(天津天大求实电力新技术股份有限公司 天津市 300384)
摘要：随着我国科技不断创新，我国有了翻天覆地的变化，电力行业也有了新的提高，电力负荷预测作为电力企业调度工作的重要组成部分，其预测的好坏将直接决定电力供电服务的质量。但传统的神经网络属于静态网络，而电力负荷属于时间序列，随着时间的变化而不断更新。
关键词：神经网络；电力系统；负荷预测
1电力系统短期负荷预测
1.1 负荷预测的意义
电力系统运行环节中,一定要确保供电和用电的实时平衡。电网负荷的提前预测，能减小不必要的备用量，促进发电机的合理配置，节约能源，提高能源利用率；还能为电网的调度和可靠运行提供支撑，进而为电力部门制定销售计划和电厂制定生产和维修计划提供指导。
1.2 短期负荷预测
从预测周期的长短角度着手，可分为四个阶段长期、中期、短期和超短期预测。短期预测的时间尺度为一天或数天，电力部门可以据此调节调度，调整短期运行方式，对电力交易量统计具有重要意义。
1.3电力系统短期负荷特点
对电力系统的负荷而言，这跟人们的生产生活活动息息相关。同样也会遭受一些随机因素的影响，如气温、天气类型等。从某种角度讲，短期负荷的变化存在一定的规律，但同时也存在一定的随机性。因此，尽可能的通过以往的历史用电数据，分析和挖掘电力负荷的变化情况，对降低对未来负荷需求的预测误差具有重要的作用。归纳起来，电力系统短期负荷具有以下特点:(1)电力负荷需求呈现出季节性的变化，其中夏季和冬季之间的需求差异最大;(2)节假日和非假日之间在电力需求上也存在明显不同，如春节、元旦等对电力的需求大;(3)极端天气与平常日下的负荷不同;(4)每天中的不同时段的电力负荷也有不同的规律，如 19:00～23:00 的电力负荷较大。由此，通过上述的分析可以看出，在短期需求下，电力负荷的变化呈现出规律性的变化特点，并且受到众多因素的影响，包括季节、天气等。因此，准确的分析不同因素对负荷的变化，对提高负荷预测的精度非常有利。
2 神经网络技术
神经网络的基本单元是神经元。神经元是一种包含多个输入的单输出非线性元件， 如图 1 所示为神经元模型的基本结构。 其中输入量为 x k ，与其对应的权重为 w jk ， 人工神经元将所有输入的权值相加并通过传递函数 f （ ． ）计算出输出量 y i 。
图1
当多个神经元组合在一起就构成神经网络。 BP 神经网络作为目前应用最为广泛地神经网络之一，由输入层、隐层和输出层三部分构成，。BP 神经网络算法由两个阶段构成：前向传输阶段和误差反向传播阶段。 BP 神经网络学习算法的计算步骤：按向前计算的方向（输入到输出的方向）计算实际输出，将实际输出与期望值比较后，根据误差大小反向修改权重和阈值。 BP算法的原理就是通过误差的反向传播对权值进行反复的修正，从而获得期望的映射输出。
3数据的处理
3.1样本数据的获得
电力系统负荷的气象影响因素主要包括最高气温(℃)、最低气温(℃)、平均气温(℃)、相对湿度(平均)4 个参数，选定上述 4 个参数作为影响因子作为网络模型输入量。该模型的输出数据采用对应的当天各时间点的负荷值。实际观测记录云南省、深圳市从 2012 年 1 月 1 日至2015 年 1 月 10 日的电力负荷数据(每 15 min 一个采样点，每日 96 点，量纲为 MW)以及 2012 年1 月 1 日至 2015 年 1 月 17 日的气象因素数据，用两地区 2014 年的前 200 天 19 200 个数据作为训练样本集，用两地区 2013 年 365 天 35 040 个数据作为校验测试样本集。两地区部分训练样本数据分别如表1和2表所示。
3.2样本异常点去除
依据神经网络的原理，神经网络知识的取得只可以从样本中学习取得，所以学习样本的数量和质量是影响神经网络学习效果和学习速度的重要因素，如果样本中存在过多不良数据会对基于神经网络的负荷预测造成 3 方面的负面影响:(1)训练期间，异常数据带来大的训练误差，使网络不能收敛到理想误差;(2)预测阶段网络能收敛但是网络不能反映负荷内在规律，预测误差太大;(3)预测阶段即使网络按正常样本训练完成，当以异常数据作为神经网络的输入进行预测时，同样会出现较大误差。因此，在进行短期负荷预测时，对历史数据进行辨识，去除或者修正不良数据是非常重要的。原始数据的预处理主要是修正或剔除两个方面的异常信息，文中采用样本异常点去除方式:云南省2013 全年数据中去除异常点2013-03-21、2013-03-27 最高气温 (℃)、2013-12-03 降雨量(mm)，深圳市 2013 全年数据中去除 2013-10-27异常点。对于这些去除的异常点数据，再基于负荷的周期性，用前一天或者后一天在此刻的数据来代替。
3.3数据归一化
一般状况下神经网络的输入向量在导入到神经网络之前需要实施数据归一化。首先，由于原始测量数据中不同数据组间量纲不同、数量级相差较大的现象，所以如果把这些原始测量数据组直接输入网络，数量级比较大的数据组将会掩盖数量级比较小的，这就直接导致网络模型映射失真而得不到良好的训练结果。其次，如果网络模型选用的是具有饱和非线性特性的 Sig-moid 传递函数，那么只有在接受一定范围内的输入数据时才会有理想的输出结果;否则当输入数据很大或者很小时，该函数的一阶偏导数也将趋于 0，致使 BP 网络模型在训练时算法梯度下降速度较慢，继而权值更新出现问题，最后网络模型无法收敛。因此从以上两个方面考虑的话都是需要对原始数据集进行归一化预处理。常用的数据归一化方法有:公式法、MATLAB 软件 prem-nmx-tramnmx-postmnmx 函数法、用函数组 prestd-trastd-poststd 对原始测量数据预处理法等。综上所述，本文所构建的神经网络模型中使用的归一化方法为公式法，具体方法如下:由于 S型传递函数的函数值在临近 0 和 1 的边缘时候，
函数曲线变化平滑，梯度变化速度特别缓慢，所以考虑到减小网络模型的学习时间，可以将输入及输出数据归于成［0． 1 ～ 0． 9］或［0． 2 ～ 0． 8］之间，这样一来使得 S 型函数能在上述区间中有较大的变化梯度，从而减小收敛时间，最后整个网络的性能将得到很大的改善。具体变换方法为:
式中:X ' —归一化后的数据;X i —初始数据;X max ，X min —初始数据的最大值和最小值。
4 基于 BP 神经网络的短期负荷预测
4.1预测流程
预测流程主要包涵数据收集、数据处理、建立预测模型、进行负荷预测、误差分析等 5 个主要流程，其中，建立预测模型分设计 BP 网络和训练 BP 网络两部分。
4.2 BP 网络设计
1989 年，Robert Hecht-Nielsen 证明了三层的 BP 神经网络可以任意逼近闭区间内的一个连续函数。采用三层经典 BP 神经网络，隐含层节点数的确定直接影响预测的准确性，采用试错法训练并检验网络性能来确定。经检验，确定输入节点数为 10，隐含层节点数为12，输出节点数为 1。
4.3 误差评价
误差评价指标是衡量模型预测结果好坏的标准，本文采用相对误差和平均相对误差两项指标进行误差评价。
5算例分析
MATLAB 是国际公认优秀的数学应用软件，主要用于数值分析、矩阵运算、信号处理和图形显示。软件中神经网络工具箱内含有丰富的函数，调用这些函数可以完成网络设计、权值初始化和网络训练。仿真预测数据来自采用美国加利福尼亚州 2000 年的电网运行数据，输入数据（5 月 5 日-6 月 4 日），期望输出（6 月 5日），并用 Matlab 软件进行预测（6 月 6 日），结果及误差见表 3。分析表 3仿真结果可以发现，最大误差 5.925%，日平均相对误差 2.268%，准确率 97.732%，预测精度能够满足电力系统运行的需要。绘制预测结果拟合曲线（图 2）。
表3
图2
结语
电力系统短期负荷预测的过程中，必须结合负荷特点、选取合理的预测模型进行短期负荷预测。选取三层 BP 神经网络模型，训练样本采用以往负荷数据，所测结果与实际值比较接近，表明该方法是有效的，可以满足短期负荷预测的要求。
参考文献:
［1］ 刘晓菲，商立群．非线性主成分分析和 ＲBF 神经网络的电力系统负荷预测［J］．电网与清洁能源，2016，01:47－52．
［2］陈科，汪文．基于模糊神经网络的电力系统短期负荷预测［J］．信息系统工程，2016，01:128－131．
论文作者:王芳,李露露,周维宏
论文发表刊物:《电力设备》2018年第1期
论文发表时间:2018/5/30
标签：负荷论文; 神经网络论文; 数据论文; 误差论文; 模型论文; 网络论文; 样本论文; 《电力设备》2018年第1期论文;