基于神經網絡電網負荷預測的隱含層研究

許光斌

（華信咨詢設計研究院有限公司，杭州 310052）

1 引言

電力系統由電力網、電力用戶共同組成，電力的生產與使用難以大量的存儲，這就要求系統發電應隨時緊跟系統負荷的變化動態平衡，以滿足用戶的需求。因此，電力系統負荷預測技術發展起來，尤其是電網負荷預測作為當前研究的熱點，需解決好當前負荷及未來負荷的預測問題。基于神經網絡的非數學模型預測法，解決了數學模型法的不足，但神經網絡的確定隱含層網元個數，目前沒有一個明確的確定方法。

2 神經網絡預測模型及隱含層網元分析

神經網絡一般分為四層：輸入層、隱含層、承接層和輸出層。如圖1所示[1]。隱含層的傳遞函數為Sigmoid函數，輸出層和關聯層都為線性函數。其中隱含層的輸出通過承接層的延遲與存儲，自聯到隱含層的輸入。如果給出系統的輸入輸出數據對，利用軟件matlab就可以對系統進行建模仿真及預測。

如圖1所示，神經網絡的的非線性狀態空間表達式為[1][2]：

神經網絡采用BP算法進行權值修正，學習指標函數采用誤差矢量積函數，如下式所示[2]：

圖1 神經網絡結構圖

神經網絡模型中隱含層數學模型如圖2所示[4]，

圖2 神經網絡話務預測模型基本結構圖

圖2結構中隱含層輸出為[2]：

輸出層輸出為：

要得到精準的預測需對隱含層網元個數進行分析，以使得預測最接近實際電網負荷。取n為最小誤差時的隱含層網元個數，如下式所示：

3 仿真及結果

選取9天的3個時段的數據作為仿真數據，如表1所示。

表1 各時段電網負荷情況

通過對表1數據的學習訓練驗證，如圖3所示，訓練次數為2000次，得到訓練有效權重，其中誤差最小的為隱含層網元個數為n=65時誤差最小，誤差值為0.00053229，如圖4所示，所以采用隱含層網元個數為65個進行訓練數據，并得到各權重值來做后續預測。

圖3 訓練數據

圖4 隱含層不同網元個數對應訓練誤差

4 結束語

通過對神經網絡預測模型的分析，并將電網負荷的9天三個時段數據進行matlab仿真，驗證了得到誤差最小的最佳學習訓練的隱含層網元個數，通過該隱含層網元個數的，得到最佳的負荷預測。由于隱含層網元個數的取定應結合計算量綜合考慮，后續需進一步對完善計算復雜度和誤差兩個方面進行更加深入的分析。