基于LM算法的BP神經網絡的電力負荷短期預測

劉進波　+陳鑫　+李新花

摘 要 通過對BP神經網絡輸入負荷值的歸一化處理，同時采用LevenbergMarquardt（LM）算法，建立了一個改進了的BP神經網絡，同時用它來對電力系統進行短期負荷預測.LM算法有效地提高了BP神經網絡的收斂速度和負荷的預測精度.仿真結果表明，改進了的BP神經網絡具有很高的預測精度和較強的適用能力.

關鍵詞 BP神經網絡；電力負荷預測；LM算法

中圖分類號 F224 TP183 文獻標識碼 A

Power System ShortTerm Load Forecasting Based

on LevenbergMarquardt Algorithm BP Neural Network

LIU Jinbo， CHEN Xin， LI Xinhua

（School of Mathematics and Computational Science， Changsha University

of Science And Technology， Changsha，Hunan 410004，China）

Abstract By utilizing the normalization for the input load values of BP neural network and adopting LevenbergMarquardt algorithm， this paper established an improved BP neural network and investigated the power system shortterm load forecasting. LevenbergMarquardt algorithm improves the convergence speed and the load forecast accuracy. The simulation results show that the improved BP neural network can offer higher forecast precision and has greater applicability.

Key words BP neural network； Power load forecasting； LevenbergMarquardt algorithm

1 引 言

電力負荷預測是以電力負荷為對象進行的一系列預測工作.從預測對象來看，電力負荷預測包括對未來電力需求量（功率）的預測和對未來用電量（能量）的預測以及對負荷曲線的預測.其主要工作是預測未來電力負荷的時間分布和空間分布，為電力系統規劃和運行提供可靠的決策依據.電力系統短期負荷預測能夠預測提前一天至一周的電力負荷值，它不僅對確定日運行方式有十分重要的作用，而且也是確定負荷調度方案、地區間功率輸送方案和機組組合方案所不可或缺的.電力負荷預測的結果，不僅對大中型電力用戶來說，在安排生產計劃、估算經濟成本和效益、以及規劃近、中期的生產規模都具有十分重要的意義，而且對地方政府在資源配置、產業布局等經濟決策中有重要的參考價值[1].

人們經過長期的研究與實踐開發了多種電力負荷預測方法，主要分為定量預測技術及定性的經驗預測技術.常用的定性經驗預測方法有主觀概率法、專家預測法（專家會議法、德爾菲法等）、類比法等方法.常用的定量預測技術有人工神經網絡預測技術、經典技術（彈性系數法、負荷密度法、單耗法、比例系數增長法等）、模糊預測技術、回歸模型預測技術、專家系統預測技術、趨勢外推預測技術、灰色模型預測技術、優選組合預測法、時間序列預測技術等[1，2].

經 濟 數 學第 32卷第2期

劉進波等：基于LM算法的BP神經網絡的電力負荷短期預測

目前利用BP神經網絡技術對電力負荷進行短期預測是國際上公認為比較有效的方法[3，5-11]，但傳統的BP神經網絡技術因收斂速度比較慢，學習效率低，泛化能力差等缺陷而有待進一步的改進和完善，正因于此，本文研究了基于LM算法的BP神經網絡的電力負荷短期預測問題，在總結現有理論成果的基礎上主要對BP神經網絡的算法、網絡結構、輸入數據的預處理等方面進行了研究，并應用到電力負荷的短期預測上.仿真結果表明，改進了的BP神經網絡具有很高的預測精度和較強的適用能力.

2 BP神經網絡

2.1 BP神經網絡的結構

在電力系統負荷預測中，目前應用較多的是反向傳播網絡（Back Propagation Neural Networks），簡稱BP網絡.它是由Rumelhart等研究者為了解決多層網絡的學習問題于1986年提出來的.BP網絡由輸入層、隱含層、輸出層這三個神經元依次組成，各層次之間的神經元按照一定的權重相互連接，但同一層次之間的神經元沒有形成反饋連接.

1989年，Robert HechtNielsen證明了對于任何閉區間內的一個連續函數都可以用一個隱含層的BP網絡來逼近（擬合），因而，一般選用一個三層的BP網絡來進行訓練學習[3].

2.2 標準BP算法

BP算法是一種有監督的學習算法.其基本思想是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成.信號正向傳播時，輸入樣本從輸入層傳入，經過各隱藏層逐層處理后，傳向輸出層.若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段.誤差反向傳播是將輸出誤差以某種形式通過隱藏層向輸入層逐層反傳，并將誤差分攤給各層的每個單元，從而獲得各層每個單元的誤差信號，這種誤差信號將作為修正各單元權值的依據.此種信號正向傳播與誤差反向傳播的各層權值調整過程，是不斷重復地進行的.權值不斷調整的過程，也就是網絡的學習訓練過程.這種過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止[1-3].