基于神经网络的短期电力负荷预测

2022-05-18张尚然

承德石油高等专科学校学报 2022年1期

张尚然

(承德石油高等专科学校电气与电子系，河北承德 067000)

电力系统的准确负荷预测使得各个行业能够高质量、高速的运行，因此对负荷进行准确有效的预测可以提高电能利用率、提高电网的准确性、可靠性。准确的负荷预测使用户节省成本，使电力部门合理分配电能，使得各行各业繁荣发展，共同进步[1]。本文主要研究的内容是电力系统的短期负荷预测，采用BP神经网络的算法，搭建基于神经网络的短期电力负荷预测的模型，通过仿真对结果进行分析验证。

1 BP神经网络学习方法

BP 神经网络算法包括两个方面：一方面是指前向传播，即对于输入信号而言的；另一方面是对于预测值与期望值之间误差而言的，即反向传递[2]。正向传播的过程相对而言比较容易，就是一层层的数学计算；而对于反向传播则比较复杂，需要通过梯度下降求导的方法找出误差最小的解。其主要过程如下：

设BP网络的结构分为三层，xi为输入层节点，yj为隐含层节点，zi为输出层节点。wji、vlj分别为输入层节点与隐含层节点间的网络权值以及隐含层节点与输出节点间的网络权值。当输出节点的期望值为t1时，模型的计算公式如下。

1)信号的正向传播过程：

隐含层节点输出:

(1)

其中

(2)

输出层节点的计算输出：

(3)

其中：

(4)

2)误差反向过程

(5)

用求取误差的方式得到各层神经元权值或阀值的导数，以此得到参数修正的方向和裕度[3]。

通过求误差对各个层神经元权值或阈值的导数来确定参数修正的方向以及大小[3]，在计算完导数后会确定出网络新的权值，使用此数据对网络进行训练，经过多次反复迭代的过程得出预测所需的最优解，训练到此为止。因为在整个预测的过程中，误差求导的过程对实验分析影响不大，顾忽略。

2 算例分析

2.1 样本参数

负荷数据类型为一天即为一个独立的类型，不区分工作日与否。负荷样本数据采用的是某城市6月11日至6月21日的电力负荷值以及考虑到天气因素的影响，采用6月12日至6月22日的气象特征作为BP神经网络的训练样本。前两个数据分别是预测地当天最高气温与最低气温，第三个数据则为天气状况：晴天用0表示、阴天用0.5表示、雨天用1来表示。

样本参数如表1。