基于模糊神经网络的电力负荷短期预测

2013-10-14范山东赵宏宇

机械制造与自动化 2013年2期

范山东，赵宏宇

（1.黑龙江科技学院，电气与信息工程学院，黑龙江哈尔滨150027;2.河南省南阳供电公司电费管理中心，河南南阳 473000）

0 引言

短期电力负荷预测是电力系统运行调度中一项非常重要的内容，它是保证电力系统安全经济运行和实现电网科学管理及调度的重要方面，是能量管理系统（EMS）的组成部分。负荷预测是实现电力系统优化运行的基础。预测准确与否对电力系统的安全、优质、经济运行具有显著的影响。因此，寻求合适的负荷预测方法以期最大限度地提高预测精度具有重要的应用价值。

目前短期负荷预测方法大致可以分为两类:1）以时间序列为代表的传统方法。2）以人工神经网络为代表的人工智能方法。传统方法比较成熟，算法简单，速度快，但本质上都是线性模型方法，存在着很多的缺点和局限性，无法真正反映电力系统的不同负荷模型的非线性特性。人工智能方法包括人工神经网络法、专家系统方法、遗传算法方法和模糊推理方法等。人工神经网络负荷预测是近十年来研究和使用最多的一种方法。但是，利用人工神经网络进行负荷预测存在着诸如训练需要大量的历史数据，对不确定性和模糊信息学习处理能力较差等缺点。实践证明，将模糊系统和神经网络结合的模糊神经网络（fuzzy neuralnetwork，FNN）是一个有效的方法［1］。

1 系统模型结构

将一种模糊神经网络应用于短期负荷预测，这种模型不但实现了模糊预测模型的自动更新，而且能不断修正各模糊子集的隶属函数，使模糊建模更具合理性。采用前馈型模糊神经网络应用于短期负荷预测，它的基本构成如图1所示。这一网络型模糊推理系统主要由模糊化层、模糊推理层和去模糊化层组成［2］。

图1 模糊神经网络模型

中网络的主要部分的（I）～（II）层对应于模糊控制规则的前提“IF-part”部分，（III）层对应模糊推理层，每个节点的输出表示一条规则的触发强度，运行的是模糊AND操作，（IV）层对应规则的结论“Then-part”。网络的输入－输出影射关系如下:

其中:xi表示网络的输入，Wi为网络第三和第四层之间的连接权值，ai，bi分别表示隶属函数的中心和宽度函数。

模型结构在预测日的前一天，每隔两个小时就要对电力负荷进行一次测量，这样，一天共测得了12组负荷数据，去掉一个最大值，去掉一个最小值，最后剩下10组负荷的数据。因为负荷曲线相邻的点之间不会发生突变，所以后一时刻的值必然就和前一时刻的值相关，重大事故等特殊情况除外。所以这里就将前一天的实时负荷的数据作为网络样本的数据。

此外，由于环境因素对电力负荷的影响也比较大，例如最高气温以及最低气温等，因此，还需要获得预测日的最高/最低气温以及天气的特征值，其中包括阴天、晴天和雨天。用0表示晴天，0.5表示阴天，1表示雨天。这里的输入变量指的是电力负荷预测日当天的气象特征。因此，输入量是一个13维向量。

由此可见，目标向量也就是预测日当天的10个负荷值，即一天当中每个整点的电力负荷。这样一来，输出变量就变成一个10维向量［3］。

2 数据的选取、分析和处理

a）数据的选取、处理

在获得输入以及输出变量之后，要对其统一进行归一化处理，就是将数据处理在区间［0，1］之内的数据。归一化的方法有很多种形式，这里采用式1:

以某城市2004年7月10日至7月20日的整点负荷值，以及2004年7月11日至7月21日气象特征的状态量作为网络训练的样本，预测2004年7月21日的电力负荷，其中相关数据见表1，所有的数据都进行了归一化处理。

表1 用电负荷及天气情况

b）遗传算法初始化网络权值和阀值

对于传统的BP神经网络来说，初始权值不能选得太大，否则容易陷入不正确饱和区;选得很小，若是全局最小点在零点附近，那么对训练肯定有利，否则会远离全局最小点，反而不利于收敛。但是对于不同结构的神经网络来说，权值的最大初始值取多大才算大，或者说多小才算小，这些都没有一个明确的理论上的依据［4］。

在既然已经得到遗传神经网络的最优结构后，就要针对这个网络选取一组良好的初值。实践表明，网络的初值优化也是提高网络收敛速度和收敛性能的及其重要的手段。利用遗传算法，通过以下过程实现权值和阈值的初始化:

1）编码与群体初始化;2）适应度函数的确定;3）选择继承;4）交叉和变异;5）重复或终止;6）执行BP算法。

通过上面的叙述，在跳出遗传算法的时候，已经选定了最优的那个个体，把这个个体进行解码，从而得到一个权值和阈值的集合，然后将他们赋值给各个神经元，开始用BP算法对网络进行训练并不断修改权值和阈值，BP算法的运行终止条件为误差E小于某一给定值，或运算已经达到预定的迭代次数，最后若满足精度要求，结束BP算法，并停止遗传算法过程，整个预测过程结束，输出结果。若不满足要求，则跳出BP过程，再回到遗传算法过程，进行继续寻找最优解的工作［5］。

3 仿真与结果分析

要对电力系统负荷进行科学的预测，不但要选择行之有效的预测方法，先进的新思路，而且要从最基本的收集历史数据着手，进行必要的分析、研究与选择，这些看似简单的工作却关系整个预测结果的成败。该系统从数据收集到数据处理进行了大量工作，通过遗传算法对系统数据优化，利用matlab进行仿真的到了改进BP算法和模糊神经网络预测值与实际负荷的曲线如图2所示。为了更好的分析系统的性能，得到了两种算法的误差变化曲线如图3、图4所示，预测误差百分比曲线如图5所示［6］。

通过以上某地区的建模仿真可以看出，融合了遗传算法和模糊理论的BP算法用于短期负荷预测具有更高的预测精度和预测效率。以误差曲线值做比较，模糊神经的预测误差下降速度明显加快，而且迭代次数明显减少，收敛速度改善明显。这主要是由于模糊神经预测模型更加合理，能以很快的速度找到全局最优值，算法更加容易收敛。通过仿真分析模糊神经预测模型在电力负荷预测中可以更好的最用电负荷进行预测，准确性和优越性明显高于传统的预测方法，比单独的神经网络预测也有明显的提高。通过仿真说明模糊神经预测有一定的可实行性，如果想得到更好的预测结果，可以利用模拟退火算法对系统进行全局优化。