電力系統短期負荷預測的改進BP神經網絡算法比較

摘?要：對于電力系統來講，預測系統負荷的措施有助于維持電力系統的正常運行，避免頻繁出現偏低或者偏高的電力系統負荷。在目前的現狀下，技術人員已經能夠借助于神經網絡算法用于完成全方位的系統負荷預測，從而保證了整個電力系統能夠處于有效的負荷控制下。因此針對短期的電力系統負荷預測而言，應當嘗試引進BP的神經網絡算法作為支撐，確保得出精確的負荷預測結論。

關鍵詞：電力系統;短期負荷預測;BP神經網絡算法

預測電力系統的短期負荷重點針對于目前現存的負荷波動規律，通過運用科學預測的方式來推測每周以及每日的系統負荷需求。電力系統由于受到人為因素、當地氣候因素及其他因素引發的影響，那么將會呈現頻繁的負荷波動狀態。在此前提下，針對電力系統有必要運用神經網絡算法來預測精確的短期負荷波動趨勢，遵循負荷變化規律來控制電力系統的整體運行。

一、改進BP神經網絡算法的基本內容

從基本技術特征的角度來講，BP神經網絡算法主要依賴于特定的計算模型，通過構建多層前向的神經網絡系統來實現針對連接權值的修正與迭代操作。具體在進行模型運算時，該算法著眼于負梯度方向的判斷，并且遵循期望輸出值以及真實的神經網絡輸出值差異來進行上述的計算處理[1]。由此可見，上述算法本身應當屬于全局最優解的尋求過程，并且具備非線性函數的典型特征。然而不應當忽視，傳統的神經網絡算法無法達到較快的收斂速度，因此必須予以適當的改進。

對于BP算法在進行優化與改進的實踐中，技術人員重點著眼于優化原有的數值計算方法，并且修改了負梯度的計算思想，在此前提下誕生了具有彈性的全新神經網絡算法，進而衍生出附加動量的算法以及學習率可變的算法。例如，運用神經網絡工具箱的方法可以構建MATLAB的算法函數，并且借助共軛梯度的算法來實現全方位的求解數值優化。

BP神經網絡的計算過程由正向計算過程和反向計算過程組成。在這其中，正向傳播過程指的是輸入模式從輸入層經隱單元層逐層處理，并轉向輸出層，每一層神經元的狀態只影響下一層神經元的狀態[2]。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經元的權值，使得誤差信號最小，而反向傳播過程則體現為相反的順序。

二、對比預測電力系統短期負荷的實效性

作為現階段的技術改進要點來講，預測系統短期負荷的算法正在不斷得到更新。經過全面的技術改進以后，目前已經誕生了多種多樣的混合運算方法。從本質上講，電力系統體現為頻繁的負荷波動特性，因此必須借助科學手段來完成針對各時間段網絡負荷的精確預測。技術人員通過整合目前現存的各類典型算法，應當能夠給出最佳的負荷預測方法[3]。具體在運用BP算法的實踐中，預測短期性的系統負荷狀態主要體現在如下的技術要點：

（一）構建完整的神經網絡模型

構建完整的神經網絡模型，該措施構成了預測電力系統負荷的關鍵前提。具體在選取相應的學習樣本時，應當確保全部的樣本都來源于現有的天氣狀態以及系統負荷變化。在每日的時間段內，對于采樣數據需要保證符合特定的數目，并且限定于半個小時的樣本采集間隔。此外在進行采樣時，關鍵在于結合當地現有的節假日以及當日平均氣溫，據此給出綜合性的推斷結論。

然而針對不同種類的采樣數據而言，與之有關的采樣誤差也體現為多樣性。因此在輸入各項的采樣數據以前，首先需要運用科學手段來實現針對數據誤差的有效降低，以便于輸入統一的負荷采樣信息。通過運用歸一化處理的方式，技術人員針對不同種類的電網負荷信息就能實現統一處理，進而給出了精確程度更高的負荷預測結論。在此過程中，通常需要用到最小與最大的系統負荷數值[4]。經過全面的歸一處理以后，確保能夠給出完整的負荷預測結果。

（二）評價電網負荷預測的效果

神經網絡模型能否體現最佳的負荷預測效果，其直接決定于評價系統負荷的各項基本操作指標。因此在評價與判斷預測系統負荷的實效性時，前提在于擬定具備可操作性的負荷測定指標，以便于給出精確的系統負荷評價。在多數情況下，經過每日的負荷測定操作后，應當能夠據此給出真實的電網負荷值、預測的電網負荷值、采樣點的總數以及其他相關指標。并且，關于評價負荷預測的結論還會涉及到最大的絕對值誤差、相對誤差、測定日負荷的精確率、平均的相對誤差等。

需要注意的是，在不同的時間段內，同個區域的電網負荷將會表現為差異性。這是由于，電網負荷可能會受到當前的用戶用電總量以及其他的人為操作影響。在多數情況下，惡劣的外界氣候也會影響整體的電網負荷波動[5]。具體在預測與評價電網負荷時，應當綜合考慮以上的各項基本要素，進而給出精確的負荷預測結論。

（三）對比各類算法的預測結論

相比而言，建立在數值優化基礎上的神經網絡算法具有較差的數值精確率，但是建立在梯度下降算法之上的數值預測結論可以保證達到更好的精確程度。并且，收斂速度、負荷數據的計算操作量以及訓練時間這三項要素之間具有內在的關聯性。在增多隱含層節點的狀態下，訓練時間也會呈現明顯延長的趨勢。因此經過綜合性的判斷與對比后，應當能夠結合現有的電網負荷狀態來選擇最佳的負荷預測方法。

三、結語

BP神經網絡算法作為目前關鍵的負荷預測算法而言，其主要著眼于判斷現有的系統負荷波動，確保給出精確的負荷波動規律以及系統需求現狀。并且，運用BP神經網絡算法還能用于推測短期內的電力系統負荷，結合電力系統目前所處的整體運行環境來維持穩定的電力系統運行，節約負荷預測的總成本。

參考文獻：

[1]王蕾.基于改進BP神經網絡的中央空調冷負荷預測研究[J].計算機測量與控制，2014，22（16）：568.

[2]王吉權，王福林，董志貴，等.基于改進BP神經網絡的電力負荷預測[J].數學的實踐與認識，2017，47（9）：276-284.

[3]李志恒，孫冉，張建立，等.基于改進BP神經網絡的中長期電力負荷預測算法設計[J].自動化與儀器儀表，2017，13（10）：23-25.

[4]朱海兵，崔玉，熊浩.基于改進型BP神經網絡的電網負荷預測[J].現代電子技術，2016，39（20）：64-66.

[5]王善磊.基于BP神經網絡系統的電力系統負荷預測[J].數碼世界，2018，25（31）：109.

作者簡介：程超（1990-），男，安徽懷寧人，在讀研究生，主要從事電力負荷預測方面的研究。