基于人工神经网络的电力系统短期负荷预测

李晶

摘要：随着智能电网技术的发展，电网问题的管理变得尤为重要，负荷预测是电网管理的主要内容之一。针对电力负荷预测随机性强、稳定性低、影响因素复杂等特点，具有非线性特性的神经网络可以极大地提高预测精度。

关键词：电力系统；负载预测；神经网络；反向传播算法

引言

电力系统负荷预测按预测的时间可分为长期、中期、短期、超短期以及特殊日，然而其中的短期负荷预测对电力系统来说有着很重要的地位，也是现有电力市场环境下编排发电计划、交易计划、调度计划的基础。随着电力行业的发展，分布式电源的接入和电动汽车等新负荷的加入，电力系统负荷预测的精确度就显得尤其重要。因此负荷预测成为了电网运行和管理的一个重要研究领域。由于负荷预测在电网中占有很重要的地位，所以对负荷预测初始数据的处理、预测方法的选择就显得尤其的重要。对短期负荷预测的研究已有很长的历史，国内外专家和学者在预测方面做了很多工作，提出很多预测模型。

1 负荷预测方法比较

1.1 神经网络法

目前神经网络广泛应用于图像识别、自然语言处理、机器翻译、自动驾驶等方面。谷歌、百度、阿里等企业最主要的人工智能算法都是神经网络。神经网络在能源领域大量应用于电力负荷预测、电力现货市场价格预测、风电发电预测等方面。神经网络法在负荷预测上的应用主要分为人工神经网络和递归神经网络。神经网络法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型。神经网络对大量非结构性、非精确性规律具有自适应能力，能够信息记忆、自主学习、知识推理和优化计算，具有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力。江西负荷预测表明，其短期负荷预测精度高于中长期预测精度，日前负荷预测精度可达99.3%，5年规划负荷预测精度约为95.4%。

1.2 模糊预测法

模糊预测法是建立在模糊数学理论上的一种负荷预测技术，可以描述负荷预测中的一些关键因素，如天气状况的评判、经济发展的不确定性等。模糊负荷预测可分为模糊聚类法、模糊相似优先法和模糊最大贴近度法等。江西负荷预测表明，短期负荷模糊预测的精度约为97.8%，低于其他常用预测方法；5年规划负荷模糊预测的精度约为96.6%，高于其他常用预测方法。模糊预测结果可以预测区间及概率的形式描述，提供的信息量比其他预测方法大许多。

1.3 时间序列法

电力负荷的历史数据是按一定时间间隔进行采样和记录下来的有序集合，因此是一个时间序列，采用时间序列法建立描述电力负荷随时间变化的数学模型，可以对未来负荷进行预测。时间序列方法优点是所需数据少，工作量小，计算速度较快。缺点是时间序列方法对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期预测；对不确定性因素考虑不足，当天气变化较大或遇到重大临时经济活动时，该模型预测误差较大。江西负荷预测表明，短期负荷预测精度高于中长期预测精度，实时负荷预测精度可达99.6%，5年规划负荷预测精度约为93.7%。

1.4 回归分析法

回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。回归分析法的优点是预测速度快，外推性能好，对于长周期性的影响因素（如节假日）具有较好的适应性。缺点是对历史数据要求较高，采用线性方法描述比较复杂的问题时精度较低；模型初始化难度较大。江西负荷预测表明，短期负荷预测精度高于中长期预测精度，实时负荷预测精度可达99.4%，季度负荷预测精度可达98.6%，5年规划负荷预测精度约为95.1%。

2 人工神经网络作用与分类

人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。

人工神经网络的主要类型有感知机、线性神经网络、径向基（RBF）函数网络、BP神经网络、随机神经网络、竞争神经网络等，其中BP神经网络是应用得最广泛的一种类型。BP神经网络是指误差反向传播算法（ErrorBackPropagtion，BP）网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。

3 神经网络在电力负荷预测中的应用

电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，Wang等提出了一种BP神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参下文举例某些实验后得到的结论：

（1）非负荷因素输入前级BP网络中，得出的负荷类型数据作为后级RBF网络的输入，通过BP-RBF的级联神经网络得到准确的整点负荷预测。由于BP神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。

（2）采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。

（3）利用人工神经网络和聚类方法建立了公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。

（4）预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。

（5）基于三角核函数（QRNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。

4 结语

电力负荷预测对国民经济、电网稳定和电力安全都有着非常重要的意义。如何提高预测速度、降低预测误差是电力负荷预测研究的热点问题。目前，电力系統正在进行电力需求侧管理综合改革，其中电力负荷曲线的预测是需求侧管理的主要依据，提高其预测精度有助于电网公司了解用电规律，提高经济效益。

参考文献

[1]隋惠惠.基于BP神经网络的短期电力负荷预测的研究[D].哈尔滨：哈尔滨工业大学，2015.

[2]程宇也.基于人工神经网络的短期电力负荷预测研究[D].杭州：浙江大学，2017.

[3]苏蔚.基于神经网络的电力系统负荷预[D].天津：天津大学，2011.

（作者单位：国网河北省电力公司石家庄供电分公司）