電力短期負荷預測的研究

劉齊更

（安徽理工大學 機械工程學院，安徽 淮南 232001）

0 引言

電力的短期負荷預測是電力系統的一項重要工作，是實現供電可靠、經濟管理的基礎。由于電力負荷受到很多因素的影響，負荷預測方法發展至今，雖然已經積累了很多經驗，但是還沒有一種可靠的模型實用于不同地區。本文針對某市電力負荷的特點，提出了模擬退火BP神經網絡電力短期負荷預測模型。經驗證，該模型在實現負荷預測方面的可行性。

1 BP神網絡

人工神經網絡理論的研究始于1890年美國著名心理學家W.James關于人腦結構與功能的研究，至今已提出過許多網絡模型，其中用于預測的網絡主要是BP神經網絡。這是因為BP神經網絡主要有以下特點：（1）較強的非線性映射能力；（2）很好的泛化能力；（3）很強的容錯能力和學習能力。

D.E.Rumelhart和J.L.Mc Cell and及其研究小組于1986年研究并設計出來BP神經網絡(Back-propagation Neutral Network)是一種基于誤差反向傳播(BP算法)的多層前向神經網絡，采用有導師的訓練方式。BP算法的學習過程包括信號的正向傳播與誤差的反向傳播兩個過程。三層BP網絡是一種應用很普遍的神經網絡，它包括輸入層、隱層和輸出層，如圖1所示，輸入層神經元的個數為輸入信號的維數，隱含節點的個數視具體情況而定，輸出層神經元的個數為輸出信號的維數。BP網絡的工作流程見圖2所示。

圖1 BP神經網絡

誤差的反向傳播是BP網絡的一大特點，但是，該網絡也存在以下一些主要缺陷：（1）訓練次數太多，效率較低；（2）易于陷入局部極小而不能實現全局最優。針對這些缺點，本文利用模擬退火算法對BP網絡進行改進。

2 模擬退火算法

1953年Metropolis等提出的模擬退火算法 (Simulated Annealing，簡稱SA)能夠近似求解具有NP復雜性的問題，可以避免陷入局部極小的問題。模擬退火算法主要包括狀態產生函數、狀態接受函數、溫度更新函數、內循環終止準則和外循環終止準則。

其工作過程如圖3所示。

圖2 BP網絡的工作過程

圖3 模擬退火算法的流程圖

3 神經網絡負荷預測模型

本文設計的預測模型中BP神經網絡的輸入層共有8個輸入端，分別用來輸入待測日前四天對應時刻的負荷，以及天氣因素中的最低溫度、最高溫度、降雨量和日期類型；因為本模型的輸出為對應時刻的負荷，故輸出層只有一個輸出端；隱含節點的最佳個數現在沒有一個具體的方法或者公式來確定，通過實驗，本文最終取9個隱含節點。該模型工作流程見圖4所示。

4 驗證

本文利用該模型及單一的BP神經網絡模型來預測某市的負荷。由于預測過程中所用的數據性質不同，大小差別很大，因此在使用之前，需要對數據進行歸一化處理，對預測結果需要進行還原。本文所用的轉移函數均為單極性Sigmoid函數。利用歷史數據，進行預測，預測結果見圖5所示。預測誤差分布見圖6所示。

圖4 預測模型工作流程

圖5 預測結果

圖6 預測誤差

通過以上預測結果可知，利用該模型在預測結果的準確性方面，比單一BP神經網絡具有很大的優勢,同時也驗證了該模型的可行性。

5 結論

針對單一的BP神經網絡的缺點，本文利用模擬退火算法來優化BP神經網絡，經驗證，該方法是可行的。

［1］朱興統.基于 SA-LSSVM 的電力短期負荷預測[J].科學技術與工程，2012，12（24）：6171-6173.

［2］師彪，李郁俠，于新花，等.基于改進粒子群模糊神經網絡的短期電力負荷預測[J].系統工程理論與實踐，2010，30（1）：157－166.

［3］李慧，王來運.基于混沌蟻群算法的電力短期負荷預測[J].北京信息科技大學學報，2011，26（4）：40-43.

［4］鄭永康，陳維榮，蔣剛，等.基于混沌理論的短期負荷局域多步預測法[J].電力系統及其自動化學報，2007，19（4）：76－79.

［5］谷子，唐巍.電力短期負荷時間序列混沌相空間重構參數優選法[J].中國電機工程學報，2006，26（14）：18－23.