基于BP神經網絡的電力系統負荷預測研究

摘 要:通過對岳陽縣地區電力負荷歷史數據及特點的研究，分析了影響中期負荷預測準確性的多方面因素，利用日常負荷與氣象條件的關系，建立神經網絡中期負荷預測模型，研究了這一人工智能技術應用于電力系統負荷預測的可行性。提出了一種基于BP神經網絡的綜合預測方法，能夠穩定和較準確地對電力負荷做出預測。在實際電力負荷預測中，該方法取得了比較高的的預測精度。

關鍵詞:電力負荷預測神經網絡BP算法

中圖分類號:TM73文獻標識碼:A文章編號:1674-098X(2011)09(c)-0090-02

引言

電力系統負荷預測是在充分考慮一些重要的系統運行特性、增容決策、自然條件及社會影響等條件下，研究和應用一套系統處理過去負荷與未來負荷的數學方法，在滿足一定精度要求的前提下，確定未來某特定時刻的電力負荷值。電力系統的正確調度、規劃和運行都離不開電力負荷預報，準確的負荷預報不僅對電力系統的安全、可靠、經濟運行起著重要作用，同時也是潛在節約能源的方法[1]。

電力系統負荷數據預測的研究在近些年來有了很大的發展，預測的方法由過去的人工方式逐步轉換成軟件干預方式。電力系統負荷預測問題的研究也越來越引起人們的注意，己經成為了現代電力系統運行研究中的重要課題之一。早在1990年D. C.Park等人就采用人工神經網絡(Artificial Neural Networks，ANN)方法對電力負荷進行預測[2]。人工神經網絡技術可以模仿人腦做智能化處理，對大量非結構性、非確定性規律具有自適應功能。1個3層的BP神經網絡就可以直接實現輸入參數與電力負荷狀態之間的非線性映射，無需建立系統的模型，而且這種映射結果的精度可由足夠的訓練樣本來保證。

1 電力負荷預測的原理、步驟

中期負荷預測通常是指預測未來一年(12個月)之內的電力負荷，它是電力系統運行調度中一項非常重要的內容，預測的結果將對發電機組生產計劃的制定、水火電的合理配置、燃料配置、安全分析設備的維護以及電網能量的傳播有著很大的影響，對于電力系統運行與控制有著非常重要的意義。

1.1 負荷預測的基本原理

負荷預測工作是根據電力負荷的發展變化規律，預計或判斷其未來發展趨勢和狀況的活動，因此必須科學地總結出預測工作的基本原理，用于指導負荷預測工作。主要有以下幾個方面:不準確性，條件性，時間性，多方案性，可知性原理，可能性原理，連續性原理，相似性原理，反饋性原理，系統性原理[3]。

1.2 負荷預測的基本步驟

對電力負荷的預測，一般可按下列步驟進行:收集和分析歷史數據，對電力系統的歷史數據及有關信息加以整理，排除偶發事件的有關信息，為電力負荷預測提供可靠的原始資料;建立預測模型，根據預測目標和資料，選擇合適的電力負荷預測方法，建立相應的數學模型;對預測結果進行分析，評價各因素對電力負荷預測結果的影響及預測結果的可信度。

2 BP神經網絡模型

BP網絡(Back-Propagation Network)，即反向傳播網絡，是一種具有三層或三層以上神經元的神經網絡，包括輸入層、中間層(隱層)和輸出層。上下層之間實現全連接，而每層神經元之間無連接。它利用誤差反向傳播算法對網絡進行訓練。

隱層的神經元數目選擇是一個十分復雜的問題，往往需要根據設計者的經驗和多次實驗來確定，因而不存在一個理想的解析式來表示。隱單元的數目與問題的要求、輸入/輸出單元的數目都有著直接關系。隱單元數目太多會導致學習時間過長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此一定存在一個最佳的隱單元數。以下4個公式可以用于選擇最佳隱單元數時的參考公式。

(1)，其中，k為樣本數量，為隱單元數，n為輸入單元數。如果i＞n1，。

(2)，m為輸出神經元數，n為輸入單元數，a為[1，10]之間的常數。

(3)n1=log2n，n為輸入單元數。

(4)n1=2n+1，n為輸入層神經元個數。

3 工程應用

表1是岳陽縣電網2008年1月-2010年3月的月最大電力負荷及月平均氣溫，我們用2008年1月-2009年12年的樣本數據值來預測2010年前3個月的電力負荷，并與實際用電量進行比較。

3.1 BP神經網絡模型

網絡類型:采用BP網絡可以直接實現輸入參數與電力負荷之間的非線性映射。

網絡層數:單隱層的BP網絡可以以任意精度實現任意復雜的由n維輸入空間到m維輸出空間的非線性映射。

輸入輸出向量的確定:將岳陽縣地區2008年1月至2009年9月的每月最大電力負荷和月平均氣溫值作為訓練樣本，且將第1月負荷、第2月負荷、第3月負荷、第4月氣溫、第5月氣溫以及第6月氣溫作為神經元的輸入因子。

隱層神經元個數:隱層節點數的確定采用“試湊法”，先按經驗公式確定一個較少的隱單元數，學習到一定次數后，如果不成功則再增加隱單元的數目，直至達到比較合理(網絡收斂精度較高)的隱單元數目為止。

傳遞函數:輸入層與隱層之間的傳遞函數采用S型雙曲正切函數(tansig)，隱層與輸出層之間傳遞函數采用logsig。

訓練算法:采用Levenberg-Marquardt(L-M)規則訓練網絡，可大大減少訓練時間。

該網絡的輸入層的神經元個數為6，根據隱含層設計經驗公式，以及考慮本問題的實際情況，網絡的隱層神經元個數應該在6～25之間。因此設計一個隱含層神經元數目可變的BP網絡，通過誤差對比，確定最佳的隱含層神經元個數，并檢驗隱含層神經元個數對網絡性能的影響。

在樣本中，網絡的輸入是一個6維的向量，這些數量具有不同的單位和量級，所以在輸入神經網絡之前應該首先進行歸一化處理，將數據處理為區間[0，1]之間的數據。輸入向量:P=

[0.5775，0.6386，0.5770，0.1680，0.2150，0.2570

0.5380， 0.5456， 0.6071， 0.2910， 0.2850， 0.2370

0.6889， 0.7137， 0.6911， 0.1820， 0.1130， 0.0670

0.6092， 0.6221， 0.7250， 0.0440， 0.0590， 0.1050

0.7558， 0.6941， 0.6857， 0.1700， 0.2200， 0.2560

0.6941， 0.6017， 0.7188， 0.2890， 0.2860， 0.2360]'，

輸出向量:T=

[ 0.5380， 0.5456， 0.6071; 0.6889， 0.7137， 0.6911;

0.6092， 0.6221， 0.7250; 0.7558， 0.6941， 0.6857;

0.6941， 0.6017， 0.7188; 0.8387， 0.8149， 0.8071]'。

在經過2000次訓練之后，隱含層神經元為17的神經網絡對函數的逼近效果最好，因為它的誤差最小，而且網絡經過17次訓練就達到了目標誤差。

當隱含層神經元數目為17時，網絡的逼近誤差為0.0060。

訓練好的網絡還需要進行測試才可以判定是否可以投入實際應用?，F將2009年7月至12月的每月最大電力負荷和月平均氣溫值作為測試樣本，對網絡進行檢驗。程序代碼如下:

P_test=[ 0.8387， 0.8149， 0.8071， 0.1810， 0.1210， 0.0650]'; T_test=[ 0.7129， 0.8734， 0.8363]'; y=sim(net，P_test)。

運行結果y=[0.7299， 0.8712， 0.8534]，可見網絡診斷值和真實值之間的誤差是非常小的。

按照歐式范數理論，計算網絡測試誤差為0.0242，可以看出，該誤差是非常小的。因此，可以判定，經過訓練后，網絡是完全可以滿足中期電力負荷預測要求的。

3.2 負荷預測

對岳陽縣2010年前3個月的電力負荷進行預測，輸入向量為:

P’=[0.7129， 0.8734， 0.8363， 0.0450， 0.0610， 0.1070]'

這里利用仿真函數sim來計算網絡的輸出，得到的結果為[0.8592， 0.8109， 0.7689]。

對比這一季度的實際用電負荷，發現神經網絡的預測結果與實際值相差很小，可以認為該網絡模型達到了滿意的精度。

4 結語

本文探討了人工神經網絡技術應用于電力系統中期負荷預測的基本原理，利用Matlab編制了相應的程序，提出一種基于BP網絡的負荷預測方法，通過工程應用對岳陽縣地區2010年第一季度的用電負荷進行較準確的預測，進一步驗證了采用該方法對電力負荷預測的可行性及可靠性。

參考文獻

[1]高強，王勝，徐建源.基于人工神經網絡的中期電力負荷預測研究[J].沈陽工業大學學報.2004，26(1):41～43.

[2]D.C.Park，M.A.El-Sharkawi，R.J. Marks，etal.Electric Load Forecasting Using an Artificial Neural Network[J].IEEE Trans on Power System， 1991，6(2):442～449.

[3]呂彬，曾潔.基于BP神經網絡的電力負荷預測研究[J].現代現代商貿工業.2009，21:253～254.

[4]趙宇紅，胡玲，劉旭寧.人工神經網絡在電力負荷預測上的分析與探討[J].科技創新導報，2011，2.

[5]儲琳琳，郭純生.淺析BP神經網絡算法的改進和優化[J].科技創新導報，2009，12.