基于神经网络的电力系统短期负荷预测

秦桂芳，伍世胜

(崇左供电局变电管理所，广西 钦州 532200)

1 绪论

电力系统短期负荷预测是电力生产部门的重要工作之一，其准确性对电力系统的实时运行调度至关重要。电力负荷由诸多因素决定，这些因素往往具有随机性和难以解析的非线性。本文在考虑负荷影响因素的前提下，依据负荷本身的历史数据进行分析研究，利用BP神经网络建立预测模型，并用其进行实例研究。

2 神经网络基本原理

2.1 神经网络的基本特征

神经网络是一个具有高度非线性的超大规模连续时间动力系统，其主要特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习联想能力。同时它又具有一般的非线性动力系统的共性，即不可预测性、可塑性、耗散性、不可逆性、自适应性等特征，因此神经网络实际上是个大规模非线性连续时间自适应信息处理系统。

神经元是神经网络的基本处理单元，其一般是一个多输入单输出的非线性器体，神经元的结构模型如图1所示。

图1 神经元模型

其输入输出关系可简化描述为:

其中，Xj(j=1，2，……，n)是从其他神经元传来的输入信号;θj为阀值;Wji表示从神经元j到神经元i的连接权值。F(.)为传递函数(节点作用函数)。用的神经元非线性函数有阀值性函数、分段线性函数、S状曲线等。

2.2 BP网络

2.2.1 BP 模型

通常所说的BP模型即误差后向传播神经网络，分为输入层、隐含层和输出层，层与层之间多采用全互连方式，同一层单元之间不存在相互连接。图2给出了一个三层BP网络结构，BP网络的每一层的连接权值都可通过学习来调节。它的基本处理单元(输入层单元除外)为非线性输入－输出关系，一般选用下列S型作用函数:

当给定网络的一个输入模式时，它由输入层单元传到隐含层单元，经隐含层单元逐层处理后再送到输出层单元，由输出层单元处理后产生一个输出模式，这是一个逐层状态更新过程，称为前向传播。如果输出响应与期望输出模式有误差，不满足要求，那么就转入误差后向传播，将误差值沿连接通路逐层传递并修正各层连接权值。对于给定的一组训练模式，不断用一个个训练模式训练网络，重复前向传播和误差后向传播过程，当各训练模式都满足要求时，就说BP网络已循环好了。

图2 BP网络结构图

图3 BP训练的程序图

2.2.2 BP 算法

一般地，BP学习算法描述为如下步骤:

(1)初始化网络及学习参数，如设置网络初始权矩阵，学习因子η、参数α等;

(2)提供训练模式，训练网络，直到满足学习要求;

(3)前向传播过程:对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行(4);否则，返回(2);

(4)后向传播过程:

①计算同一层单元的误差δpj;

②修正权值和阀值;

③返回(2)。

3 基于BP网络的短期负荷预测

3.1 伪数据的处理

历史负荷数据的记录中，由于某种原因(大用户投切、远动通道故障、设备检修等)产生的不良数据，造成的负荷数据偏离合理值，这些数据称为伪数据。预测时应将伪数据剔除。方法是将某一时刻的负荷值与其前后时刻的负荷比较，如果差值大于某一阈值，由程序自动将伪数据修正。

3.2 数据的归一化

神经网络进行训练与测试之前，为了避免神经元饱和现象，一般在ANN的输入层先将负荷数据及各个特征量用公式(4)进行归一化到［－1，1］中。在利用ANN预测之后，需要将输出值用公式(5)换算回负荷值。公式如下:

其中，xmax、xmin分别为训练样本集中输入变量的最大值和最小值;yi、xi分别为输入样本归一化前后的值。

3.3 预测模型输入输出量的选择

在建立电力系统短期负荷预测模型时，一方面根据人类规律性的社会活动对负荷曲线特性的影响将日期分为工作日、休息日、节假日三种。另一方面由于气象条件包括日照、降雨、温度、风速等许多因素等影响，为了保持模型输入的简单性和提高预测系统的鲁棒性，本文剔除了一些对电力系统负荷影响较小的因素，保留那些影响较大的因素—温度。

由负荷特性可知:某一天的负荷曲线同其前一天的负荷曲线比较相似，同其一星期前的那一天的负荷曲线也比较相似。即可认为一天中的某一点负荷同前一天同一点附近的负荷，同一星期前同日同一点附近的负荷相关性比较大。因此对1天中第h小时的负荷预测可建立如下的输入输出关系:

其中pg，h表示第g天第h小时的负荷;θmax，g、θmin，g表示第g天的最大、最小温度。这种样本输入输出选择兼顾了负荷的日周期特性和周周期特性。

一般节假日负荷变化与过去年的节假日负荷变化最接近，所不同的是由于年度负荷增长而产生的基本负荷的那一部分(主要是居民用点和商业用点等)，这一部分又包含在年节假日前休息日(周六、周日)的负荷中。针对节假日1天24小时各点的负荷预测可以建立如表1的输入输出关系。

表1 负荷预测实际值与预测值对比

其中，p表示负荷值;h表示假日这一天某点;o表示某假日;a表示某周日;a－1表示某周的前一周周日;v表示某周六;v－1表示某周的前一周周六;e表示某年。

4 仿真结果

本文使用的数据是美国某地区1998年4月至2000年12月的真实数据。本文选用2000年5月1日至5月28日的数据作为历史数据。以2000年5月19日为例:

本文作者做了50组数据试验，运行的结果是全部误差都在6%以内，其中误差在5%以内的占85%，误差在2%以内的占29%。

5 结论

本文运用BP神经网络对美国某地区进行短期负荷预测，在建立预测模型时考虑了包括了温度和日期类型两个主要的负荷影响因素，在神经网络的预测过程中，对数据进行了伪数据处理和归一化处理，并找出了相关性较强的样本进行训练和预测，所预测的结果与实际值比较接近。文中对结果还做了泛化处理，得到的结果都能保持误差在6%以内，表明此方法是有效的。

但是，应用神经网络对电力系统短期负荷进行预测也有不足之处，表现在:如何更多与更规范地考虑影响负荷预测的相关因素，对其其他重大事件(如故障)影响的负荷具有一定的修正功能等，这些都需要进一步研究。

［1］汪峰，于尔铿，等.基于因素影响的电力系统短期负荷预报方法的研［J］.中国电机工程学报，1999，19(8):54 －58.

［2］吴捷，严华.基于自适应最优模糊逻辑系统的短期负荷预测方法［J］.电力系统自动化，1999，23(22):35 －37.

［3］李林川.应用人工神经网的电力系统短期负荷预测［J］.电力系统及其自动化学报，1994，(3).

［4］刘秀玉，刘峤，张少华，等.电力短期负荷预测模型与软件开［J］.微计算机信息，2001，17(3).

［5］孙海斌，李扬，卢毅，等.电力系统短期负荷预测方法综述［J］.江苏电机工程，2000，19(2):9 － 17.

［6］李林川，夏道止，杨振平，等.应用人工神经网络进行短期负荷预测［J］.电力系统及其自动化学报，1994，6(3):33 － 41.

［7］韩民晓，徐振华，俞有瑛.RBF神经网络在电力负荷预测中的应用［J］.华北电力学院学报，1994，21(4)1 － 6.