基于BP神经网络算法对于工业电负荷量的预测

王笑可

摘 要 城市的发展离不开用电，预测工业用电负荷量对于了解经济发展状况，进行宏观经济分析具有重要意义。同时，党的十八大将生态文明建设和原有的政治、经济、文化、社会建设并列为重点建设任务，精准的预测工业用电负荷量，可以减少不必要的能源消耗，有助于社会主义生态文明建设的实现。本文旨在通过使用BP神经网络算法，以2016年7月至10月深圳市比亚迪宝龙车厂用电负荷量为例进行实证分析，深入浅出的探讨了通过神经网络预测用电负荷量的可能性。

关键词 用电负荷量预测 生态文明建设 BP神经网络算法

中图分类号：TM714；TP18 文献标识码：A

1问题分析

本文题旨在对工业用电负荷量进行预测，并对进行分析，主要解决方案如下：

（1）首先对数据进行预处理。筛去无效数据并利用移动平均法将其补全。

（3）以深圳比亚迪宝龙车厂为例，采用神经网络算法分别预测其1号与2号主变压器的用电负荷以及两个主变压器负荷之和与总表负荷的误差，以此预测总表的用电负荷。

（4）将神经网络推广，增加神经网络算法中的自变量建立多重神经网络以研究其他影响因素对用电负荷量的影响。

2模型的建立与求解

2.1数据的预处理——基于移动平均法

2.1.1数据预处理方法

由于数据中存在部分无数据的情况，使得数据的连续性和平滑性受到影响。为了补全数据，我们采用移动平均法对2016年10月15日11时前的无数据进行补全预处理。补全方法采用移动平均法。

移动平均法是根据时间序列，逐项推移，依次计算包含一定项数的序时平均数，以此进行预测的方法。

设原有的数据组系列为

= （）， = 1，…，N （1）

为了滤去其中的随机噪声干扰，用数据系列

= （） （2）

取代原有的数据组系列，运算法则为

= ， = n+1， = n+2， …Nn （3）

显然，补全数据以后，数据组的连续性得到提升，平滑效果较原有更好，且平滑效果随增大而提升。

2.1.2结果分析

补全数据以后，数据组的连续性得到提升，平滑效果较原有更好，从而便于运用神经网络算法预测比亚迪宝龙车厂一段时间内的用电负荷量。

2.2神经网络算法模型和修正矩阵模型

2.2.1建立神经网络算法模型

以比亚迪宝龙1号主变压器的用电负荷数据为例，叙述神经网络算法模型的建立。

（1）准备训练网络的样本。该BP 网络是一个1输入1输出的网络，根据数据预处理，训练样本为“用户2用电1号主变”表经预处理后的负荷值。

（2）确定网络的初始参数。确定的初始参数如下表：

表1

以上参数的选择根据多次对样本的训练尝试选择。出于对拟合精准性的追求，必须在经验公式的基础上，用不同的最大训练次数和隐含层神经元数量进行多次尝试选择。选择的依据主要有两方面，一方面是尽可能降低随机噪音对拟合效果的影响，另一方面是防止过度拟合。

（3）初始化网络权值和阈值。初始化网络也就是给网络的权值和阈值赋予随机数矩阵。

权值是隐含层的神经元在传递信息时对信息进行的加权，记为wij（t），行数是传递到下一层的神经元数，列数上一层的神经元数，如第一层和第二层之间的权值为10行1列的构成形式。

阈值是用来激活神经元而设置的一个临界值，记为B（）。有多少个神经元就有多少个阈值，故第二层的阈值为10行1列的构成形式。

（4）计算各层神经元的输出。在计算之前，必须样本进行归一化处理，因为输入和输出样本的量纲以及量级都不同。设为第层的输出数据，归一化后的输入样本数据为。有下列关系：

= €？ + B （4）

（5）计算能量函数。能量函数是网络输出与实际输出样本之间的误差平方和。

（6）计算层间的权值与阈值调整量以及调整后的权值和阈值。

权值调整量为：

（5）

阈值调整量为：

（6）

以上的权值和阈值调整量计算过程是反向传播的，即先计算最后一层的调整量，再到倒数第二层，一直到第一层。

调整后的时刻的权值與阈值：

（7）

（7）这样的1次训练过程之后，继续用新的权值与阈值训练，重复训练5000次。经过多次训练，可以相对精准地拟合出样本数据用电量的曲线并输出一段时间内的用电量。此时对输出值进行反归一化，得到预测用电量数据的总体趋势。

2.2.2建立修正矩阵模型

所谓修正矩阵，是在总体趋势的基础上预测趋势变化的波动性的矩阵。我们在本问题中是通过计算过往每一天数据中隐含的波动性变化来得出修正矩阵的。计算过程如下：

以一天为波动周期。分别计算不同日期同一时刻电负荷量的平均值，再将平均值除以所有样本的均值，构成修正矩阵。

用修正矩阵修正总体趋势下的预测值，可以有效还原一天用电负荷量的波动性，并减小与实际值的误差。

2.2.3求解模型

对神经网络模型进行求解，然后乘以修正矩阵，得到预测值。

（1）拟合后，1号主变压器的电负荷量曲线拟合结果如下图：

这样拟合结果的误差曲线图如下：

由误差曲线可知，误差趋于恒定且不再减小，说明拟合优度已达最优。

此时我们想要预测的数据具有明显的总体趋势却没有一天中用电负荷的波动性，因此用修正矩阵予以修正，部分结果如表2。

（2）2号变压器的用电负荷量拟合曲线如下图：

误差曲线图如下：

由误差曲线可知，误差趋于恒定且不再减小，说明拟合优度已达最优。

用修正矩阵对预测值予以修正，部分结果如下：

（3）总表的用电负荷拟合曲线如下图：

其误差曲线为：

由误差曲线可知，误差趋于恒定且不再减小，说明拟合优度已达最优。

用修正矩阵对预测值予以修正，部分结果如下：

2.2.4结果分析

1号主变、2号主变和总表的用电负荷都存在总体下降的趋势，但1号主变的负荷值与2号主变的负荷值的和略小于总表，表明两个主变压器用电负荷之和与总表负荷仍存在随机誤差。

通过修正矩阵我们对一天用电的波动情况进行初步的还原，可以发现预测值围绕总体趋势值进行波动，波动特点大致是白天用电负荷较大，晚上下降。

2.3双神经输入神经网络算法

2.3.1模型建立

在原有神经网络算法模型的基础上，将时间序列下的天气作为另一个样本数据输入神经网络算法进行训练。以此来预测天气温度影响下用电负荷量的数据。

首先对天气温度数据进行预处理，我们用一天的平均气温指代这一天每个时刻的温度。然后将气温与对应时刻的用电负荷结合，建立2神经元输入层的神经网络，进行训练，从而拟合出用电负荷量以时间和气温为双自变量的曲线，以此预测接下来一段时间内的用电负荷的总趋势。

我们采用滑动平均法预测出10月14日到10月31日的平均气温，以作为自变量预测这段时间的用电负荷。这18天的气温预测结果如下表：

2.3.2求解模型

对模型进行求解，然后乘以修正矩阵，得到预测值。

（1）拟合后，1号主变压器的电负荷量曲线拟合结果如下图：

这样拟合结果的误差曲线图如下：

由误差曲线可知，误差趋于恒定且不再减小，说明拟合优度已达最优。

用修正矩阵对预测值予以修正，部分结果如下：

（2）拟合后，2号主变压器的电负荷量曲线拟合结果如下图：

这样拟合结果的误差曲线图如下：

由误差曲线可知，误差趋于恒定且不再减小，说明拟合优度已达最优。

用修正矩阵对预测值予以修正。得到的具体预测数据由于数量太多，已添加至附件。部分结果如下：

（3）拟合后，两个主变压器总表的电负荷量曲线拟合结果如下图：

这样拟合结果的误差曲线图如下：

由误差曲线可知，误差趋于恒定且不再减小，说明拟合优度已达最优。

用修正矩阵对预测值予以修正。得到的具体预测数据由于数量太多，已添加至附件。部分结果如下：

2.3.3结果分析

加入气温因素后，1号和2号主变压器的预测用电负荷有上升趋势。由此可见，气温与用电负荷量呈正相关，气温因素上升，用电负荷的预测也随之上升。

3模型评价与推广

3.1优点

（1）短期用电负荷量的预测内部机制十分复杂，而神经网络能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题。

（2）BP神经网络具有将学习成果应用于新知识的能力，这使得这一模型可以用于用电量和用电负荷的预测。

（3）预测使用的用电负荷数据存在一定的随机性，BP神经网络算法针对这些随机的噪声通过多次训练，在拟合时剔除了。

（4）BP神经网络算法具有一定的容错能力，部分的神经元受到破坏对全局的训练结果不会造成很大的影响。

（5）修正矩阵可以还原超短期电荷的波动性，同时减小预测值与实际值的误差。

3.2缺点

（1）BP神经网络算法的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。

（2）BP神经网络对初始网络权重非常敏感，以不同的权重初始化网络，其往往会收敛于不同的局部极小，使得每次求解得到不同结果的根本原因。这大大降低了预测的效率和准确性。

（3）在求解的计算过程中，我们发现BP神经网络算法由于本质上为梯度下降法，所要优化的目标函数十分复杂；在一些平坦区，权值误差改变很小，训练几乎停顿；还需要不断更新规则并预先赋予网络……这些问题使得BP算法低效且运算速度慢

（4）BP 神经网络算法参数选定无定论：BP神经网络结构的选择至今尚无一种统一而完整的理论指导，一般只能由经验选定。这使得可能进行多次试验才能选定合适的参数。

（5）“过度拟合”现象出现：BP神经网络算法的预测能力和训练能力的矛盾问题，即有时候训练后拟合出了非常精准的曲线，却不能用于预测；而可以用以预测的曲线可能会存在曲线拟合不准确导致预测不准确的问题。

（6）BP神经网络算法对样本的依赖性：网络模型的逼近和推广能力与学习样本的典型性密切相关，如何选取典型样本是一个很困难的问题。本题数据中的一些随机误差使得样本数据典型性下降。

（7）本文在修正矩阵的设置与计算上相对比较简单，如果有足够多的时间和计算资源，应更好地对这一过程进行完善，以便对波动情况最大程度地还原。

参考文献

[1] 张志明.基于灰色理论的短期电力负荷研究[D].湖南大学，2009.

[2] 陈贝.电力系统中长期负荷预测方法研究[D].上海交通大学，2009.

[3] 王文圣，丁晶，赵玉龙，等.基于偏最小二乘回归的年用电量预测研究[J].中国电机工程学报，2003，23（10）：17-21.

[4] 王正林，刘明，陈连贵.精通MATLAB（第3版）[M].电子工业出版社，2013：232-233.