電力負荷預測神經網絡模型的設計

孫文革

（新疆職業大學機械電子工程學院，新疆 烏魯木齊 830013）

0 引言

電力系統由電力網、電力用戶共同組成。其任務是給廣大用戶不間斷的提供經濟、可靠、符合質量標準的電能，滿足各類負荷的需求，為社會發展提供動力。由于電力的生產與使用具有特殊性，即電能難以大量的儲存，而且各類用戶對電力的需求是時刻變化的，這就要求系統發電出力應隨時緊跟系統負荷的變化動態平衡，即系統要最大限度的發揮出設備能力，使整個系統保持穩定且高效的運行，以滿足用戶的需求。否則，就會影響用電的質量，甚至危及整個系統的安全與穩定。因此，有必要對電力系統負荷進行準確的預測，以為電力生產順利進行提供前提和基礎。

負荷預測的核心問題是預測的技術問題，或者說是預測的數學模型。傳統的數學模型是用現成的數學表達式加以描述，具有計算量小、速度快的優點，但同時也存在很多的缺陷和局限性，比如不具備自學習、自適應能力、預測系統的魯棒性沒有保障等。特別是隨著我國經濟的發展，電力系統的結構日趨復雜，電力負荷變化的非線性、時變性和不確定性的特點更加明顯，很難建立一個合適的數學模型來清晰的表達負荷和影響負荷的變量之間的關系。而基于神經網絡的非數學模型預測法，為解決數學模型的不足提供了新的思路。

目前在電力系統負荷預測領域應用的較多的是BP神經網絡，尤其是短期負荷領域應用的較為廣泛[1]，該方法實際上是利用靜態前饋網絡對動態網絡進行辨識，將動態時間建模問題變為靜態建模問題，這樣會帶來很多問題，而能夠準確反映系統動態特性的網絡應該是動態神經網絡，即回歸神經網絡[2]。Elman回歸神經網絡即屬于典型的動態神經網絡，它在BP神經網絡結構的基礎上，通過存儲內部狀態使其具備映射動態特征的功能，從而使系統能夠更好的適應電力負荷的非線性事變特征。

本文嘗試使用Elman神經網絡建立電力負荷預測模型，利用烏魯木齊市2008年10月份電力負荷數據進行訓練與仿真，仿真結果具有較好的收斂性和魯棒性，取得了較滿意的預測效果。

1 Elman神經網絡

1.1 網絡結構

Elman神經網絡是Elman與1990年提出的，本質上屬于反饋型神經網絡，該模型在前饋網絡的隱含層中增加了一個承接層，作為一步延時的算子，以達到記憶的目的，從而使系統具有適應事變特性的能力，能直接動態反映動態過程系統的特性。

Elman型神經網絡分為4層：輸入層、隱含層、承接層和輸出層。如圖1所示。輸入層、隱含層、輸出層的連接類似于前饋網絡，輸入層的單元僅起信號傳輸作用，輸出層單元起線性加權作用。隱含層單元的傳遞函數可以采用線性或非線性函數，承接層又稱為上下文層或者狀態層，用來記憶隱含層單元前一時刻的輸出值并返回給網絡的輸入，可以認為是一個一步延時算子。

圖1 Elman網絡結構圖

Elman神經網絡的特點是隱含層的輸出通過承接層的延遲與儲存，自聯到隱含層的輸入。這種自聯方式使其對歷史狀態的數據具有敏感性，內部反饋網絡的加入增加了網絡本身處理動態信息的能力，從而達到動態建模的目的。此外，Elman神經網絡能夠以任意精度逼近任意非線性映射，可以不考慮外部噪聲對系統影響的具體形式，如果給出系統的輸入輸出數據對，就可以對系統進行建模[3]。

1.2 網絡學習過程分析

Elman網絡的非線性狀態空間表達式為：

式中，k表示時刻；y為m維輸出節點向量；x為n維中間層節點單元向量；u為r維輸入向量；xc為n維反饋狀態向量。w3為中間層到輸出層連接權值；w2為輸入層到中間層連接權值；w1為承接層到中間層的連接權值。g(*)為輸出神經元的傳遞函數，f(*)是中間層輸出的線性組合。 為中間層神經元的傳遞函數，常采用s函數。

網絡采用BP算法進行修正，學習指標函數采用誤差平方和函數：

2 模型建立及仿真

建模的核心問題是確定神經網絡的輸入、輸出接點，能使其反映電力負荷的運行規律，從而達到預測未來時段負荷的目的。

一般來說，電力系統的負荷高峰通常出現在每天的9-19點之間，本文對烏魯木齊市2008年10月10日-18日每天9-11點共3小時逐時負荷進行預測。電力系統復合數據如表1所示，表中數據已經經過歸一化。

利用前8天的數據作為網絡訓練樣本，每3天的負荷作為輸入向量，第4天的負荷作為目標向量。這樣可以得到5組訓練樣本。第9天的數據作為網絡的測試樣本，驗證網絡能否合理的預測出當天的負荷數據。

表1 電力系統負荷數據

神經網絡網絡預測曲線及預測誤差曲線分別如圖2和圖3所示。

圖2 網絡預測曲線圖

圖3 網絡預測誤差圖

由圖3可知，網絡預測誤差較小，但是，中間神經元為14時出現了較大的誤差，這是因為訓練樣本太小導致的。當中間神經元為11個時，網絡的預測誤差最小，也就是預測性能最好。因此，對于本系統，中間層神經元的最佳數量為11個。

3 結論

電力系統的復雜性造成了負荷預測的困難，本文利用Elman神經網絡具有的良好的動態特性，建立電力負荷的預測模型進行了數據預測，仿真結果證明Elman神經網絡具有動態特性好、逼近速度快、負荷預測準確等優點，在電網用電量預測領域具有廣闊的應用前景。

需要指出的是，由于電力負荷特性變化受制于諸多因素，而基礎數據信息的局限、天氣信息數據的缺乏等情況都會影響負荷預測精度。另外，對于電力預測來說，只考慮歷史數據是不夠的，對于一個實際的時間序列，它的預測值不僅取決于歷史數據，還受許多突變因素的影響，由于工作日和節假日的符合不同，還要考慮時間特征值[5]。

為避免預測時出現相對較大的誤差，可以通過加大樣本量，事先提出錯誤數據等措施來提高預測精度。

［1］邵瑩,高忠文.基于模糊集理論的短期電力負荷預測[J].信息技術,2005(5):18-23.

［2］芮執元,任麗娜,馮瑞成.基于Elman神經網絡的甘肅電網負荷預測模型[J].現代電力,2007,24(2):26-29.

［3］飛思科技產品研發中心.神經網絡與MATLAB7實現[M].北京:電子工業出版社,2005.

［4］吳微,徐東坡,李正學.Elman網絡梯度學習法的收斂性[J].應用數學和力學,2008(9):114-119.

［5］王艷,秦玉平,張志強.一種改進的Elman神經網絡算法[J].波翰大學學報:自然科學版,2007(4):24-35.