基于神经网络的用电预测研究

李婷婷

（河北省石家庄铁道大学，河北 石家庄 050043）

一、简介

现如今，电力在人们日常生活中越来越重要。由于用户的使用习惯有所区别，不同地区不同时段，电量的使用情况也会存在规律性变化，把握其内在规律，可以对某个地区人们用电情况提前预测，便于电力公司做出相应的规划。

二、研究背景

电量的使用情况，与温度和时间关系紧密。对于常温阶段，用电量较为平稳，属于基础电量；对于高温或者低温天气，存在空调用电等额外电量。对于工作日的不同、以及一天当中时间段的不同也会存在用的较大差异。如果需要进行拟合操作，可以对相同类别数据进行整理求其平均值、众数等指标，以此作为参数进行分析

三、模型建立与分析

对于18℃-25℃为温度影响平稳阶段，而小于18℃或大于25℃时为影响较大阶段，结合每天的最低气温和最高气温，用平均气温来预测当天的用电量，考虑到温度低时与温度高时对用电量的影响方式不同，将预测函数分为3个阶段的分段函数即小于18℃，在18℃和25℃之间，大于25℃。将每日用电量求出，然后拟合温度和用电量的函数关系式，找出温度和用电量的关系。分析每15分钟对应的用电量相对当日总用电量的关系，从而得知一天的平均温度，进而求出该日每15分钟的用电量。

神经网络中，进行各层之间关系的搭建是神经元传递的思想。从输出开始，读取数据；在中间层进行多次迭代，不断反馈，训练其相应参数；而后根据相应模型给出结果，进行输出。在隐含层中，处理信息需要添加阈值这一属性，这也是模仿生物大脑中的实际情况，对于达到一定阈值的内容，才会触发神经元，对其进行激活。在多次迭代过程中，为了降低损失函数的目标值，减小误差，BP网路的核心是采用梯度下降的原理，找出各个方向中偏导数最大的方向，沿着次方向进行调整，从而使得误差下降最快。

在训练过程中，可以引入激活函数，目的在于减小模型对数据的依赖程度，提高模型的鲁棒性，从而使得模型可以广泛的应用于各类数据上。

步骤一：准备训练网络的样本，用电量会受气温、季节、经济和人口等因素的影响，则这4个因子便是网络输入样本。用电量便是网络训练的输出样本。

步骤二：初始参数如表1

表1 训练参数表

步骤三：初始化一二层权值：Wij（t）=rand（12,4）；二层阈值：Bij（t）=rand（12,1）；二三层权值：Bjk（t）=rand（1,1）

步骤六：计算第二层输出，

步骤九：二三层权值和阈值调整量

步骤十：一二层权值和阈值调整量

步骤十一：前后时刻调整

四、结语

利用平均值代表温度水平，可能具有一定的局限性；可以在求出每天的最高用电时段用电量以及最低用电量时段用电量，相应的分析他们与最高温度和最低温度的关系；可以更准确的描述用电量与温度的关系。神经网络在一定程度上弥补了时间序列预测的不足。