计算智能在电力系统短期负荷预测中的应用综述

杨光宇　邵帅

摘要：人工智能技术，特别是神经网络、遗传算法、模糊技术等方法已经广泛用来解决电力系统负荷预报问题，预报效果比传统方法已有很大改善，综合使用不同的人工智能方法更有优势。文章对人工智能技术在电力系统短期负荷预测中的应用进行了综述，对其发展的现状进行了介绍。

关键词：短期负荷预测；人工智能；神经网络；遗传算法；模糊逻辑；电力系统 文献标识码：A

中图分类号：TM715 文章编号：1009-2374（2015）32-0044-02 DOI：10.13535/j.cnki.11-4406/n.2015.32.024

1 人工神经网络在短期负荷预测中的应用

人工神经网络（Artificial Neural Network，ANN）是由大量简单元件（神经元）广泛连接而成，用来模拟人脑行为的复杂网络系统。

参考文献[2]提出了一种基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑。文中将二者组合使用，两个子网络各司其职、协调工作，在保证预测精度的前提下提高了计算速度。

很多基于神经网络的短期负荷预测方法都是将预测日的温度、预测日前的负荷和预测日的类型当作网络的输入变量，很难用来预测周末或特殊节假日的负荷；用预测日的温度当作预测信息，万一预测日温度急剧变化，负荷变化很大，预测误差也会增大；学习所有的相似日的数据较复杂，不利于神经网络的学习，有必要简化神经网络的结构和学习时间。为了克服这些问题，参考文献[4]提出了一种神经网络的预测方法（one-hour-ahead load forecasting method）。在这种方法中，作者通过在相似日数据的基础上进行修正得到预测日的负荷预测。

参考文献[3]针对预测日的负荷，仅用一定日期范围内的相似日（相似日的选择用Euclidean norm的方法来确定）数据对网络进行训练，神经网络使用负荷偏差和温度偏差作为学习数据，这样就有可能减少网络结构和学习时间。另外，这种方法还把反馈数据和预测误差作为在线学习的数据。当预测日变化，神经网络进行重新训练并能够获得预测日附近的温度和负荷的关系，因此这种神经网络可以处理季节变化的问题，能够在温度急剧变化的情况下进行误差较小的负荷预测。

单一使用神经网络进行短期负荷预测有一定的局限性，将神经网络与其他技术相结合的方法使用得更为普遍，如模糊神经网络、遗传神经网络等。

2 模糊技术在短期负荷中的应用

模糊负荷预测是20世纪90年代初比较热门的研究方向。在实际应用中，模糊预测方法大多与其他方法结合使用，其中以模糊理论与神经网络相结合的方法最为常见。

参考文献[5]进行负荷预测采用的模糊神经网络具有模糊输入信号和实数权值，并使用BP学习算法，将模糊化数据作为网络输入来建立预测模型，以期得到准确且稳定的预测结果。根据原始数据的特点，选择温度、日期类型和假期因素作为模糊神经网络的输入，选择预测日的负荷数据作为模糊神经网络的输出。

此种模糊神经网络将影响负荷的因素进行模糊化处理，并将处理后的信息作为网络输入用来预测日最大负荷，使网络更容易捕捉输入量与输出量之间的非线性关系，从而提高了预测精度；在负荷预测过程中，将日期类型转换为二进制数据并作为模糊神经网络输入的一部分，加快了网络的收敛速度，缩短了训练时间，利于满足电力负荷预测的实时性要求。缺点是没有考虑预测日当天的潮湿度及特殊的社会事件（如电费增长）等。

参考文献[6]提出了一个用于短期负荷预测的模糊系统，该模糊系统将模糊推理原理、神经网络结构和学习能力相结合，即利用神经网络结构建立模糊推理系统，并用神经网络的训练来求取模糊系统中使用的参数。该系统的参数具有清晰的物理意义，因此能够对系统进行合理的初始化，而不是像一般神经网络那样进行随机的初始化，因此大大加快了训练速度；该系统最初只包括最基本的模糊规则，使模糊系统在最少的参数情况下进行训练；该系统能随特殊系统的实际工作情况下的数据不断增加新的规则，来扩展已有的模糊规则库。

模糊集合理论已经在电力系统的短期负荷预测研究中得到了较大的进展，随着把它与ANN结合起来研究的进一步深入，模糊集理论在电力系统短期负荷预测中的应用会越来越受到重视。

3 遗传算法在短期负荷中的应用

遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索算法，主要是由参数编码、初始种群的设定、评介个体优劣、选种交换和变异等一系列演变过程组成。选择、复制、交叉、变异是遗传算法的主要操作。

参考文献[7]提出了一种基于遗传算法的新型神经网络。这种神经网络在隐含层中节点与节点之间相互连接。

这种神经网络比传统的神经网络表现更好，而且需要隐含层的个数较少。使用遗传算法对这种神经网络进行训练，目标是用遗传算法设置各个节点的参数以使得适应度函数最大。适应度函数定义为：

其中：

式中：

——期望输出

——实际输出

——输入输出数据对数

——输出的个数

遗传算法除了同神经网络结合进行负荷预测外，也有独自应用的情况。参考文献[8]建立了以误差平方和最小为目标地组合预测模型，并用改进的遗传算法求解组合预测模型。对于遗传算法有时会陷入局部极小值的问题，提出对样本等值适应变换的方法来解决。

4 结语

随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。在实际工作中要严格遵循相关的原则，降低误差，使人工智能技术的实用性得以提高。

参考文献

[1] 刘晨晖.电力系统负荷预报理论与方法[D].哈尔滨工业大学，1987.

[2] 金海峰，熊信艮，吴耀武.基于级联神经网络的短期负荷预测方法[J].电网技术，2002，（3）.

[3] S Tomonobu，T Hitoshi，U Katsumi，F Toshihisa.One-hour-ahead load forecasting using neural network[J].IEEE Transactions on Power Systems，2002，17（1）.

[4] 于海燕，张凤玲.基于模糊神经网络的电力负荷短期预测[J].电网技术，2007，31（3）.

[5] Bakirtzis，A.G.Theocharis，J.B.Kiartzis，S.J.Satsios，K.J..Short term load forecasting using fuzzy neural networks[J].IEEE Transactions on Power Systems，1995，10（3）.

[6] S.H.ling，Frank H.F.Leung，H.K.Lam，Yim-Shu Lee，Peter K.S.Tam.A Novel Genetic-Algorithm-Based Neural Network for Short-Term Load Forecasting[J].IEEE Transactions on Industrial Electronics，2003，50（4）.

[7] 谢开贵，李春燕，俞集辉.基于遗传算法的短期负荷组合预测模型[J].电网技术，2001，25（8）.

作者简介：杨光宇（1987-），山东滨州人，济南供电公司助理工程师，研究方向：电网经济运行；邵帅（1988-），山东临沂人，供职于济南供电公司，研究方向：电网主网运行。

（责任编辑：陈 洁）