基于模糊神经网络的配电网空间负荷预测方法研究

周 亮，袁烈伟，向 尧

（国网重庆市区供电公司，重庆 400010）

0 引 言

目前，电能的需求正日益增加、电力市场化不断推进、用电用户对于电能的服务质量要求逐渐提高，这些因素的影响都推动着配电企业向着安全、稳定、经济、灵活的方向综合发展[1]。在目前电力工业快速发展的阶段，配电网空间负荷预测发挥着重要的作用，如果对负荷预测的演进过程进行追溯，能够发现其发展过程已经经历了较长一段的时间，并且在这一过程中，负荷的预测精准度也在逐渐提高，但由于电力系统内部结构复杂，且整个电力行业对低耗高效的负荷预测要求逐渐提高，因此需要一种更加精准的预测方法。针对这一问题，本文设计一种基于模糊神经网络的配电网空间负荷预测方法。

1 基于模糊神经网络的配电网空间负荷预测方法设计

1.1 构建基于模糊算法的负荷预测神经网络

通过对配电网空间负荷特征进行分析可以得出，负荷与实际的时间、电压等因素有着十分密切的联[2]。在通过对这些影响因素进行具体的分析基础上，在构建基于模糊算法的负荷预测神经网络时，添加了对时间、电压类型等因素的构成影响，将配电网空间负荷预测神经网络分为两种，一种是高压负荷预测，另一种是低压负荷预测。

在高压负荷预测神经网络中，按照高压不同等级进行分类可分为两种形式，一种是在神经网络模型当中添加相应的节点，以电压作为该模型的输入变量，对其影响负荷的曲线进行分析；另一种是通过计算相关联高压类型的参数，并构建与其配套的模型，实现对影响因素的分解[3]。在负荷预测神经网络中，将固定高电压设定为0，将非固定高电压设定为1。将影响负荷预测的因素融入到模型当中，将预测日期前的一周时间的电压添加到神经网络当中，并将相应的电压参数充当输入到神经网络中的节点。表1 为各参数信息量化结果。

表1 各参数信息量化结果

在构建神经网络时，输入层中主要包括15 个节点，而输出层中包括1 个节点，输出层：配电网空间日负荷预测结果。

在低压负荷预测神经网络中，与上文相同有15个输入节点和1 个输出节点，神经网络预测结果主要与预测年前三年的负荷值以及前两年的电压类型、平均电压相关，由于预测年中每天的电压类型都可能不同，因此采用的输入的参数信息选择在这一年中出现次数最多的电压类型，并将其设定为标准电压。参数信息的量化规则与高压负荷神经网络大致相同，对应的低压范围为220～210 V、210～200 V、200～190 V、190～180 V、180～170 V、170～160 V、160～150 V、150～140 V、140～130 V、130 V 以下。

低压负荷预测神经网络神经节点的具体判断依据为，输入层：与上文高压负荷预测神经网络神经节点类似；输出层：配电网空间年负荷预测结果。

在神经网络构建中，隐含的层节点引入高斯函数，再进行明确的判定得出实际的神经元数量。若该数值越大则说明函数的预测能力更强。在实际的应用中，由于预测神经网络中输入层的数目可能存在较大的差异，因此对其预测误差的处理也应有所区分，在参数为15 个的情况下，选取其中误差最小的数值，并分析最终数目。

1.2 配电网空间负荷数据处理

本文在构建负荷预测神经网络时需要用到大量的历史数据作为基础，但在获取相应参数信息时需要通过电量采集器等设备进行，因此受到设备自身的影响，数据可能存在较大的误差，所以在构建之前首先要对获取到的负荷数据进行处理，针对不同的数据类型选择不同的处理方法。数据类型可分为错误数据、缺失数据以及数列误差数据。错误数据是按照一定的取值范围，利用有效的过滤手段，例如对于某一负荷数据而言，首先假设其实际数值为Q，且Q＞0，相应的温度参数设定为[-25 ℃，35 ℃]，相应的湿度、降雨量以及水气压均为大于零的数。根据这些条件限制，选择符合条件的符合数值输入到神经网络中。

缺失数据的来源是从原始的参数中以及相应的过滤环节中提取的，若实际的缺失数据较少，则可以通过线性插值的方法进行填充，填充公式为：

其中，Tn+j表示为推断出的中间数值；Tn、Tn+i表示为在已知的n、n+i时刻下具体的温度参数。

数列误差数据根据前后参数数据的和的均值，通过综合前一周的演变参数进行调整，从而获取到新的数据。

最后为了防止构建的神经网络中出现神经元饱和的现象发生，在实际训练前还应针对负荷数据开展相应的处理操作，从而解决原始数据差异造成的其他负面影响。

2 实 验

为了验证本文设计的基于模糊神经网络的配电网空间负荷预测方法在实际的配电行为中具有更高的应用价值，将其与传统预测方法进行对比实验，实验过程如下。

2.1 实验准备

首先利用仿真软件构建模拟配电网空间，选取某地区历史配电网负荷数据及当年温度特征，共4 538 组。本文预测方法选用该数据作为测试集，将数据输入到神经网络中并完成训练。设置本文方法预测为实验组，传统方法预测为对照组。为了保证实验结果的客观性，除选取的预测方法不同外，其他外界影响因素均保持相同，完成实验。

2.2 实验结果及分析

根据实验准备，进行对比实验，并将实验过程中产生的数据信息进行记录，并绘制成如图1 所示的曲线图。

图1 对照组与实验组实验结果精准度对比

从图1 可以看出，实验组的预测结果精准度明显高于对照组预测结果，且每组数据之间的预测结果误差较小，对照组预测结果误差差别较大。同时，本文分别构建了两种预测日负荷和预测年负荷的神经网络，能够有效消除单一变量在变化量大时的削弱规律性的问题，提高预测结果的稳定性，使平均偏差率降低。因此，通过实验证明，本文设计的预测方法准确性更强，更适用于实际的应用。

3 结 论

本文针对传统预测方法中存在的问题进行分析，并设计一种基于模糊神经网络的配电网空间负荷预测方法。通过实验证明该方法的可行性，并且在构建负荷预测神经网络时将影响负荷预测的因素充分的考虑其中，因此该方法不会受到天气、温度等因素的影响，造成预测结果误差较大的问题产生，提高了预测结果的准确性，从而有效满足了配电网的调度需要。