人工神經網絡進行市政負荷預測分析

鞏曉鋒

（大連市城市規劃設計研究院，遼寧 大連116012）

1 人工神經網絡原理

目前，人工神經網絡的研究領域，有代表性的網絡模型達數十種，并且隨著應用研究的不斷深入，新的模型也在不斷推出。人工神經的研究和應用多是以下4種基本模型及其改進型：Hopfield神經網絡、多層感知器、自組織神經網絡和概率神經網絡。在電力等系統負荷預測中，應用最多的是帶有隱層的前饋型神經網絡。它通常具有輸入層、輸出層和若干隱層組成。假如某一前饋型神經網絡，有m層，每一層有若干個神經元，第k層第j個神經元具有下列輸入輸出關系：

Nk為第k層神經元數目；m為總層數。

利用上式可以求出網絡總輸入y1(0),y2(0),……,yN(0),與輸出 y1(m),y2(m),……,yN(m),之間的關系式。實際上，代表輸入輸出的有關信息主要分布在神經元之間的連接上，不同的連接強度反映不同的輸入輸出關系。在對結構確定的神經網絡進行訓練時，一般是通過一定算法逐步修改各神經元之間的權重等參數而使計算結果趨近于實際目標，當計算結果與實際目標之間的誤差達到允許值時，則稱對該網絡的訓練結束。

2 預測結果分析

2.1 課題背景

在本項目中，筆者采用Matlab神經網絡工具箱建模，以7天為周期組織2005年—2009年的小時負荷及各天相關數據作為樣本神經網絡進行訓練，在滿足訓練精度要求后，將到的人工神經網絡應用于2010年的小時負荷預測工作。

2.2 預測結果及分析

為使數據的預測結果更具直觀性，編程輸出 “誤差數據”并研究其特點，為提取這些數據所包含的信息，筆者分別以天、周等作為周期重新組織數據組織，對比對應時間點誤差變化的特點，考慮燃氣提供商的運作特點，分析誤差產生的原因并提出可能的改進方向。

2.2.1 全年小時負荷預測結果統計

筆者將訓練后的神經網絡用于預測2006年-2010年小時負荷，并分析預測誤差的分布情況：整體看2010年的小時負荷預測結果與其他年預測結果相似，且略好于其他各年.具體表現在2010年預測誤差大于30%的數據總量明顯小于其它各年，誤差在10～30%之間的數據大量增加。總結起來，2005年數據好于其他各年的原因可能有以下兩點：

（1）用氣戶數的增加：總用氣戶數增加，更好地表現居民的用氣規律，增強負荷的“日周期”規律，減小用氣量的隨機波動，從該市的用戶統計中可以得到證明。

（2）工業用氣量的增加：工業用戶生產連續，用氣穩定，因而工業用氣量的增加可以使總用氣波動相對減小，有利于提高預測精度。該市近兩年來工業投資大量增加，工業用戶持續增長，為穩定用氣、提高負荷預測精度發揮了積極作用。

2.2.2 全年誤差分布圖

為分析燃氣小時負荷預測全年的誤差分布，筆者統計1月至12月的各月誤差分布，從數據中我們可以總結出各月數據有以下特點：

（1）各誤差區間內，全年各月誤差分布相似，誤差波動小。

（2）全年1月份誤差在30～100%間的數據明顯比其它各月高，其超過一月份總數據量的20%。

（3）在誤差大于100%的區間上，11月誤差占其總數據量的10%(明顯大于其它各月)。

筆者分析產生以上現象的原因可能有以下幾點：

1）從整體上來看，全年中用戶的用氣規律基本保持一致，或者說用氣規律保持緩慢、連續的變化，因而預測精度沒有出現大變化；

2）1月小時負荷預測精度低，這種現象的出現可能是由于重大節日(如元旦)期間用氣規律突變所致。

3）現象(3)的產生從數據上原因未確定，可能由于操作失誤或有工業大用戶增減等原因。

3 結論及改進方向

3.1 建立有效的數學模型

針對每天凌晨預測誤差大的現象，建議以此為課題，考慮以管網的儲氣容積、城市夜間燃氣消耗量、燃氣公司間歇供氣量作為邊界條件建立數學模型，用于研究燃氣負荷預測。

3.2 細致分析一月份誤差大的真實原因

針對春節、元旦等重大節日編寫相對獨立的預測程序，預期此工作可能進一步提高重大節日的負荷預測精度。

3.3 加強與燃氣公司技術合作

信息溝通，將第一手的負荷資料、工程管理信息與研究人員的預測理論相結合，有助于深入研究燃氣負荷的規律。

3.4 關注人工神經網絡方面的動態信息

提取燃氣負荷的波動特性，考慮改造人工神經網絡，同時關注人工神經網絡與其它預測工具融合的可能性。

［1］林錦順，姚儉.基于BP神經網絡的組合預測及在電力負荷的應用[J].上海理工大學學報，2005，27(5)：451-455.

［2］周中明，李建平，張鑫，等.ANN在電力系統中期負荷預測中的應用[J].電力系統及其自動化學報，2003，15(2)：157-160.