短期電力負荷預測研究

（安徽工程大學電氣工程學院，安徽蕪湖，241000）

短期電力負荷預測研究

許 祎,王世芳

（安徽工程大學電氣工程學院，安徽蕪湖，241000）

電力系統負荷預測通過對歷史數據分析，預測未來需求。本文先用小波聚類對數據進行負荷分類，再分別用經典的遺傳算法、Elman神經網絡算法、小波-神經網絡算法和組合智能算法建立預測模型。通過比較以上幾種短期電力負荷預測模型的仿真結果，驗證了混合智能算法可以大大增強負荷預測結果的準確性和可靠性，具有良好的應用前景。

遺傳算法；Elman神經網絡算法；小波變換

0 引言

能源是人類社會經濟發展的基礎性資源和物質保障，也是重要的戰略和政治資源。人類用電歷史超過百年，電力工業的發展極大地推進了人類文明的進步和社會的發展。負荷預測（Load Forecasting）是電網系統調度、實時控制、運行計劃和發展規劃的前提，對電網生產部門、調度部門和規劃部門而言是必須具備的基本信息；準確的負荷預測，有助于電力生產部門經濟合理的安排電網內部發電機組的啟停和組織檢修計劃，有助于調度部門根據各地區負荷需求調配電力資源，有助于規劃部門制定合理的電源建設規劃和安排電網的增容改建工作。準確的負荷預測可以在保證供電質量要求的前提下最大限度地避免電網建設資金的浪費，實現有限投資的社會效益最大化。負荷預測已成為電網中系統優化、市場優化和經濟調度不可或缺的基礎工作。

1 系統框架設計

本文運用遺傳算法和小波—神經網絡對電力系統負荷進行預測研究。首先，使用小波分析時間原始負載信號 - 頻率變換，負載建立置信區間的奇點的信號在分解和重構過程中被除去后進一步預測;那么遺傳算法來訓練神經網絡，充分利用遺傳算法全局搜索的特性，得到一個初始的權值矩陣和初始的閾值向量，再用其它訓練算法（Elman算法），得到最終優化的神經網絡結構，借助Matlab進行仿真，完成相應負荷預測。

1.1 神經網絡算法

BP神經網絡是前多層前饋神經網絡，網絡的特點是信號的誤差反傳前傳。直傳，從由層輸入層由一層隱藏層的處理，直至輸出層的輸入信號，然后將其轉移回傳播，根據預測誤差來調整網絡的權值和閾值，從而使神經網絡預測更接近和更接近期望輸出。

1.2 遺傳算法

遺傳算法是一種模擬生物進化和遺傳變異機制的概率優化方法，由于它不要求被優化的目標函數是連續和可微的，并且能在容許的時間內找到大規模優化問題的滿意解。采用遺傳算法解決優化問題時，問題的一個候選解被編碼成個體，通常采用二進制串表示。用Gen代表遺傳(迭代)的次數， 遺傳算法從Gen= 0開始,根據所研究問題的表達方式確定字符串長度L，接著隨機產生M 個初始群體，剛開始時，終止條件不滿足，依次計算群體中各個個體的適應度，根據計算結果，進行復制、交換、突變等遺傳操作，直到滿足停止準則，求得問題最優解。

1.3 組合智能算法

當原始數據處理，選取小波變換的原始數據，以確定和壓縮，類似的數據的快速分類，同時保證了原始數據不會的信息的基礎上丟失，有效地減少數據量，容易訓練的模型來構建第一模塊的網絡。選擇埃爾曼歷史負載數據和影響訓練的各種因素的神經網絡，獲得該網絡的第二模塊，第一模塊的作為輸入此模塊的輸出。訓練結束后得到的第二模塊的輸出數據與所獲得的原始數據，分析和預測結果進行比較，并評價預測精度。如果不是預測需求，采用遺傳算法，選擇網絡的一個較為合理的初始值，使更準確的預測和預報結果更可靠優化功率和閾值網絡。

2 仿真實驗

在本文中，Matlab仿真使用電負載數據的平穩小波分解，組件，組件月份，星期組件，天分量和隨機分量的功率系統負載分解。其中，后小波系數重構組件反映電力負荷的全年走勢，本月小波系數重構組件后，反映了電力負荷周期趨勢按月，周，天組件都基于一個每周周期分量趨勢的和天周期電力負荷。隨機分量反映電力負荷的隨機波動，這種波動的幅度一般較小。使用的周期性趨勢平穩小波功率負載的分量提取出來，隨機分量的其余部分理論上不易揮發后，但在電力負荷壞數據是混合數據，它將局部誘變上隨機成分，可以使用統計方法提取錯誤數據。負載數據的分析的基礎上，曲線擬合到已知的功能。

2.1 神經網絡算法在負荷預測中的應用

給出一組數據對樣本進行訓練，直至得到符合要求的訓練樣本。隨著訓練次數的增加可以達到減少誤差的效果，單純的神經網絡的算法不能很好的減少預測誤差。

2.2 基于遺傳算法的Elman神經網絡負荷預測

用組合智能算法對某地電網負荷進行訓練，然后對第二年的負荷進行預測，對去除不良數據的負荷進行訓練，其預測結果要好于沒有去除不良數據的負荷訓練預測的結果。智能混合算法的預測誤差要明顯好于神經網絡的預測誤差。圖2-1表示這兩種算法對應的誤差曲線，曲線能形象地反應出各種算法的優劣性。

3 結論

本文介紹的電網負荷預測，都是受多個因素共同影響，且各個因素之間有著比較復雜的關系，是具有高度不確定的非線性系統。小波使用傳統的預測方法有很大的局限性，以及 - 神經網絡和遺傳算法的組合是智能算法可以克服這些限制，以實現準確和可靠的非線性預測

[1] 王世芳,李國麗.基于遺傳算法的BP神經網絡在圖像壓縮中的應用.量子電子學報.Vol.24,No.4,425-428.

[2] 王春，肖國春，張福偉。電力系統負荷預測[M]。北京：中國電力出版社，2000

[3] 劉晨暉。電力系統負荷預測理論與方法。哈爾濱：哈爾濱工業大學出版社，1987

[4] R.S.MOGHRAM I.Analysis and evaluation of five short-term load forecasting technique,IEEE Transactions on PowerSystems,1989,4(4).

[5] 包立公,張瑞祥。人工神經網絡技術在電力系統中的應該[J]。江蘇電機工程，2010,52-55.

[6] Schaffer J.D.Multiple Objective Optimization with Vector Evaluated Genetic Algorithms.Genetic Algorithms and Their Applications:Proceedings of the First International Conference on Genetic Algorithms.1985

[7] Srivivas N Deb K.Multiobjective Optimization Using Nondominated Sorting in GeneticAlgorithms. Evolutionary Computation,1995(Vol.2 No.3):221-248

[8] E.Zitzler,K.Deb,and L.Thiele,Comparison of Multiobjective Evolutionary Algorithms:Empirical Results,Evolutionary Computation,8(2),pp.173-195, Summer 2000.

Study on short term electric load forecasting

Xu Yi,Wang Shifang
(Anhui University of engineering, electrical engineering,Wuhu,Anhui,241000)

Power system load forecasting through the historical data analysis,forecast future demand. In this paper,we use wavelet clustering to load data.Then we use the classical genetic algorithm,Elman neural network,wavelet neural network and combined intelligent algorithm to build the forecasting model.By comparing the simulation results of several short-term power load forecasting models,the hybrid intelligent algorithm can greatly enhance the accuracy and reliability of the load forecasting results,and has good application prospect.

genetic algorithm;Elman neural network;wavelet transform

圖2-1 各種算法對應的預測誤差

本文由安徽工程大學國家級大學生創新創業訓練計劃“短期電力負荷預測研究”資助，項目編號：AH201210363220