电力短期负荷预测的研究

刘齐更

（安徽理工大学 机械工程学院，安徽 淮南 232001）

0 引言

电力的短期负荷预测是电力系统的一项重要工作，是实现供电可靠、经济管理的基础。由于电力负荷受到很多因素的影响，负荷预测方法发展至今，虽然已经积累了很多经验，但是还没有一种可靠的模型实用于不同地区。本文针对某市电力负荷的特点，提出了模拟退火BP神经网络电力短期负荷预测模型。经验证，该模型在实现负荷预测方面的可行性。

1 BP神网络

人工神经网络理论的研究始于1890年美国著名心理学家W.James关于人脑结构与功能的研究，至今已提出过许多网络模型，其中用于预测的网络主要是BP神经网络。这是因为BP神经网络主要有以下特点：（1）较强的非线性映射能力；（2）很好的泛化能力；（3）很强的容错能力和学习能力。

D.E.Rumelhart和J.L.Mc Cell and及其研究小组于1986年研究并设计出来BP神经网络(Back-propagation Neutral Network)是一种基于误差反向传播(BP算法)的多层前向神经网络，采用有导师的训练方式。BP算法的学习过程包括信号的正向传播与误差的反向传播两个过程。三层BP网络是一种应用很普遍的神经网络，它包括输入层、隐层和输出层，如图1所示，输入层神经元的个数为输入信号的维数，隐含节点的个数视具体情况而定，输出层神经元的个数为输出信号的维数。BP网络的工作流程见图2所示。

图1 BP神经网络

误差的反向传播是BP网络的一大特点，但是，该网络也存在以下一些主要缺陷：（1）训练次数太多，效率较低；（2）易于陷入局部极小而不能实现全局最优。针对这些缺点，本文利用模拟退火算法对BP网络进行改进。

2 模拟退火算法

1953年Metropolis等提出的模拟退火算法 (Simulated Annealing，简称SA)能够近似求解具有NP复杂性的问题，可以避免陷入局部极小的问题。模拟退火算法主要包括状态产生函数、状态接受函数、温度更新函数、内循环终止准则和外循环终止准则。

其工作过程如图3所示。

图2 BP网络的工作过程

图3 模拟退火算法的流程图

3 神经网络负荷预测模型

本文设计的预测模型中BP神经网络的输入层共有8个输入端，分别用来输入待测日前四天对应时刻的负荷，以及天气因素中的最低温度、最高温度、降雨量和日期类型；因为本模型的输出为对应时刻的负荷，故输出层只有一个输出端；隐含节点的最佳个数现在没有一个具体的方法或者公式来确定，通过实验，本文最终取9个隐含节点。该模型工作流程见图4所示。

4 验证

本文利用该模型及单一的BP神经网络模型来预测某市的负荷。由于预测过程中所用的数据性质不同，大小差别很大，因此在使用之前，需要对数据进行归一化处理，对预测结果需要进行还原。本文所用的转移函数均为单极性Sigmoid函数。利用历史数据，进行预测，预测结果见图5所示。预测误差分布见图6所示。

图4 预测模型工作流程

图5 预测结果

图6 预测误差

通过以上预测结果可知，利用该模型在预测结果的准确性方面，比单一BP神经网络具有很大的优势,同时也验证了该模型的可行性。

5 结论

针对单一的BP神经网络的缺点，本文利用模拟退火算法来优化BP神经网络，经验证，该方法是可行的。

［1］朱兴统.基于 SA-LSSVM 的电力短期负荷预测[J].科学技术与工程，2012，12（24）：6171-6173.

［2］师彪，李郁侠，于新花，等.基于改进粒子群模糊神经网络的短期电力负荷预测[J].系统工程理论与实践，2010，30（1）：157－166.

［3］李慧，王来运.基于混沌蚁群算法的电力短期负荷预测[J].北京信息科技大学学报，2011，26（4）：40-43.

［4］郑永康，陈维荣，蒋刚，等.基于混沌理论的短期负荷局域多步预测法[J].电力系统及其自动化学报，2007，19（4）：76－79.

［5］谷子，唐巍.电力短期负荷时间序列混沌相空间重构参数优选法[J].中国电机工程学报，2006，26（14）：18－23.