基于神經網絡的電力負荷預測

摘 要：近幾年來，中國電力工業正在逐步進行電力體制改革，電力市場運營機制也逐步在我國建立。國內電力市場的逐步開放并投入運營，對電力系統負荷預測的研究也越來越引起人們的關注。負荷預測是從已知的用電需求量出發，在考慮經濟、氣候等相關因素的前提下，對未來的用電需求做出的合理預測。負荷預測包括兩方面的含義：對未來需求量（功率）的預測和未來用電量（能量）的預測。電力需求量的預測決定發電、輸電、配電系統新增容量的大??；電能預測決定發電設備的類型（如調峰機組、基荷機組等）。

關鍵詞：神經網絡；電力負荷；預測

中圖分類號：TM715 文獻標識碼：A 文章編號：1674-7712 （2014） 12-0000-02

本文采用山西省太原市2007年3月10日到26日24小時整點歷史負荷數據以及對應的氣象數據（包括溫度、濕度），在訓練樣本的選取上，由于雙休日的負荷狀況與工作日差別較大，因此，本文也考慮了假期特征值作為輸入節點。取得的樣本數據不能直接用作神經網絡的輸入，然后經過以下一系列的處理：

編制了負荷預測程序，通過Matlab軟件，預測出太原市3月28日的電力負荷數據。對比表中均列出了實際值和預測值以及相對誤差。相對誤差的公式如所示：相對誤差=（K-G）/K ，說明：K為歷史負荷實際值，G為預測負荷值。

這些誤差分析將在日負荷預測出來后，與實際的負荷數據進行比較，計算出這些誤差值。首先根據經驗公式初步確定隱含層神經元個數，然后通過對不同神經元數的網絡進行訓練對比，再最終確定神經元數。

以下2個公式可用于選擇最佳隱層單元數時的參考公式。

隱含層取61節點的網絡訓練的進程曲線如下圖所示，相比較于58節點的網絡該網絡學習時間更久運行了94步的時候誤差精度都能收斂到0.001，滿足設定的要求。所以61節點的隱含層也能很好的滿足要求。程序的具體運行過程如圖1所示。

在網絡訓練了一定次數后，隱層節點數分別為58點和61點的誤差精度都能收斂到0.001，隱含層取58節點時程序運行了94步。隱層節點數取61點的負荷預測平均相對誤差為1.71%，所以，本文負荷預測決定采用隱層節點數為61節點。下面針對濕度對負荷預測是否有較大的影響，分別建立兩個神經網絡模型，其中一個模型考慮溫度作為輸入節點（輸入節點數為27），作程序運算，預測負荷曲線如圖2。

圖2 預測的曲線與歷史負荷曲線對比圖

歷史負荷曲線（紅色曲線）；

只考慮氣溫預測負荷曲線（黑色曲線）；隱層節點數55

考慮濕度，氣溫的預測負荷曲線（藍色曲線）；隱層節點數58

只考慮濕度預測負荷曲線（黃色曲線）；隱層節點數55

圖2明顯直觀的看出（其中紅線的為歷史負荷值，黃線和藍線為預測出的負荷值），有考慮溫度，濕度影響的負荷預測較為準確，相對誤差比較小。因此可以證明，濕度對負荷預測的影響是比較大的，進行短期負荷預測考慮濕度的影響預測比較準確。

本次日負荷預測的平均相對誤差為1.60%，電力系統負荷屬于既有一定規律性又有較強隨機性的非平穩過程。未來某時刻的負荷狀態通常與過去的負荷、現在的運行狀況、未來的氣象因素以及日期類型等密切相關。

本文采用的人工神經網絡的BP算法，在結合Matlab強大的數據處理能力和完善的神經網絡工具箱的情況下預測出來的，藍色虛線曲線表示預測出的26日歷史負荷數據的曲線圖，紅色實線型曲線為26日的歷史負荷數據的曲線圖。

由圖像分析可知，預測曲線與歷史負荷曲線還是存在較大的差別，特別是在最高點與最低點之間的。預測誤差和預測結果的準確性關系密切，誤差越大，準確性就愈低。由于影響負荷預測的因素很多，所以預測不是很準確，產生日負荷預測誤差產生的主要原因有：（1）日負荷變化規律受氣溫等氣象因素的影響；（2）日負荷具有隨一天24小時周期變化的內在規律；（3）日負荷變化規律受近期日負荷變化趨勢的影響；（4）日負荷變化規律受節假日的影響。

計算并分析誤差的大小有著重要意義，這不僅可以客觀認識預測結果的準確程度，從而對利用預測資料作決策具有重要的參考價值；同時，對于改進負荷預測工作，檢驗和選用恰當的預測方法等方面也有較大幫助。

26日共24小時的平均相對誤差為1.60%，短期負荷預測的平均相對誤差一般要求在3%以內，本文由于日負荷的影響因素較多，沒有采用改進的BP算法或結合其他負荷預測的算法，導致有些誤差稍稍超過了標準范圍，不過基本符合短期負荷預測的標準，也證明了運用神經網絡模型的預測精度較好。預測26號的負荷與實際負荷曲線的比較圖3。

圖3 預測26號的負荷與實際負荷曲線的比較圖

當然，本論文對應用神經網絡實現日負荷預測的研究遠未結束，比如在網絡訓練中如何將其他方法與BP算法結合起來，提高預測的精度，還是個值得研究的問題；如何更加有效的減少節假日和天氣、溫度和季節等的影響，這些都會導致預測出現誤差，本文只考慮將量化后的最高、最低溫度作為輸入變量，沒將量化后的平均溫度作為輸入變量，這可能是導致誤差不夠精確的原因之一。

影響短期日負荷預測的因素比較多，所以存在的誤差也相對較大，今后需要研究跟改進的問題有：（1）在今后的負荷預測中，重要的是研究如何減小最大預測誤差值，減少較大預測誤差發生的次數。一般短期負荷預測的平均相對誤差要求在3%以內，本文由于日負荷的影響因素較多，沒有用改進的算法或結合其他負荷預測的算法，導致有些誤差稍稍超過了電力系統的預測標準范圍，平均相對誤差為1.60%滿足條件；（2）采用人工神經網絡的BP算法來進行負荷預測，因為BP算法存在收斂速度慢，誤差函數存在局部極小這兩大問題，使預測出來的負荷值存在較大的誤差。因此，以后的研究工作是需要結合其他的預測方法或運用改進的BP算法，使誤差在最小范圍內；（3）考慮影響負荷的因素應都考慮些，盡量把所有影響到負荷預測的因素都考慮進去：溫度、濕度、降雨量、節假日、特殊時間等等，都會對負荷預測產生影響。其中，溫度是影響日負荷的最中要因素。因此，有影響負荷預測的因素應盡量考慮進去，作為輸入變量。盡量減少負荷預測的影響因素，提高日負荷預測的精確性。

參考文獻：

[1]Park D C，El-Sharkawi MA，Marks RJ，er al.Electric load forecasting using a artificial neural network.IEEE trans on power systems，1991（05）：442-449.

[2]Mohammed O.Practial experices with an adaptive neural network short-load forcasting systems.IEEE trans.on power systems，1995（01）：245-265.

[3]趙希正.中國電力負荷特性分析與預測[M].北京：中國電力出版社，2001：2-3.

[4]飛思科技產品研發中心.MATLAB 6.5輔助神經網絡分析與設計[M].北京：電子工業出版社，2003.

[5]宋寶利.電力系統負荷預測[D]，西安理工大學，2003.

[6]楊奎河，王寶樹，趙玲玲.基于神經網絡的預測模型中輸入變量選擇[J].計算機科學，2003（08）：139-143.

[7]張立明.人工神經網絡的模型及其應用[M].上海：復旦大學出版社，1993.

[8]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版，2005：23.

[9]韓禎樣，文福拴.人工神經網絡在電力系統中的新進展[J].浙江大學電機，1993.

[10]張志涌，徐彥琴.MATLAB教程——基于6.x版本[M].北京：北京航空航天大學出版社，2001.

[作者簡介]陳時飛，男，變電運維室職工，電氣工程師，福州大學工學學士，華北電力大學工程碩士（在職），研究方向：電力系統自動化。