电力负荷数据预测方法模型的设计

董彩红

摘 要随着社会的不断进步和国民经济的不断发展，人们对供电质量和效率方面的要求越来越高。为了提升电力系统负荷数据预测的准确程度，本文就目前负荷特性在研究中出现的一些问题主要分析了气候条件对电力负荷的影响，并且就一种电力负荷的预测方法展开了探讨，最后通过实际例子的举出，证明了该方法的所具备的有效性。

【关键词】电力负荷预测 模型 神经网络

能量的管理系统当中一个非常关键的部分就是电力负荷的预测，它对电力系统的运行和控制等工作发挥着非常重要的作用。怎么去提高预测工作所呈现的精准程度已经成为现在对负荷预测理论研究的重点所在。但是对于符合的预测是比较复杂的，利用传统解析模型基本上无法完成对负荷比较准确的预测。经过长时间科研工作者的实践经验总结，外部环境条件是对负荷产生影响的一个尤为重要的因素。为了得出环境条件对负荷影响的规律，保证电力供应能够保持一定的平衡，必须要将电力负荷的变化特征作为基础，继而定量分析它们具体的关系。

1 气候条件对电力负荷的影响

1.1 温度以及湿度

电网负荷产生的变化与外部环境中气温的高低有着密不可分的联系，能够产生正向的影响。而在气温比较适宜的情况之下，湿度对于人类身体产生的影响并不是特别的显著。在气温过高或者过低的时候，湿度的波动就会给人体热平衡以及温热感应形成较高的影响。当空气中的湿度处于一个较高的状态时，人们身体所向外生成的热辐射将会被空气中所含有的水蒸气所吸纳。当环境中的气温低于人体皮肤表面温度的时候，风可以使人散热过程的速度更快。大概是每秒的风速涨一米，人们的体感温度就会下降二到三摄氏度。

1.2 大气压

外部环境所呈现的大气压与电力的负荷在不同的季节当中都有一定的关系，不过目前关系的数据和形式还不能确定，有待进一步研究。

1.3 降水量

经过相关的研究证明，基本所有的降水过程都能对日用电量产生影响，引起下降的幅度一般为百分之三左右，最大幅度能够达到百分之十。不过，降水过程对负荷的影响具有延迟的特性。

上文所陈述的三种分析结论还是存在一定偏差的，这是由于负荷曲线的峰值、谷值以及一些其它形式的波动能够受到一些大型工厂以及企事业单位工作时间，以及公共设施使用状况等各方面因素的综合影响，上面所说的气象因素只是对总负荷形成影响的一个部分。在实际的应用当中应该将这些因素加以更为全面的考虑，避免对单个因素孤立的分析。

2 利用多模型方法实现建模以及预测

2.1 人工神经网络

它是在模仿生物神经网络功能的基础上而形成的一种模型。一般情况下，生物神经元能够受到传入刺激，继而自输出端传导至相关联的神经元之上，输出跟输入过程之间的变化呈现出非线性联系。神经网络则是由很多个简单的原件以及它的层次组织，采用大规模并行的连接形式所形成的，以生物神经网络相类似的形式来处置输入信息。对生物神经网络加以模仿建立起来的人工神经网络对于输入信号有着十分强大的处理能力。

很多神经元之间相互连接而形成一个大的网络，在这个网络中的一个神经元就可以实现对几个输入信号的接收，并且依据一定的规律将其转变为输出信号。由于神经网络中各神经元见有着比较复杂的一种关联，并且每一个神经元在对信号进行传递的时候都会显现出非线性的基本形式，因此输入和输出信号见可以建立起不同的关系，可以当成黑箱模型，用在对作用机理不明确的模型实现描述，不过输出跟输入间有客观、确定或者模糊规律的客体。因此人工神经网络已然在化工开发等领域得到了较大面积的应用。

人工神经网络所包含的各种层次的神经元主要是通过wkj以及wlk进行连接的。神经元所呈现的输出与权之间做出乘法运算就能得到下层神经元的输出。每一个隐层神经元的输出其实就是输出层所呈现的输入，它们都是被神经元的活化函数决定。

BP模型是NN模型中应用最为广泛的一种模型。BP神经网络主要是指将BP算法当做基础的一种多层神经的网络系统。BP神经网络通常都具有至少一个隐含层，隐含层中的神经元采用了sigmiod函数，而输出层则是应用purelin传递函数。在理论方面其实已然证明了有着当个隐含层的网络模型在隐含层神经元增长到一定数量的时候，能够从所有的精度去逼近不管哪个具备有限断点的非线性函数。而在结构上实现则要比增加隐含层更加简单，所以在电力负荷的预测工作当中利用BP网络的时候都是采用具有一层的隐含层。

2.2 运用多模型方法建模与预测

运用分层形式的多神经完了模型针对电力负荷的整体加以预测。底层通常是把电力负荷的基础样本以及相关的气象因素加以独立的构建神经网络的模型；顶层用的是因为气象因素而对电力负荷实现修正的具体结果。系统规模较为庞大，但各个子模型规模并不是很大，不过它的数量是比较多的。

3 实例分析

我们以某市的某个居民小区在2016年366天的用电数据为例，采样的周期是一个小时，一共获得了366组原始样本。与此同时将这个地区每天每个小时的温度、湿度、以及降水量等最为重要的气象影响因素进行细致的记录和分析。将全部数据都加以标准化，继而从366天中选择二百五十天的数据作为底层的基础样本，剩下的数据作为顶层测试样本。要选择一个确定的时间前连续的二十四小时中24个整点电力的负荷值，并且将温度、湿度以及降水量等当成底层子神经网络一至五的输入，一个整点作为输出。底层子网络应用三层的BP网络结构，这样就有二十四个输入的节点一级一个输出的节点，经过反复实验后，确定了网络隐含层的节点数是46、32、35、30、30。在这当中选取一组有着最为优秀性能的权和阈值作为实验最后的结果，再利用相关样本数据检验模型。结合预测结果能够分析出，以单个神经网络预测的基本模型无法达成对有些特殊状况加以可靠预测的目的。多模型神经网络预测的模型针对电力负荷的情况预测，能够得到精度较高的预测结果。

4 结束语

本文主要考虑了天气因素对于负荷生成的影响，并且探讨了利用多模型的神经元网络方式来设置电力负荷预测的模型。經过实际例子的分析，与单模型方法相比，证明了多模型方法的实用性。因为电力负荷会随着季节的变化形成较大的不同，这一方面的内容还有待我们加以进一步的研究。

参考文献

[1]段焜.基于能量管理系统的电力系统负荷预测[D].广州：华南理工大学，2009.

[2]陈华友.组合预测方法有效性理论及其应用[M].北京：科学出版社，2007.

作者单位

国网河南省电力公司三门峡市陕州供电公司 河南省三门峡市 472100