人工神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測上的分析與探討

摘 要:電力負(fù)荷的預(yù)測是電力系統(tǒng)規(guī)劃的基礎(chǔ)，對配變系統(tǒng)和新發(fā)電廠的建立具有重要意義。傳統(tǒng)的預(yù)測方法是通過數(shù)學(xué)模型來分析電力負(fù)荷與其影響因素之間的關(guān)系，但由于實際工作中的不可預(yù)見因素較多，因此很難建立一個適用于任何情況的表達(dá)式。本文通過對人工神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測中應(yīng)用的分析，對其優(yōu)缺點進(jìn)行了探討。

關(guān)鍵詞:電力負(fù)荷預(yù)測 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用 人工神經(jīng)網(wǎng)絡(luò)的分析與探討

中圖分類號:TM76文獻(xiàn)標(biāo)識碼:A文章編號:1674-098x(2011)01(b)-0090-01

對電力系統(tǒng)負(fù)荷的預(yù)測對于實現(xiàn)安全發(fā)供電、電力系統(tǒng)的自動化運行以及制定工作計劃都有著非常重要的意義。傳統(tǒng)的預(yù)測方法是將線形或分段線形表達(dá)作為負(fù)荷的預(yù)報函數(shù)，通過對其進(jìn)行概率及數(shù)理統(tǒng)計的方式對其進(jìn)行計算，并最終得出預(yù)測值。這種方法存在著建模所需的數(shù)據(jù)量大、適應(yīng)性不強(qiáng)以及精度不高的問題，因此正逐漸被人工神經(jīng)網(wǎng)絡(luò)預(yù)測所取代。

1 日負(fù)荷模型的構(gòu)成

電力系統(tǒng)負(fù)荷變化的周期性較強(qiáng)，因天氣的變化而出現(xiàn)的負(fù)荷波動是導(dǎo)致電力系統(tǒng)負(fù)荷變化的主要因素，也就是說，N時刻負(fù)荷的變化量可以反映出天氣的變化情況。因此，用向量的方式來表示負(fù)荷型，從而使全部的自變量相對于神經(jīng)網(wǎng)絡(luò)來說都屬于輸入量的中間分量，進(jìn)而在自變量中隱含負(fù)荷與天氣變化之間的函數(shù)關(guān)系。因此，日負(fù)荷模型的構(gòu)成主要包括日基礎(chǔ)負(fù)荷型和負(fù)荷影響因子模型。

1.1 日基礎(chǔ)負(fù)荷模型

日基礎(chǔ)負(fù)荷具有明顯的周日性和周期性特征，代表了負(fù)荷的連續(xù)性，是負(fù)荷變化的基本規(guī)律。

ML［n，t］=∑(1-w)w(i-1)·L［n-(i·7)，t］

其中ML［n，t］代表的是日基礎(chǔ)負(fù)荷;

L［n，t］代表的是第n天t時刻的實際負(fù)荷;

W代表的是加權(quán)系數(shù)，取指小于1大于0;

i代表的是負(fù)荷模型所應(yīng)用歷史數(shù)據(jù)的長度，i的取值為1，2，…。

1.2 負(fù)荷影響因子模型

在實際預(yù)測中，負(fù)荷量已經(jīng)包括了隨機(jī)因素對負(fù)荷變化的影響，因此近期的負(fù)荷數(shù)據(jù)可以作為未來負(fù)荷變化的隨機(jī)因子。

E［n，t］=｛L［n-x，t］｜t=0，1，…，23;x=1，2，…，6｝

EL［n，t］=E［n，t］·ML［n，t］

其中E［n，t］代表的是未來負(fù)荷變化的隨機(jī)變化因子;

EL［n，t］代表的是負(fù)荷的變化量。

1.3 日負(fù)荷模型

為了消除t時刻的負(fù)荷對t+i時刻負(fù)荷變化的影響，可以將第n-1天最后的j個小時的負(fù)荷L［n-1，j］作為關(guān)聯(lián)補(bǔ)充量添加到第n天的日負(fù)荷模型中。

M［n，t］=(｛ML［n，t］｝，｛EL［n，t］｝，｛L［n-1，t］｝)

其中M［n，t］代表的是第n天第t小時的負(fù)荷模型。

利用近期的實際負(fù)荷以及日基礎(chǔ)負(fù)荷模型所生成的心的日負(fù)荷模型既包括了天氣變化對系統(tǒng)負(fù)荷的影響，又能反映出電力系統(tǒng)負(fù)荷的周期性和連續(xù)性以及負(fù)荷的變化趨勢。

2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

進(jìn)行負(fù)荷預(yù)測的人工神經(jīng)網(wǎng)絡(luò)分為三層，即輸入層、輸出層和隱含層，這三層分別含有n、m和l個元素。

將節(jié)點x的輸入和輸出分別設(shè)為net［x］、o［x］，將節(jié)點x和y的連接權(quán)設(shè)為w［xy］，隱含層和輸出層的校正誤差分別為δ［j］、δ［k］，閾值分別為θ［j］、θ［k］，將期望輸出設(shè)為y［t］。下標(biāo)［i］為輸出層節(jié)點i，1≤i≤n，下標(biāo)［j］為隱含層節(jié)點j，1≤j≤m，下標(biāo)［k］為輸出層節(jié)點k，1≤k≤l。

2.1 模式的正向傳播

(1)輸入層:net［i］=a［i］，o［i］=net［i］。

(2)隱含層:o［j］=f(net［j］)。

(3)輸出層:o［k］=f(net［k］)。

2.2 誤差的反向傳播

誤差的反向傳播就是將人工神經(jīng)網(wǎng)絡(luò)的期望輸出與人工神經(jīng)網(wǎng)絡(luò)的實際輸出之間的誤差信號經(jīng)隱含層傳遞到輸入層，并進(jìn)行連接權(quán)值的修正。

修正權(quán)值為

Δwp［jk］=η δ［k］o［j］

Δwp［ij］=η δ［j］o［i］

Δw［jk］=∑Δwp［jk］

Δw［ij］=∑Δwp［ij］

w［jk］(n+1)=w［jk］(n)+Δw［jk］+α(w［jk］(n)-w［jk］(n-1))

w［ij］(n+1)=w［ij］(n)+Δw［ij］+α(w［ij］(n)-w［ij］(n-1))

其中η代表的是學(xué)習(xí)速率;

Α代表的是沖量，其作用是加快學(xué)習(xí)的收斂速度;

N代表的是迭代次數(shù)。

3 預(yù)測實例

搜集某地區(qū)近期的電力負(fù)荷歷史數(shù)據(jù)，生成負(fù)荷模型的向量樣本集。網(wǎng)絡(luò)的初始權(quán)值為隨機(jī)小數(shù)［0，1］，訓(xùn)練步長為0.2，通過生成的向量樣本集對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，預(yù)測模型為

y［n］=f(w［n］，ML［n］，EL［n］，y［n-1］

其中y［n］代表的是第n天的預(yù)測負(fù)荷向量，y［n］=｛y［n，t］｜t=0，1，…，23｝，y［n，t］代表的是第n天第t小時的預(yù)測負(fù)荷;

w［n］代表的是神經(jīng)網(wǎng)絡(luò)的權(quán)向量矩陣;

ML［n］代表的是第n天日基礎(chǔ)負(fù)荷模型的向量，ML［n］=｛ML［n，t］｜t=0，1，…，23｝;

EL［n］代表的是第n天負(fù)荷影響因子模型向量，EL［n］=｛EL［n，t］｜t=0，1，…，23｝;

在對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，將其用于負(fù)荷的預(yù)測和輸出，輸出結(jié)果相比于實際負(fù)荷，誤差在所允許的范圍之內(nèi)。

4 結(jié)論

只要能夠給出具體的學(xué)習(xí)方法和數(shù)據(jù)樣本，人工神經(jīng)網(wǎng)絡(luò)就可以據(jù)此生成相應(yīng)的權(quán)系數(shù)矩陣，進(jìn)而實現(xiàn)期望目標(biāo)輸出。也就是說，一旦給定了經(jīng)過訓(xùn)練的權(quán)系數(shù)矩陣和神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，就可以對被測點進(jìn)行負(fù)荷預(yù)測。但BP網(wǎng)絡(luò)學(xué)習(xí)、記憶的不穩(wěn)定性以及較慢的學(xué)習(xí)速度卻影響著它的進(jìn)一步普及，所以說，利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測還需要進(jìn)一步的探索和研究。

參考文獻(xiàn)

[1]于繁華，劉仁云.計算智能技術(shù)及其工程應(yīng)用[M].北京:科學(xué)出版社，2010.6

[2]施彥，韓立群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計方法與實例分析[M].北京:北京郵電大學(xué)出版社，2009.12

[3]牛東曉.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M].北京:中國電力出版社，2009，6.

[4]羅云霞、李燕.電力系統(tǒng)基礎(chǔ)[M].鄭州:黃河水利出版社，2009，1.

[5]周顯玉.短期電力負(fù)荷預(yù)測的基本模型[J].科技創(chuàng)新導(dǎo)報，2008，9:41.