基于Elman神经网络在电力负荷预测中的研究

宋明达 赵宇红

摘 要：针对某地区一个月的电力系统负荷数据进行了研究，建立Elman[1]神经网络网络模型，运用MATLAB工具箱，对Elman神经网络在神经元个数设置，节点层数及训练数据个数的选择进行了研究，同时与BP神经网络[2]做了预测数据比较分析。验证了Elman神经网络模型在电力负荷预测[3]中的准确性与可行性，相比较于BP神经网络的Elman神经网络具有训练速度快准确度高的优点。

关键词：Elman神经网络;电力系统负荷;BP神经网络;预测

Abstract：This paper studies the power system load data of a region for one month，establishes the Elman neural network model，and uses the MATLAB toolbox to select the number of neurons，the number of node layers and the number of training data for the Elman neural network.The research was carried out，and the BP neural network was compared and analyzed.The accuracy and feasibility of the Elman neural network model in power load forecasting are verified.Compared with theBP neural network，the Elman neural network has the advantages of high training speed and high accuracy.

Key words：Elman neural network;power system load，BP neural network;prediction

利用神經网络进行电力负荷预测时，通常是将从电力系统收集到的精确的统计数据和资料，用于作为电力负荷的原始依据，考虑当前的用电量和历史负荷数据，同时还应充分注意到电力系统某些重要的系统运行特性，包括在当地的自然气候条件、人文社会活动，经济增长速度影响的条件下，所研究出一整套的系统的负荷预测的数学方法[6]。

Elman神经网络是本质上是一种递归神经网络，相较于前馈神经网络而言，具有一个承接层作为记忆单元，与上一时刻的数据有着反馈连接的关系。因此Elman神经网络具有时变特性的能力，能直接反映动态过程系统的时序特性，用来分析和研究电力负荷这种带有明显时间序列特征的数据的统计规律和本质特征时非常有效[4]。本文通过利用Elman神经网络，将某地区月电力负荷数据作为研究依据，来验证Elman神经网络在电力负荷预测中的可行性和准确性。

1 神经网络介绍

BP神经网络（Back Propagation），最先由Rumelhart和McCelland等人于1986年提出，是一种将误差采用反向传播算法进行训练的多层前馈神经网络，是目前应用于各个领域最为广泛的的神经网络模型之一。BP神经网络是在脑科学神经的基础上，仿照生物的神经系统结构和功能建立起来的人工神经网络模型，将输出的信息与实际的误差反向传播来进行学习，依照生物的神经系统分为三层网络结构，分别是输入层、输出层和隐含层。采用最速梯度下降法学习规则，通过误差的反向传播来调整更新各个层之间所连接的权值和阈值，以达到减小训练误差的目的。

Elman神经网络是J.L.Elman于1990年首先针对语音处理[5]问题而提出来的，是一种典型的局部回归网络（global feed forward local recurrent）。Elman网络是一个具有能够有效处理时序信息的递归神经网络。一方面和前馈神经网络一样，采用误差反向传播算法;另一方面相较于前馈神经网络而言多了一个具有记忆单元的承接层。所以Elman神经网络通常分四层：输入层，隐含层（中间层），承接层和输出层。传递函数大多都是线性函数，少部分为非线性函数[7]。由于它增加了一个承接层当作一种延时算子，具有记忆的功能，通过承接层将上一个时刻的隐含层状态的数据与当前时刻的网络输入数据一起作为隐含层的输入，相当于历史状态反馈，并将前一时刻的数据记忆下来作为下一时刻的输出时的输入，使得当前状态下的输出不仅只是与当前的输入有关还和前一时刻的输入也有关系，从而能让系统可以直接反应动态过程系统的特性。Elman网络数学模型如式（1）所示：

Yt=gW3Xt+Y′（t））

Xt=fW1Ut-1+W2Xc（t））

Xc（t）=Xt-1（1）

2 Elman神经网络预测模型

Elman神经网络预测流程如图1所示，首先初始化载入某地区一个月的历史负荷数据，将载入的数据进行划分，构造合适样本集和和测试集和，同时为了方便网络的训练，进行数据的归一化，统一规划到区间[0，1]。构建Elman神经网络，然后用构造好的训练数据作为样本值进行训练，在实际的网络训练中训练数据在经过输入层之后，进行初始化网络，给定随机的权值与阈值，数据进入隐含层，承接层从隐含层接收反馈信号，用来记忆隐含层前一刻的输出值，继续输出到隐含层，通过输出层输出之后，计算误差函数，利用方向传播的算法更新权值与阈值。周而复始不断循环更新权值和阈值直至达到理想的误差范围，这样就构建起可靠准确的模型用以实际预测。得到训练好的网络之后，将划分好的测试数据作为测试值进行测试。

3 实例分析

3.1 数据划分

该文研究的电力实际负荷数据问题，是基于上一个时间段的历史负荷数据来预测下一时间段的负荷数据，是一个关于时间序列问题。采集某地区月电力实际负荷数据之后进行分析。抽取A1-AN为第一个样本数据，其中A1，A2，…，AN-1自变量，AN为目标函数值。在电力实际负荷数据中，设N=8，即当前数据由前7组数据运算得到。

3.2 数据分析

运用MATLAB工具，创建Elman神经网络。该神经网络设置12个神经元，训练函数选择traingdx，将最大迭代次数设置为为10000次，训练目标误差为0.001，最多验证失败次数6。Elman網络结构如图2所示。

在MATLAB上运行程序可得，总的运行迭代次数为7024次，耗时5秒。在相同情况下，采用BP神经网络运行迭代次数为9842次，时间为8秒。Elman神经网络与BP神经网络负荷预测的曲线图如下图3所示：

得出的数据与真实值做比较，其结果如下表所示。

可以看出Elman神经网络模型的均方误差MSE比BP神经网络小，这表明Elman神经网络在描述负荷预测实验数据具有更好的精确度。

4 结语

以某地区月电力系统负荷数据作为负荷预测问题为研究对象，利用MATLAB构建Elman神经网络对其进行训练同时选定合适的隐藏层数，再基于训练好的模型进行测。通过与真实数据和BP神经网络预测的数据相比较的误差分析，表明该预测方法精度高，但是训练步长较长，收敛速度不够迅速，这是在今后需要改进的地方，此外在数据划分上还需要深入研究，如何设置合理的训练数据组使得用尽量少的时间来训练，从而获得较好的训练结果。

参考文献：

[1]Elman J L.Finding structure in time[J].Cognitive science，1990.

[2]陈宇杰.基于BP神经网络的区域配电网中期电力负荷预测[D].吉林大学，2017.

[3]宿鹏.基于MATLAB的短期电力实用负荷预测模型的研究[J].智能电网，2016，4（12）：1215-1218.

[4]孙静.基于BP神经网络的耳语音增强的研究[D].苏州大学，2008.

[5]石德琳.基于神经网络的电力负荷预测研究与实现[D].济南：山东大学，2016.

[6]于浩祺.电力负荷特性分析及短期负荷预测系统的研发[D].长沙：湖南大学，2016.

[7]欧阳慧雨，陈涛.基于Elman神经网络的非线性函数拟合[J].电脑知识与技术，2017.

指导老师：赵宇红，硕士，教授，硕士生导师。