基于EMD-BP神经网络的短期电力负荷预测

聂品磊 费 东 王宏杰 孙 涛

(中海油能源发展股份有限公司安全环保分公司，天津 300456)

基于EMD-BP神经网络的短期电力负荷预测

聂品磊 费 东 王宏杰 孙 涛

(中海油能源发展股份有限公司安全环保分公司，天津 300456)

针对电力负荷具有的非平稳、随机性、不确定性的特点，提出用EMD-BP神经网络方法对电力负荷进行预测，通过EMD方法将非平稳、随机的电力负荷数据转换成平稳、确定性数据，之后利用BP神经网络进行电力负荷预测。通过仿真试验可以看出，相比于直接使用BP神经网络进行预测，EMD-BP神经网络的预测精度更高、相对误差较小。

BP神经网络 EMD 电力负荷 负荷预测

电力负荷又称为电力负载，一般指用电设备或用电单位所耗用的电功率或电流大小，电力负荷的预测是搞好供配电工程规划、计划的基础和依据；对变配电所的设备容量、供配电线路的电压等级及线路的选择等都至关重要。而短期负荷预测是指对未来几天、几周的负荷做出估计，目的是使各个电厂能够做出合理的日、周发电计划，是电力系统最为关键的一类负荷预测[1]，因此研究短期电力负荷预测的问题就显得尤为重要。目前主要的电力负荷预测方法有：回归分析法、灰色预测法、专家系统法、小波分析法及神经网络法等[2～5]。尤其是神经网络方法得到了广泛的应用，许多学者对此进行了深入的研究。但是电力负荷并不是一种平稳的、确定性的数据，而是一种非平稳的、随机性的数据，也正是由于电力负荷的这种特性，使得进行预测时的准确率降低。针对此问题，笔者提出用EMD-BP神经网络方法对短期电力负荷进行预测，首先用EMD方法对短期电力负荷数据进行分解，将非平稳、随机的负荷数据转换为确定性的数据，之后通过BP神经网络对电力负荷进行预测。首先阐述了EMD-BP算法的基本原理，之后通过仿真试验来验证笔者提出的EMD-BP神经网络算法，并与BP神经网络算法进行对比。通过试验可以看出，相比于直接使用BP神经网络进行预测，EMD-BP神经网络方法的预测准确率明显得到提高。

1 EMD-BP神经网络算法

1.1 经验模态分解(EMD)

1998年，美国宇航局的Huang N E等在瞬时频率概念的基础上提出了基于EMD的时频分析方法[6]。经验模态分解方法本质上是将一个信号进行平稳化处理，把信号中真实存有的不同尺度的波动逐`级分解出来，形成一系列具有不同特征尺度的数据序列，以便于更好地对信号做进一步的处理。

经验模态分解的基本思路可以概括为[7]：

第一步，采用三次样条插值函数循序连接待分析数据序列x(t)的所有极大值点，得到x(t)的上包络线，同理可得其下包络线；之后计算上、下包络线的均值，记为Mx(t)；原始数据序列中减去包络均值可得到一个新的数据序列h1(t)，即h1(t)=x(t)-Mx(t)。但此时h1(t)无法满足平稳数据序列的要求，需重复上述过程。记h1(t)的包络平均为Mh1(t)，数据序列h2(t)为去除该包络平均Mh1(t)所代表的低频成分后的数据序列，即h2(t)=h1(t)-Mh1(t)，如此重复上述过程i次后，若Mhi(t)→0，这时得到的波形已经是严格局部对称的波形，hi(t)即为第一个内模函数(IMF)分量，记为c1(t)，它也是信号数据序列中频率最高的成分。

1.2EMD-BP神经网络

BP神经网络(Back Propagation Neural Networks)是由Rumelhart等于1986年提出来的。BP算法是一种无监督的学习算法。其基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成。BP网络由输入层、隐层、输出层组成，各层之间的神经元按照一定的权重互相连接，一般情况下都选用一个三层的BP网络进行训练学习[8]。文中网络的各个参数选择过程如下：

a. 输入层、输出层的神经元数目由输入变量和输出变量决定。文中输入、输出神经元数目为24。

c. 初始权值的选择是影响网络训练误差的一个因素，文中选取网络的初始权值W=1.0。

d. 输入量的选取关系到预测结果的准确率，输入量的选择目前大多通过经验判断，文中采用的是EMD算法预处理后的历史负荷数据。网络的输出为所预测日的对应小时负荷。

2 EMD-BP算法在短期电力负荷预测中的应用

笔者拟对某地区普通工作日负荷进行预测。在本次训练中，BP网络参数选取如前文所述，采用8月11～17日一周普通工作日的电力负荷历史数据作为本次设计的训练样本，预测8月18日(周一)的电力负荷。首先对8月11～17日的历史数据进行EMD分解，以11日为例(11日的电力负荷历史数据如图1所示)，对其进行EMD预处理，预处理后的数据如图2所示，可以看出11日的历史数据被分解为两个内模函数和一个残余分量。同理，对12～17日的历史数据进行相同的预处理，之后利用预处理后的数据对18日的电力负荷进行预测，得到的预测结果如图3所示，从图3中可以较直观地看出，采用EMD-BP算法所预测的18日电力负荷的准确度明显高于直接使用BP网络进行预测得到的结果。其中，EMD-BP算法预测的电力负荷平均误差为1.32%，采用BP神经网络预测的电力负荷平均误差为8.54%。

图1 某地区8月11日的电力负荷

图2 某地区8月11日电力负荷数据EMD分解结果

图3 预测结果与实际负荷值对比

3 结束语

笔者将EMD方法与BP神经网络方法结合来进行短期电力负荷预测，试验结果说明该方法相比于直接使用BP神经网络进行预测，能够在一定程度上提高短期电力负荷的预测精度。EMD-BP算法首先采用EMD方法对电力负荷历史数据进行了预处理，将非平稳、随机的历史数据进行重构，转化为确定性的数据，之后再使用BP神经网络进行电力负荷预测，从而提高了BP神经网络对短期电力负荷的预测精度。如何采用有效的方法对EMD分解后的数据有效性进行判别，提高预处理后数据的有效性，进一步提高短期电力负荷预测的精度是后续的研究方向。

[1] 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，2010，20(1)：157～166.

[2] 杨丽徙，张永锋，许向伟，等.半参数回归分析法在电力负荷预测中的应用[J].郑州大学学报(工学版)，2010，31(3)：29～32.

[3] 于希宁，牛成林，李建强.基于决策树和专家系统的短期电力负荷预测系统[J].华北电力大学学报，2005，32(5)：57～61.

[4] 邰能灵，侯志俭，李涛，等.基于小波分析的电力系统短期负荷预测方法[J].中国电机工程学报，2003，23(1)：45～50.

[5] 周长英.基于改进的模糊 BP 神经网络图像分割算法[J].计算机仿真，2011，28(4)：287～290.

[6] Huang N E，Shen Z，Long S R，et al.The Empirical Mode Decomposition and Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceeding of the Royal Society of London A，1998，454：903～995.

[7] 刘继承，聂品磊，杨宏宇，等.基于形态滤波和HHT的滚动轴承故障特征提取[J].化工自动化及仪表，2014，41(5)：529～532，562.

[8] 代林. 基于神经网络的电力负荷预测方法研究及实现[D].成都：电子科技大学，2012.

(Continued on Page 332)

Short-termPowerLoadForecastingBasedonEMD-BPNeuralNetwork

NIE Pin-lei, FEI Dong, WANG Hong-jie, SUN Tao

(CNOOCEnerTech-SafetyEnvironmentalProtectionCo.,Tianjin300456,China)

TH865

A

1000-3932(2016)03-0305-04

2016-01-27(修改稿)