基于RBF神经网络的短期小水电电力负荷预测

杨雨琪+田恬+王慧

摘 要：文章依据电网实际运行数据建立一个基于径向基函数（RBF）的神经网络预测模型，探讨含小水电地区电网的负荷情况。仿真分析结果验证了该方法具有较好的精确性，可为供电企业的负荷预测和规划调度工作提供一定的指导作用。

关键词：小水电；RBF神经网络；短期负荷预测

中图分类号：TM714 文献标志码：A 文章编号：2095-2945（2018）07-0191-02

Abstract： In this paper， a neural network forecasting model based on radial basis function （RBF） is established according to the actual operation data of the power network， and the situation with the load of the power network with small hydropower is discussed. The simulation results show that the method has good accuracy and can provide some guidance for load forecasting and planning and dispatching of power supply enterprises.

Keywords： small hydropower； RBF neural network； short-term load forecasting

引言

隨着电力市场的发展，电力负荷预测扮演着越来越重要的角色，而对于所研究的某地区中，小水电站容量小、数量多且分布较为分散。由于其占比过大，致使不具备良好的调节能力和应对措施，因此或多或少存在汛期费水、枯水期又电力紧缺的现象。并且由于小水电站多数地处经济不发达的西部地区，因此用电量较少，过剩的电能就地消化困难，并且在电力调配方面没有一套经济调度规则。其次关于多小水电地区的通信网络的覆盖率低，也不能为其安全、稳定的供电提供依据，使小水电的运行管理处于无序状态。因此一套较好的关于小水电的负荷预测分析是解决问题的得力助手。而RBF神经网络可以有效并且快速对历史数据进行预测建模，使社会经济效益最大化、最优化。

1 小水电负荷预测特性

小水电发电负荷的不确定性较强，表现出的规律性往往并不理想。不同环境，不同条件下电力预测负荷曲线的形状与发电量之间的差别相当明显，这使多小水电地区的负荷预测难以顺利开展。而对于径流式水电站，自我调节能力较差，河流降雨等的天然流量对其影响较大，因此影响小水电地区负荷变化的主要因素便多种多样。为了更加准确的预测其变化规律，一个理想的预测模型就显得尤为重要。一般而言，降雨量在大于2mm时对发电负荷的影响逐渐增强。

2 短期电力负荷预测方法

2.1 RBF神经网络

RBF神经网络是具有单隐层的三层静态前向网络。第一层是由信号源节点组成的输入层。所探究的问题不同，输入变量的数目也就不同，其相对应的输入层的节点数也相应的发生变化。第二层为隐含层，其点个数则由所描述问题的复杂程度而定。由近年来神经网络在电力系统的应用的普及程度来看，隐合层的节点数的求取也成为一项值得探究的问题。第三层为输出层，它负责对输入模式的作用做出响应，并产生相对应的变化。

输入层用来传递传输信号，输出层是对函数的线性化进行规整，而隐含层是对高斯函数的可变参数进行调控。因此从输入空间到隐含层空间的变换是非线性的，完成这种非线性变换的函数就是径向基函数，而从隐含层到输出层的空间是呈线性规律变化的。因此，相比来说，两者所完成的任务并不相同，自然而然，针对它们的学习策略也不同。

RBF神经网络具有拓扑结构简单、学习效率高，学习过程透明且能逼近任意非线性函数等优点，可解决其他神经网络存在的容易陷入局部极小点、收敛速度慢、迭代时间长等缺陷。在实际应用中同样可较大程度地提高含小水电地区短期电力负荷预测的精度，有较为可观的实用价值。

3 含小水电的短期电力负荷预测实例与分析

根据RBF神经网络预测方法，以某含小水电地区的实际用电负荷为依据，选择连续两个月的数据，一天按照96个时间点，作出网络拟合曲线，再预测第二天的理想电力负荷值。不考虑突发天气等变动较大的外界因素，由预测数据可知24天之内电力负荷预测值大约在1400-1800kWh之间变动，且由预测结果可得，其相对误差在±50kWh之间。

由图1可知，运用RBF神经网络预测对一天连续24小时的电力负荷预测结果的精确度能够满足电力系统运行调度的需求，而且从数据曲线可知，运用RBF网络进行电力负荷预测，具有收敛速度快，预测精度高，响应时间短等特点，具有较高的社会经济效益。

4 结束语

在matlab仿真平台中，本文采用RBF神经网络预测含小水电地区的短期电力负荷，在不考虑外界突发性条件的前提下，由实例中的实验数据进行仿真分析，其结果验证了该预测方法的准确性和可行性。而且具有学习速度快，预测精度高等多方面优点。能够满足供电企业正常情况下的规划需求，其对于含小水电地区的电力负荷预测具有较为可观的实用价值。

参考文献：

[1]朱诗卉，王飒，孙伟军，等.RBF神经网络电力负荷预测模型研究[J].三峡大学学报（自然科学版），2013，35（5）：46-49.

[2]曹安照，田丽.基于RBF神经网络的短期电力负荷预测[J].电子科技大学学报，2006，35（4）：507-509.

[3]韩民晓，徐振华.RBF神经网络在电力负荷预测中的应用[J].华北电力学院学报，1994，21（4）：2-6.

[4]李程，谭阳红.电力负荷的RBF神经网络预测[J].Heilongjiang Electric Power，2010，32（4）：253-254.

[5]彭显刚，胡松峰，吕大勇.基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制，2011，39（17）：144-147.

[6]何耀耀，许启发，杨善林，等.基于RBF神经网络分位数回归的电力负荷概率密度预测方法[J].中国电机工程学报，2013，33（1）：93-98.

[7]卢芸，林莘.神经网络在短期电力负荷预测中的应用[J].沈阳工业大学学报，2006，28（1）：41-44.

[8]徐玮，罗欣，刘梅，等.用于小水电地区负荷预测的两阶段还原法[J].电网技术，2009，33（8）：87-92.endprint