基于連云港市的電力系統短期負荷預測研究

劉 明

（國網江蘇省電力公司連云港供電公司，江蘇 連云港 222004）

基于連云港市的電力系統短期負荷預測研究

劉 明

（國網江蘇省電力公司連云港供電公司，江蘇 連云港 222004）

對連云港市負荷特性深入分析后進行了短期負荷預測的研究，簡要介紹了誤差反向傳播算法即BP算法的結構和原理，并將BP算法用于短期負荷預測，簡單高效可行，但由于該算法收斂的時間較長、且容易陷入局部極小點，故在后文提出了用粒子群算法優化BP神經網絡的新型算法，該算法能夠有針對性地優化網絡結構中的權值和閾值，在不斷迭代的情況下，使得預測誤差向減小的方向訓練。實例表明，優化后的模型預測結果準確率有了較大程度提高，滿足了負荷預測的基本要求。

負荷預測；負荷特性；BP算法；粒子群算法；模型；優化

負荷預測工作是電力企業調度、用電、計劃、規劃等部門的重要工作內容之一，電力負荷預測水平的高低也是衡量現代電力發展程度的重要標志。提高電力系統負荷預測水平，有利于計劃用電管理，節約一次能源和降低發電成本，提高電力系統的經濟效益和社會效益。電力系統短期負荷預測具有重要的意義，對電網在城市中的負荷預測進行了深入的研究之后，概括了電網負荷預測目前的研究狀況，總結了研究方法的特性［1－3］。

根據連云港市2012年8～12月的電網實時負荷，研究該地區的負荷特點，進行了細致全面的分析，將應當考慮的相關因素盡可能考慮到位，考慮因素包含了對天氣情況、日期種類和負荷數據的分析。負荷預測前，需要做原始數據、天氣和日期樣本的整合和歸一化處理。負荷預測中使用的方法是較完善的誤差反傳（BP）神經網絡算法。在明確網絡結構時，需要對所有相關因素進行分析。進行了足夠多的試驗之后，可以明確神經網絡中最好的BP算法訓練函數、隱含層節點數和節點傳遞函數。當有了電網實時的數據之后，可以通過確立24個預測模型來預估24個整點的負荷。

為了使BP神經網絡更加完善，在對其權值和閾值進行初始化，經過粒子群優化算法之后，參照降低預測誤差的方法進行，這樣得到了更佳的預測參數和結論。

1 短期負荷預測的基礎

對地區電網做負荷預測，要考慮到其具有很突出的周期性和隨機性，要做好全面掌握地區負荷客觀存在的長期周期性變化情況的準備。電網負荷按照某種規律隨季節、天氣、溫度的變更而變化。所用的模型要綜合考慮不同因素的影響，同時參照負荷序列的變化，才可以獲得理想的短期負荷預測結果［4－7］。

1.1 負荷變化年周期性

圖1是連云港市全年每天的用電負荷平均值，其負荷變化遵循某種規律。

圖1 連云港市2012年日平均用電負荷曲線

全年的日電網負荷峰值和最低值出現在7月30日和1月27日，分別為175.8萬kW和93.2萬kW。全年的用電高峰期出現在夏季的6～9月，相對夏季而言，冬季的負荷要稍低，春秋兩季的用電水平相對穩定。用電負荷水平不僅與氣候因素相關，和人們自身生活習慣也有緊密的聯系。在連云港，用電最高峰往往是7月，這個時候天氣最為炎熱，空調等制冷設備的使用十分頻繁；12月的用電量同樣緊張，因為此時天氣比較寒冷，大量的取暖設備被使用。相比這2個月，其他10個月的用電相對穩定，因為沒有極端天氣的出現。

1.2 負荷變化周周期性

圖2是連云港市2012年9月4～10日的電網負荷曲線，2012年9月4日是星期三，根據曲線，可以知道，工作日的變化曲線很接近，周六的負荷會相對降低一些，周日會有一個顯著的跌幅。出現這種情況的原因主要是，工作日時整個社會處于正常運轉狀態，工業和商業用電負荷比較平穩。周末大部分工廠都停產休息，所以負荷出現了很大下跌。

圖2 連云港市2012年1周用電負荷曲線

1.3 負荷變化日周期性

圖3是2012年9月6日的負荷曲線。從圖中曲線可以得到，1天的負荷變化很有規律性。負荷變化的整個流程大概是夜間2時以后，大部分人都入睡了，此時負荷量開始緩慢下跌。隨著時間的推移，早晨到來，負荷隨之相應地增加，上午9、10時，負荷量達到了1天的第1個高峰；10～12時的負荷量小幅下跌。中午12時后是大部分人的午飯和午休時間，此時負荷會迎來1個低谷。下午1時后負荷量呈穩定變化趨勢。下午3時是1個調整期，此時用電負荷會迎來第2個低谷，此后，隨著工作的繼續開展，負荷緩慢回升，下午6～8時，負荷量迎來1天的第2個高峰；負荷量一直到凌晨12時左右才會慢慢回落，雙休日和法定假日的作息與以上規律基本相同。

圖3 連云港市2012年1天用電負荷曲線

2 基于誤差反傳算法的負荷預測

2.1 BP算法預測模型的建立

誤差反傳算法簡稱BP算法，其具有非常強的非線性映射能力，通常被用于建立系統模型，且結構簡明，工作狀態穩固，方便于硬件表現；通過對BP網絡的訓練使其能夠像人的大腦一樣具有足夠的經驗和依據過去的經驗來識別判斷的能力，從而進行負荷預測［8－10］。

基于BP神經網絡的短期負荷預測有3個步驟，如圖4所示。第一步，設計BP神經網絡的模型，按照實際的輸入輸出矩陣確定網絡的內部結構；第二步，用盡可能多的歷史數據訓練建立的BP神經網絡，增進網絡精準度，使網絡性合格；第三步，應用BP神經網絡進行短期負荷預測。

圖4 BP神經網絡算法流程

BP神經網絡的建立依據影響電網負荷數據的輸入因素和要預測的輸出負荷數據來確定，短期電網負荷的變化受氣象、節假日和春、夏、秋、冬四季更替變化等多重因素的影響。選擇連云港市2012年8～12月的短期電網負荷數據作為訓練以及預測數據，對選取的原則說明如下，考慮到“近大遠小”的原則，即對要預測的負荷影響最大的因素是靠近預測日的日期的負荷數據，影響較小的因素則是遠離預測日的日期的負荷數據，因此預測12月負荷只采用前面的9～11月負荷數據足夠訓練出較精確的預測模型，另外考慮到節假日、不同季節條件下負荷的變化趨勢不同，因此選取沒有節假日且同屬于秋季的9～11月負荷作為訓練數據。隨著連云港市經濟的快速發展，大用戶不斷增加，平均負荷一直在逐年上升，因此短期負荷預測不考慮往年的歷史負荷數據，在中長期負荷預測中需要考慮往年的歷史數據。

對每天的24 h負荷分別建立24個不同的神經網絡預測模型，每個神經網絡都對應地預測出其中一個整點時刻的負荷值，這樣每一個網絡預測出的負荷值都能夠更加合理地反映出該時刻的負荷特性，預測的準確率也會有很大程度的提高。

在模型中以l（h，n）表示負荷預測中的原始負荷序列，以T（s，n）表示影響負荷變化的最高溫度、最低溫度，以D（n）表示負荷預測中每一天的日期類型如周一、周二等，以W（n）表示負荷預測日的天氣情況如陰、晴、小雨等，其中h＝1，2，3，24，表示每天的24個時刻；s＝L，H，表示一天中的最低溫度、最高溫度；n＝1，2，3，…，N，表示負荷數據、溫度數據、日期類型、天氣情況取自第n天，如表1所示，建立的網絡模型輸入節點有14個，分別為不同情況下的負荷數值、溫度等，輸出節點則為預測日的某個時刻負荷預測值［11－12］。

表1 網絡的參數模型

由此得出，預測模型設定的輸入量為相關的影響因素合計14個，輸出量為預測時刻的負荷數據只有1個，表示輸入層有14個節點，輸出層有1個節點。

BP神經網絡訓練數據是連云港市2012年9～11月共3個月的每天24 h整點電網負荷數據，預測12月1～7日的電網負荷數據。

2.2 算例和結果

對隱含層節點數進行了試驗，相對誤差以12月1～7日7天的負荷預測平均相對誤差的平均值（取10次結果的平均值）為標準，當隱含層節點數取1時，此時的預測誤差最小，因此，BP神經網絡的隱含層節點數取1。

確定BP神經網絡的結構為14－1－1，通過試驗，傳遞函數采用正切S型tan sig傳遞函數，輸出層節點傳遞函數采用purelin線性傳遞函數，訓練函數采用traingda梯度下降BP算法，效果較好。

算法經過MATLAB實現，24：00程序運行時顯示的網絡結構如圖5所示，圖中的幾個進度條可以反映訓練的終止條件：訓練次數達到預設的次數Epoch或者訓練時間達到Time；表示函數達到指定的范圍Performance＜theta；表示函數的梯度小于一個極小的數（接近0），表示Performance再訓練變化也不會很大；訓練過程中多次達到要求，雖然尚未穩定的時候，但已經是第n次達到要求時也會停止訓練［13－14］。

圖5 BP神經網絡結構

經過24個網絡的訓練預測，得到12月1～7日的預測負荷結果如圖6所示，其相對誤差曲線如圖7所示。

圖6 預測負荷與實際負荷對比曲線

圖7 預測誤差曲線

3 基于粒子群優化算法的負荷預測

3.1 粒子群算法概述

粒子群優化算法簡稱PSO算法，來源于鳥類的捕食現象，鳥類在捕食時，每只鳥為了更快地用最小的路徑尋覓到食物，就只需要尋找距離食物最近的鳥群即可。粒子群優化算法就是從鳥類捕食這種生物種群的行為特征中得到了啟發并且應用于優化問題的求解上面。

粒子群優化算法類似于模擬退火算法，每個優化問題的解都看作是搜尋捕食的鳥群中的一只鳥，所以稱其為粒子。它是從隨機解出發，經過迭代尋優，并通過適應度來評價解的性質，從而不斷地尋找個體中的最優解及群體中的最優解［15］。

3.2 粒子群算法步驟

粒子群算法步驟如圖8所示。

圖8 PSO算法步驟

首先要對每個粒子初始化，再設定粒子數為n，然后隨機產生n個初始解，并且隨機產生n個初始速度；求得當前粒子的適應度值，并且依據適應度值確定個體極值和群體極值；依據速度以及方向產生各個粒子的新位置，假如新產生的粒子位置的適應度比原來的個體極值好，就把新的適應度值當作個體極值，通過比較各個粒子的個體極值，以便找到種群中的全局極值；迭代更新，可以得到新的粒子的速度以及位置。若滿足了終止的條件，則得到足夠好的適應值或者已經達到預定的最大迭代次數，就會輸出最好極值和其適應值并終止計算［16］。

基于PSO算法的特點，將PSO算法和BP神經網絡進行了整合處理，從而形成一種混合處理的優化算法。其主體思想是構建一個初始的BP神經網絡，使用負荷數據來訓練模型以產生基本的參數如BP神經網絡中的連接權值和閾值；將得到的初始權值、閾值通過粒子群算法的不斷迭代優化（包括設置粒子群算法中的各項參數，如慣性權值、加速度因子、進化代數、種群規模、粒子的最大速度、最大位置等）找到能使得BP算法預測誤差盡快滿足設定要求的最佳權值閾值；然后將最佳的權值和閾值直接賦給BP神經網絡中的參數，這樣更具有針對性，是對BP網絡中權值和閾值“優勝劣汰”的過程，可以很大程度提高參數迭代尋優的效率。

3.3 算例和結果

用PSO算法優化BP神經網絡的方法訓練連云港市2012年9～11月共3個月的每天整點負荷數據，用訓練得到的預測模型預測12月1～7日的負荷數據，得到預測結果如圖9所示，其相對誤差曲線如圖10所示。

圖9 預測負荷與實際負荷對比曲線

圖10 預測誤差曲線

將BP算法和PSO優化BP算法對負荷預測的結果放在一起進行比較，得到2012年12月1～7日的實際負荷和預測負荷情況對比如圖11所示。

圖11 兩種方法預測結果對比圖

兩種方法預測負荷的總體誤差分析如表2所示。

從表2可以看出，分別采用BP、PSOBP算法對連云港市2012年12月1～7日負荷進行預測，總體取得了很滿意的預測效果。采用BP算法時，7天的預測相對誤差的平均值為3.463 3%，最大相對誤差為12月7日的7.059 6%，最小相對誤差為12月1日的1.414 6%；采用PSOBP進行預測時，7天的預測相對誤差的平均值為1.939 1%，不僅較BP算法預測有很大的優勢，在該類算法中的預測結果的準確率依然是有了很大的提升；在鄰近的預測數量級下，由于預測模型等諸方面的影響因素，很難再有較大幅度的提升，但這樣的預測準確率已經較高了。

表2 兩種方法預測結果對比

4 結論

短期負荷預測是電力系統中一項非常重要的工作，其涉及到調度、用電、計劃和規劃等多個管理部門。據估算，1%的預測誤差將會導致1年上千萬元的經濟損失，因此對于如何提高預測的準確率、減小預測誤差能夠直接影響到電力系統的經濟效益，意義重大。

在連云港市2012年負荷數據的基礎上，應用BP神經網絡算法和PSO算法模型分別對負荷進行了預測。

a.BP神經網絡具有較好的擬合能力，在短期負荷預測中取得的效果顯著，該算法迭代尋優的次數多、過程冗雜；隨之引入了PSO算法，優化BP網絡的權值和閾值，結果表明PSO優化算法的預測準確率高于BP神經網絡。

b.統計學對于算法的研究不斷深入，雖然PSO優化算法取得了相對比較好的預測結果，但負荷預測的精度還需進一步提高。

c.對負荷數據、天氣狀況等樣本的預處理非常重要，各種預測模型使用的好壞在很大程度上并不僅僅取決于模型本身的建立質量，因此在訓練和預測之前對負荷數據樣本以及其他影響因素的樣本分析預處理也顯得格外重要。

參考文獻：

［1］ 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，2002.

［2］ 何仰贊，溫增銀.電力系統分析［M］.武漢：華中科技大學出版社，2002.

［3］ 劉晨暉.電力系統負荷預報理論與方法［M］.哈爾濱：哈爾濱工業大學出版社，1987.

［4］ 牛東曉，曹樹華，盧建昌，等.電力負荷預測技術及其應用［M］.北京：中國電力出版社，2009.

［5］ Pnadit，S.M（美），吳憲民（美）著，李昌琪等譯.時間序列及系統分析與應用［M］.北京：機械工業出版社，1998.

［6］ T?Masters.Neural，Novel Hybrid Algorithms for Time Series prediction［M］.New York：John Wiley＆Sons，Inc.，1995.

［7］ 許睿超，羅衛華.基于人工神經網絡與主分量分析的短期電力負荷預測方法［J］.東北電力技術，2011，32（1）：1－4.［8］ 孟 懿，鐘兆欣.基于RAN網及小波神經網電力系統短期負荷預測［J］.東北電力技術，2010，31（6）：19－23.

［9］ 呂 嬋.基于BP神經網絡的短期負荷預測［D］.武漢：華中科技大學，2007.

［10］ 劉 明.基于小波和神經網絡理論的電力系統負荷預測研究［D］.南京：南京理工大學，2012.

［11］ 康麗峰，王敬成.一種新型RBF短期負荷預測模型［J］.東北電力技術，2008，29（7）：23－25.

［12］ 劉 玲.基于粒子群BP神經網絡的短期負荷預測研究［D］.南京：河海大學，2005.

［13］ 燕 潔.神經網絡在電力負荷預測中的應用［J］.東北電力技術，2007，28（4）：47－48.

［14］ 劉 玲，嚴登俊，龔燈才，等.基于粒子群模糊神經網絡的短期電力負荷預測［J］.電力系統及其自動化學報，2006，18（3）：47－50.

［15］ 陸 寧，周建中，何耀耀.粒子群優化的神經網絡模型在短期負荷預測中的應用［J］.電力系統保護與控制，2010，38（12）：65－68.

［16］ 周 野.基于粒子群優化算法的短期電力負荷預測［D］.長沙：湖南大學，2009.

Research on Lianyungang?based Short?term Load Forecasting of Power System

LIU Ming
（State Gird Jiangsu Electric Power Company Lianyungang Power Supply Company，Lianyungang，Jiangsu 222004，China）

Research is made on short?term load forecasting based on analysis on characteristics of load in Lianyungang，the structure and principle of error back propagation algorithm（BP algorithm）is introduced.The BP algorithm is used in load forecasting，which is simple，efficient and feasible，but since it takes a long time due to the convergence of the algorithm，and it often falls into local mini?mum points easily，so new optimization algorithm of particle swarm algorithm to optimize the BP neural network is used.The algorithm can be targeted to optimize the weight value and threshold value of the network structure，in case of constant iteration，it works in the direction of reducing the forecast error.The example shows that the prediction accuracy is improved greatly so that it can satisfy the basic requirements for load forecasting.

Load forecasting；Load characteristic；BP algorithm；Particle swarm algorithms；Model；Optimization

TM715

A

1004－7913（2015）02－0029－06

劉 明（1986—），男，碩士，從事電力系統調度運行、電力系統負荷預測等方面的工作。

2014－11－25）