基于电量预测问题研究

杨新妹 申孟浩 杨瑞

摘要：电量预测问题是电网规划设计的一个基本内容。影响电负荷量变化的因素有很多，而且这些因素都具有不确定性，即这些信息具有模糊性，因此在长期电力负荷预测中要获得5-10年后的电力负荷的准确值是非常困难的。本文根据历史数据采用最小二乘向量机，神经网络的方法对每月用户的用电量以及每天的用电量进行预测，建立负荷预测模型。

关键词：电量预测;最小二乘向量机;BP;神经网络

一、概述

城市日常生活和发展离不开用电。为了了解某城市某电力用户的用电情况，通过对数据的处理，将建立数学模型，预测KLBL用户2015年10月—2016年3月每月用电量。之后考虑增加天气温度、季节、经济增长和人口变化等其他因素对用电的影响，建立预测模型，预测2016年3月15日11点钟——2016年3月31日22点钟每15分钟用电负荷量。

二、基于最小二乘向量机算法预测

最小二乘支持向量机 （LSSVM） 是对SVM的一种改进， 它是将传统SVM中的不等式约束改为等式约束， 把求解二次规划问题转化为求解线性方程组问题， 从而提高了问题求解的速度和收敛精度。其算法原理如下：

支持向量回归机根据训练样本作Rn×R构造回归函数：

定义损失函数为：

然后根据最小二乘支持向量机的风险函数可以得到原始最优化问题：

最后可以得到回归参数α和b，则回归函数为：

基于最小二乘支持向量机（见附录2）的电量预测流程是首先进行原始数据预处理， 然后优化LSSVM的两个重要参数， 在得到最优参数后， 将训练集和最优参数输入到LSSVM中， 训练得到相应的预测模型， 然后再輸入测试数据， 得到预测结果， 如表1所示，基于最小二乘向量机算法预测的预测结果变化显比较平缓，比较符合实际。

三、 基于时间序列建立函数模型

分析数据，查阅相关资料并结合实际生活可知，当气温处于人体适应范围内，人不需要借助家电设备如空调等来辅助调节，但是如果超过这个范围则需要借助外力辅助，即增加对电力的消耗。假设18℃—24℃为标准气温，即人体适应温度。引入一个基础用电量，即在正常温度下的平均用电量，在基础用电量的基础上再引入一个与温度有关的系数。

从数据中筛选出适应温度（18℃—24℃）所对应的用电量，通过求和平均作为基础用电量。查阅数据资料，整理得出符合要求的总负荷值，如下图所示。

对这12天的总负荷值进行求和平均，得出每天基础用电量的负荷值为1219497。再平均到15分钟的负荷值约为12703。假设选取21℃为标准温度，故考虑天气温度后的用电负荷量预测结果为：

其中F表示考虑天气温度后的用电负荷量预测结果，Xt表示不考虑天气温度的用电负荷量预测结果，T表示气温。

增加了天气气温的因素，用户用电量的多少与天气气温，各个时间都有一定的关系，建立考虑天气温度后的用电负荷量与气温预测结果的函数模型，气温较高的时候用电量也会相应增加，气温较低的时候用电量也会相应减少。

四、改进的BP神经网络模型

求深入考虑季节、经济增长和人口变化等其他因素对用电的影响，需要综合考虑多种因素对预测对象的影响，灰色预测对历史的数据依赖性较强，且未考虑各个因素之间的联系;时间序列的计算量较小，对应的计算时间较短，对于连续变化的负荷预测精度较高，但是由于模型要求时间序列数据波动不能太大，无法估计由季节、经济、人口等因素对负荷的影响，与之相对的人工神经网络算法，这是一个模拟人类大脑活动的智能算法，它是由众多的神经元可调的连接权值连接而成，它可以考虑多因素对用电的影响。

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号向前传递，误 差反向传播。在向前传递过程中，输入信号从输入层经隐含层珠层处理，直至输出 层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则 转入反向传播，根据预测误差调整网络权值和阈值，从而使 BP 神经网络预测输出不断逼近期望输出。

BP神经网络算法步骤大致如下：

步骤1：网络初始化。根据系统输入输出序列（X，Y）确定网络输入层节点数n、隐含层节点数、输出层节点数m、初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。

步骤 2：隐含层输出计算。根据输入向量 X ，输入层和隐含层间连接权值ωij以及隐含层阈值αi，计算隐含层输Hi。

式中，l为隐含层节点数; f 为隐含层激励函数，该函数有多种表达形式，所选函数为：

步骤3：输出层输出计算。根据隐含层输岀H，连接权值ω jk和阈值b，计算BP神经网络预测输出Ok。

步骤 4：误差计算。根据网络预测输出 O 和期望输出 Y 。计算网络预测误差ek

步骤5：权值更新。根据网络预测误差e更新网络连接权值

式中，η为学习速度。

步骤 6：阈值更新。根据网络预测误差 e 更新网络节点阈值 a， b

步骤7：判断算法迭代是否结束，若没结束，返回步骤2。

总结

该模型是对用户用电量的研究，此模型可以推广到用户用水量的预测以及交通流量预测等方面，更加贴近实际情况，并使得相应公司获得较大收益。

参考文献：

[1]姜启源，数学模型（第二版），北京：高等教育出版社，1992

[2]杨柳，吴延琳，张超，刘超，蒋勃，张鹏.改进最小二乘支持向量机电量预测算法[J].电网与清洁能源，2017，33（03）：71-76.

[3]孙泽昊. 基于最大相关熵准则的电网月度电量预测[D].西安理工大学，2019.

[4]朱国华，王林，卢正鼎.中期售电量并行BP网络预测模型[J].计算机与数字工程，2007（05）：103-104+200+209.

[5]李瑞杰. 基于BP神经网络的地区售电量预测新方法研究[D].西安科技大学，2018.