基于神經網絡的短期電力負荷預測

張尚然

(承德石油高等?？茖W校 電氣與電子系，河北 承德 067000)

電力系統的準確負荷預測使得各個行業能夠高質量、高速的運行，因此對負荷進行準確有效的預測可以提高電能利用率、提高電網的準確性、可靠性。準確的負荷預測使用戶節省成本，使電力部門合理分配電能，使得各行各業繁榮發展，共同進步[1]。本文主要研究的內容是電力系統的短期負荷預測，采用BP神經網絡的算法，搭建基于神經網絡的短期電力負荷預測的模型，通過仿真對結果進行分析驗證。

1 BP神經網絡學習方法

BP 神經網絡算法包括兩個方面：一方面是指前向傳播，即對于輸入信號而言的；另一方面是對于預測值與期望值之間誤差而言的，即反向傳遞[2]。正向傳播的過程相對而言比較容易，就是一層層的數學計算；而對于反向傳播則比較復雜，需要通過梯度下降求導的方法找出誤差最小的解。其主要過程如下：

設BP網絡的結構分為三層，xi為輸入層節點，yj為隱含層節點，zi為輸出層節點。wji、vlj分別為輸入層節點與隱含層節點間的網絡權值以及隱含層節點與輸出節點間的網絡權值。當輸出節點的期望值為t1時，模型的計算公式如下。

1)信號的正向傳播過程：

隱含層節點輸出:

(1)

其中

(2)

輸出層節點的計算輸出：

(3)

其中：

(4)

2)誤差反向過程

(5)

用求取誤差的方式得到各層神經元權值或閥值的導數，以此得到參數修正的方向和裕度[3]。

通過求誤差對各個層神經元權值或閾值的導數來確定參數修正的方向以及大小[3]，在計算完導數后會確定出網絡新的權值，使用此數據對網絡進行訓練，經過多次反復迭代的過程得出預測所需的最優解，訓練到此為止。因為在整個預測的過程中，誤差求導的過程對實驗分析影響不大，顧忽略。

2 算例分析

2.1 樣本參數

負荷數據類型為一天即為一個獨立的類型，不區分工作日與否。負荷樣本數據采用的是某城市6月11日至6月21日的電力負荷值以及考慮到天氣因素的影響，采用6月12日至6月22日的氣象特征作為BP神經網絡的訓練樣本。前兩個數據分別是預測地當天最高氣溫與最低氣溫，第三個數據則為天氣狀況：晴天用0表示、陰天用0.5表示、雨天用1來表示。

樣本參數如表1。

表1 某城市符合樣本數據

2.2 訓練結果與分析

按照上述設定的參數進行matlab仿真，由此得到下面的仿真圖。

為了更加方便直觀的觀察預測結果，將圖1、圖2中的數據導出來進行精確的對比和驗證。具體數據如表2所示。

由表2可以清楚的看出預測結果，從預測誤差來看：最大的誤差為0.060 0，而最小誤差僅為0.001。從中可以看出誤差在允許的范圍內，預測結果符合設計要求。

表2 預測數據表

3 結論

從對上述算例分析可以得出，在電力系統中，采用BP神經網絡的算法，搭建基于神經網絡的短期電力負荷預測模型，是可以通過仿真得到短期電力負荷預測數據的，且從預測誤差上來看，采用此方法得到的數據與真實負荷情況相差不大，預測比較可靠。