷史數據是按一定時間間隔進行采樣和記錄下來的有序集合，因此是一個時間序列，采用時間序列法建立描述電力負荷隨時間變化的數學模型，可以對未來負荷進行預測。時間序列方法優點是所需數據少，工作量小，計算速度較快。缺點是時間序列方法對原始時間序列的平穩性要求較高，只適用于負荷變化比較均勻的短期預測；對不確定性因素考慮不足，當天氣變化較大或遇到重大臨時經濟活動時，該模型預測誤差較大。江西負荷預測表明，短期負荷預測精度高于中長期預測精度，實時負荷預測精度可達99.6%，5年規劃負荷預測精度約為93.7%。

1.4 回歸分析法

回歸分析預測方法是根據歷史數據的變化規律和影響負荷變化的因素，尋找自變量與因變量之間的相關關系及其回歸方程式，確定模型參數，據此推斷將來時刻的負荷值。回歸分析法的優點是預測速度快，外推性能好，對于長周期性的影響因素（如節假日）具有較好的適應性。缺點是對歷史數據要求較高，采用線性方法描述比較復雜的問題時精度較低；模型初始化難度較大。江西負荷預測表明，短期負荷預測精度高于中長期預測精度，實時負荷預測精度可達99.4%，季度負荷預測精度可達98.6%，5年規劃負荷預測精度約為95.1%。

2 人工神經網絡作用與分類

人工神經網絡的研究是從人腦的生理結構出發來研究人的智能行為，模擬人腦信息處理的功能。它是根植于神經科學、數學、統計學、物理學、計算機科學及工程等學科的一種技術。人工神經網絡是由大量處理單元廣泛互連而成的網絡，是人腦的抽象、簡化、模擬，反映人腦的基本特性。一般來說，作為神經元模型應具備連接權值、信號整合、激勵函數三個要素。人工神經網絡具有非線性、并行性、自學習性、聯想存儲性和實時性等特點。

人工神經網絡的主要類型有感知機、線性神經網絡、徑向基（RBF）函數網絡、BP神經網絡、隨機神經網絡、競爭神經網絡等，其中BP神經網絡是應用得最廣泛的一種類型。BP神經網絡是指誤差反向傳播算法（ErrorBackPropagtion，BP）網絡，是一種有監督學習的前向多層感知機結構，由一種誤差計算沿著與網絡計算方向相反方向傳遞的算法求解神經元連接權值。BP神經網絡由多層構成，層與層之間全連接，同一層之間的神經元無連接，包含一個或多個隱層，可以實現復雜的映射關系。

3 神經網絡在電力負荷預測中的應用

電力負荷預測的方法主要有灰色預測法、線性回歸法等傳統預測方法、神經網絡法、支持向量機、模糊系統等人工智能預測算法。由于電力負荷預測具有隨機性強、穩定性低、影響因素復雜等特點，很難建立精確的模型。由于傳統模型難以充分利用其他影響因素的數據，使得預測精度往往不能滿足電力部門的需求，人工智能預測算法是國內外學者們研究的熱點問題。電氣負荷數據通常為一個時間序列數據，因此可以使用統計或軟計算方法進行分析和預測，Wang等提出了一種BP神經網絡方法（BPNN），采用反向傳播神經網絡的精確電力負荷預測算法用于短期電力負荷預測，綜合考慮了天氣特征，如最高攝氏度，最低攝氏度和天氣類型等參下文舉例某些實驗后得到的結論：

（1）非負荷因素輸入前級BP網絡中，得出的負荷類型數據作為后級RBF網絡的輸入，通過BP-RBF的級聯神經網絡得到準確的整點負荷預測。由于BP神經網絡收斂速度慢、易陷于局部極值點的缺點，許多學者結合模糊推理、遺傳算法等其他智能算法對電力負荷預測模型進行了進一步完善。基于神經網絡的模糊推理方法是通過神經網絡的自主學習機制完成模糊化、模糊推理和反模糊化。

（2）采用模糊邏輯方法研究了長期負荷預測問題，建立了一個電力負荷模糊預測模型，采用溫度、濕度和歷史負荷數據作為模型，實驗結果表明了模糊理論可以較好地應用于負載長期預測。

（3）利用人工神經網絡和聚類方法建立了公交車負荷預測模型，通過聚類的方法提高了人工神經網絡模型的預測精度，適用于短期預測。

（4）預測每日負荷的動態神經網絡，獲得的結果表明精度和效率優于廣泛使用的傳統方法。

（5）基于三角核函數（QRNNT）的分位數回歸神經網絡的概率密度預測方法，用于短期電力負荷預測。為了構造概率預測方法，應用神經網絡對分位數回歸模型進行變換，通過對加拿大和中國的負荷數據測試證明了該方法有效性。

4 結語

電力負荷預測對國民經濟、電網穩定和電力安全都有著非常重要的意義。如何提高預測速度、降低預測誤差是電力負荷預測研究的熱點問題。目前，電力系統正在進行電力需求側管理綜合改革，其中電力負荷曲線的預測是需求側管理的主要依據，提高其預測精度有助于電網公司了解用電規律，提高經濟效益。

參考文獻

[1]隋惠惠.基于BP神經網絡的短期電力負荷預測的研究[D].哈爾濱：哈爾濱工業大學，2015.

[2]程宇也.基于人工神經網絡的短期電力負荷預測研究[D].杭州：浙江大學，2017.

[3]蘇蔚.基于神經網絡的電力系統負荷預[D].天津：天津大學，2011.

（作者單位：國網河北省電力公司石家莊供電分公司）