基于BP和SOM神經網絡相結合的電力負荷預測研究

易禮秋

摘 ?要：為提高電力負荷預測的精度，文章提出一種將多層前饋神經網絡（BP神經網絡）和自組織特征映射神經網絡（SOM網絡）相結合的方法并應用到短期電力負荷預測中，首先利用自組織特征映射神經網絡對負荷的原始數據進行聚類預處理，使具有相似性的樣本點聚集在一起，之后利用BP神經網絡對樣本數據進行學習和預測，結果表明，相比直接利用BP神經網絡預測結果，增加SOM聚類處理過程能有效減小預測誤差。說明此方法可以有效預測出負荷的大小，也表明SOM對相關負荷參數分類的有效性，同時對利用神經網絡預測方法來實現負荷的預測起到重要作用。

關鍵詞：神經網絡;自組織特征映射神經網絡;負荷;電力負荷預測

中圖分類號：TM614 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2020）28-0023-03

Abstract： In order to improve the accuracy of power load forecasting， this paper proposes a method combining multilayer Back Propagation neural network（BP neural network） with Self-Organizing Map neural network （SOM neural network） and applies it to short-term power load forecasting. Firstly， the Self-Organizing Map neural network is used to cluster and preprocess the original load data. After clustering the similar sample points together， BP neural network is used to learn and forecast the sample data. The results show that the increase of SOM clustering process can effectively reduce the forecasting error compared with the direct use of BP neural network forecasting results. It shows that this method can effectively forecast the size of the load， and also shows the effectiveness of SOM for the classification of relevant load parameters. At the same time， it plays an important role in using neural network forecasting method to achieve load forecasting.

Keywords： neural network; self-organizing map neural network; load; power load forecasting

1 概述

隨著時代的快速發展，科學技術與經濟技術的不斷更新，電力能源在當代社會里扮演著一個十分重要的角色，是生活中不可缺少的一部分。電力系統的正常運行保障了各行各業的用電需求，它的供應與國家經濟和人們生活有著密切關聯。電力負荷預測尤其是短期電力負荷預測，有益于系統維持可用發電容量與電力需求之間的平衡，準確的短期電力負荷預測，電力系統的作用是對各個行業的用戶提供盡可能高質量和可靠性強的電能。電力系統的準確預測與電力系統的控制以及運行有著密切的相互作用，也是電網規劃的重要依據，準確可靠的電力負荷預測能夠確保系統的穩定運營，為我們的生活增添了多彩多樣的色彩。

電力負荷預測是電力系統穩定運作的至關重要的部分，以電力負荷為對象進行的一系列預測工作，通常負荷預測可根據應用目的和預測時間長短的不同，可以分為短期、中期、長期這幾類，其中，短期負荷預測對于電力系統的經濟穩定運行以及人們生活質量有著重要作用，從預測對象來看，電力負荷預測包括對未來電力需求量（功率）的預測和對未來用電量（能量）的預測以及對負荷曲線的預測，其主要工作是預測未來電力負荷的時間分布和空間分布，為電力系統規劃和運行提供可靠的決策依據，在發電這一過程中，精確測量負荷大小有利于節能減排、降低經濟成本、改進提升電能性能，還起到保護環境的作用，這更體現出短期電力負荷預測的重要性，為了精準及時地預測電能的消耗具體情況，對電力負荷預測來說能夠建立預測模型是十分必要的因素。近年來，國內外對短期電力負荷預測模型進行研究是非常廣泛的， 針對其預測方法也是在不斷創新，經典預測方法包括時間序列法、指數平滑法、回歸分析法等等;現代主要預測方法有灰色預測法、支持向量機法、隨機森林預測法、人工神經網絡方法、小波分析法等等。近幾年來，人工神經網絡在各個方面都有顯著研究成果，在處理數據、圖像處理、模式識別、預測評估等領域都得到了廣泛應用，并且都取得了較好的成績，用神經網絡預測電力負荷已有大量作者應用分析，例如，2011年，張珣與顏文俊等人針對風電場發電的電力負荷預測問題，提出了一種基于AMPSO算法與神經網絡相結合的一種負荷預測方法[1]。2014年，徐晨和曹莉等人提出一種基于ABC-BP神經網絡的短期電力負荷預測方法[2]。2017年，岳宇飛和羅健旭通過一種改進的SOM神經網絡在污水處理故障診斷中的應用[3]。2018年，任東紅與林鵬等人給出一種基于改進PSO的BP神經網絡的短期電力負荷預測模型[4]。2019年，Bedi， J;Toshniwal， D為提高電力負荷預測精度，建立了基于深度學習的電力負荷預測模型[5]。但到目前為止，提高負荷預測的精準性和穩定性仍是一個難題，本文通過利用SOM與BP神經網絡相合的應用來預測，該方法運用在BP神經網絡預測的基礎之上，使用SOM分類，讓負荷較為集中分為每一類，更利于預測負荷，提高預測精度。

2 神經網絡算法原理

2.1 BP（Back Propagation）神經網絡

BP網絡（Back Propagation），是1986年由Rumelhart和Mc Celland為首的科學家提出，采用的是一種是誤差反向傳播算法，它包括信息的正向傳播和誤差的反向傳播。BP神經網絡模型包括三層，其中有輸入層、隱含層、輸出層。首先給定初始權值和閾值，通過帶入設定的激活函數，常用的激活函數有線性函數、坡度函數、閾值函數、S型函數以及雙極S型函數，隱含層的每個神經元節點進行傳遞，直至輸出層將得到預測值。緊接著計算出真實值與預測值的誤差，進行反向傳導，并誤差采用梯度下降法修正權值，通過反復訓練學習，使誤差達到最小化。由于影響負荷預測的樣本數值單位大小不統一，會造成預測的精度降低，所以要對訓練樣本數據以及測試樣本數據進行歸一化處理，有助于加快訓練速度提高預測精度。

BP神經網絡訓練過程需要以下具體步驟：

Step1：初始閾值與權值的設定，輸入層到隱含層以及再到各個節點的權值閾值應在（-1，1）之間的隨機數，具體數值要使得預測效果最優。

Step2：隱含層的神經元個數的設定，隱含層節點數過多或過少直接會影響訓練結果，本文根據文章需要選擇經驗公式：

式中，n為輸入層神經元節點數，l為輸出層神經元節點數，本文選取輸入層神經元節點數為24個，輸出層神經元節點數為1個，所以本文中隱含層節點數為8。

Step3：其他訓練參數的設定，BP神經網絡的訓練迭代次數、訓練目標以及學習率都需要根據自己需求設置，主要目的是使得輸出預測值最精確。本文設定迭代次數為50，訓練目標為0.001，即均方根誤差小于0.001時訓練才會停止。

Step4：激活函數的設定，本文激活函數設置為Sigmoid的Log-Sigmoid函數和Tan-Sigmoid函數。

2.2 自組織特征映射（SOM）神經網絡

自組織神經網絡（Kohonen網絡）是由芬蘭學者TeuvoKohonen于1981年提出的，它與上述的BP神經網絡不屬于同一系列神經網絡，SOM算法屬于競爭神經網絡類型中的典型網絡，它只有兩層結構，包括輸出層和競爭層也叫輸出層。SOM神經網絡是一種無監督模式的學習方法，主要特點是將輸入層的任意維度數據在輸出層映射成一維或者二維離散形式，并保持其拓撲結構不變，網絡通過對輸入模式的反復學習，將輸入樣本數據進行聚類。

根據神經網絡訓練的特點可知，由于所使用的訓練算法收斂速度慢且極容易陷入局部極小，使得用BP神經網絡構建的預測模型的誤差較大，導致結果的預測精度不高。由于電力負荷預測受到各個因素的干擾造成預測精度不高，主要因為數據具有相似性與多重性，本文對訓練樣本數據集通過SOM算法聚類分析，讓數據歸一化并聚類，將數據分布達到一致性。

3 數據處理和仿真

本文算例分析所選用的電力負荷數據出自PJM大西洋中部地區，時間間隔為1小時。算例仿真在MATLAB R2017a軟件上實現。選取2016年7月1日-7月30日的原始負荷值作為訓練集訓練模型，以預測2016年7月31日作為測試集，由相鄰負荷數據之間存在相似性，某一時刻點的負荷與其前1小時，或者與其前幾天同一時刻的負荷有相似性，所以本文選用744個電力負荷數據作為樣本，神經網絡對應的輸入數據為以預測T1的第1小時的電力負荷值為例，滾動預測當天剩余的23個小時的負荷值，其它幾天的待預測負荷值可通過同過程預測獲得，選取720個作為學習樣本集，用剩余的24個樣本作為測試數據集。

4 結果與討論

BP神經網絡可以通過自適應學習逼近實現任何復雜非線性映射，因為BP神經網絡是不受非線性模型的限制，所以BP神經網絡可以運用到各個領域的研究。首先，BP神經網絡會對原始學習數據進行學習，在其測試樣本數據進行模擬仿真后，得到結果的平均誤差為0.0133，負荷預測值與實際負荷值還是存在較大的偏差，這也表明直接利用BP神經網絡進行電力負荷的預測與傳統的線性回歸分析方法的相比較，雖然會顯著有成效，但是還存在一些缺陷，此外直接利用BP神經網絡訓練它的速度較慢其原因之一是各個樣本的特征不一致，并且樣本分布較為分散。

通過BP神經網絡輸出結果與SOM-BP組合神經網絡輸出結果對比圖（圖1）可知，SOM-BP組合人工神經網絡比BP神經網絡方法能夠得到更加顯著的效果，即誤差更小，與實際的電力負荷值更加接近，即SOM-BP模型預測效果更優。

5 結論

本文針對短期負荷預測精度問題提出了一種基于BP神經網絡和自組織特征映射（SOM）神經網絡相結合的電力負荷預測方法，首先通過計算皮爾遜相關系數來找出待預測時刻點的局部負荷特征向量與其前面各時刻的局部負荷特征向量之間的相關性，確定了電力負荷預測的候選特征集，利用自組織特征映（SOM）神經網絡對電力負荷的原始數據進行分類處理，再利用BP神經網絡對每一類分別進行訓練和仿真，實驗結果表明SOM-BP神經網絡組合能更加有效地預測出電力負荷值，對電力負荷的預測有更高的精確度，聚類后再利用BP神經網絡進行預測能夠取得更好的效果。這說明看似不相關的電力負荷的一些參數，實際存在著一些內在的相似性，也說明了每1小時的負荷值與其前后同等時間段的負荷存在著必然的聯系，說明將此方法在短期電力負荷預測中具有一定的價值。但是在應用該方法的時候，首先需要輸入的參數是準確的，這就表明各個監測數據d精確性與可靠性，這是實現預測的前提條件。此外，本文選擇的輸入參數為24個，根據神經網絡訓練的內在特點以及影響負荷變動的原因，在實際預測中，如果取得更多可靠準確的參數輸入樣本集，則可以取得更加顯著有效的輸出結果，提高短期電力負荷預測的精度。今后，可進一步研究探討關于神經網絡預測電力負荷問題，更好地發揮各個神經網絡預測模型的優勢，進一步提升預測模型的精度，改進預測模型的穩定性。

參考文獻：

[1]張珣，顏文俊，王超.基于AMPSO算法與神經網絡的風電場發電量預測[J].華東電力，2011，39（05）：797-802.

[2]徐晨，曹莉，梁小曉，等，基于ABC-BP神經網絡的用量預測研究[J].計算機測量與控制，2014，22（3）：912-922.

[3]岳宇飛，羅健旭.一種改進的SOM神經網絡在污水處理故障診斷中的應用[J].華東理工大學學報（自然科學版），2017，43（03）：389-396.

[4]任東紅，林鵬，袁清萍，等.基于改進PSO的神經網絡短期電力負荷預測模型[J].淮海工學院學報（自然科學版），2018，27（02）：26-30.

[5]Bedi， J; Toshniwal， D. Deep learning framework to forecast electricity demand. Applied Energy. 2019，238：1312-1326.