電力負荷數據預測方法模型的設計

董彩紅

摘 要隨著社會的不斷進步和國民經濟的不斷發展，人們對供電質量和效率方面的要求越來越高。為了提升電力系統負荷數據預測的準確程度，本文就目前負荷特性在研究中出現的一些問題主要分析了氣候條件對電力負荷的影響，并且就一種電力負荷的預測方法展開了探討，最后通過實際例子的舉出，證明了該方法的所具備的有效性。

【關鍵詞】電力負荷預測 模型 神經網絡

能量的管理系統當中一個非常關鍵的部分就是電力負荷的預測，它對電力系統的運行和控制等工作發揮著非常重要的作用。怎么去提高預測工作所呈現的精準程度已經成為現在對負荷預測理論研究的重點所在。但是對于符合的預測是比較復雜的，利用傳統解析模型基本上無法完成對負荷比較準確的預測。經過長時間科研工作者的實踐經驗總結，外部環境條件是對負荷產生影響的一個尤為重要的因素。為了得出環境條件對負荷影響的規律，保證電力供應能夠保持一定的平衡，必須要將電力負荷的變化特征作為基礎，繼而定量分析它們具體的關系。

1 氣候條件對電力負荷的影響

1.1 溫度以及濕度

電網負荷產生的變化與外部環境中氣溫的高低有著密不可分的聯系，能夠產生正向的影響。而在氣溫比較適宜的情況之下，濕度對于人類身體產生的影響并不是特別的顯著。在氣溫過高或者過低的時候，濕度的波動就會給人體熱平衡以及溫熱感應形成較高的影響。當空氣中的濕度處于一個較高的狀態時，人們身體所向外生成的熱輻射將會被空氣中所含有的水蒸氣所吸納。當環境中的氣溫低于人體皮膚表面溫度的時候，風可以使人散熱過程的速度更快。大概是每秒的風速漲一米，人們的體感溫度就會下降二到三攝氏度。

1.2 大氣壓

外部環境所呈現的大氣壓與電力的負荷在不同的季節當中都有一定的關系，不過目前關系的數據和形式還不能確定，有待進一步研究。

1.3 降水量

經過相關的研究證明，基本所有的降水過程都能對日用電量產生影響，引起下降的幅度一般為百分之三左右，最大幅度能夠達到百分之十。不過，降水過程對負荷的影響具有延遲的特性。

上文所陳述的三種分析結論還是存在一定偏差的，這是由于負荷曲線的峰值、谷值以及一些其它形式的波動能夠受到一些大型工廠以及企事業單位工作時間，以及公共設施使用狀況等各方面因素的綜合影響，上面所說的氣象因素只是對總負荷形成影響的一個部分。在實際的應用當中應該將這些因素加以更為全面的考慮，避免對單個因素孤立的分析。

2 利用多模型方法實現建模以及預測

2.1 人工神經網絡

它是在模仿生物神經網絡功能的基礎上而形成的一種模型。一般情況下，生物神經元能夠受到傳入刺激，繼而自輸出端傳導至相關聯的神經元之上，輸出跟輸入過程之間的變化呈現出非線性聯系。神經網絡則是由很多個簡單的原件以及它的層次組織，采用大規模并行的連接形式所形成的，以生物神經網絡相類似的形式來處置輸入信息。對生物神經網絡加以模仿建立起來的人工神經網絡對于輸入信號有著十分強大的處理能力。

很多神經元之間相互連接而形成一個大的網絡，在這個網絡中的一個神經元就可以實現對幾個輸入信號的接收，并且依據一定的規律將其轉變為輸出信號。由于神經網絡中各神經元見有著比較復雜的一種關聯，并且每一個神經元在對信號進行傳遞的時候都會顯現出非線性的基本形式，因此輸入和輸出信號見可以建立起不同的關系，可以當成黑箱模型，用在對作用機理不明確的模型實現描述，不過輸出跟輸入間有客觀、確定或者模糊規律的客體。因此人工神經網絡已然在化工開發等領域得到了較大面積的應用。

人工神經網絡所包含的各種層次的神經元主要是通過wkj以及wlk進行連接的。神經元所呈現的輸出與權之間做出乘法運算就能得到下層神經元的輸出。每一個隱層神經元的輸出其實就是輸出層所呈現的輸入，它們都是被神經元的活化函數決定。

BP模型是NN模型中應用最為廣泛的一種模型。BP神經網絡主要是指將BP算法當做基礎的一種多層神經的網絡系統。BP神經網絡通常都具有至少一個隱含層，隱含層中的神經元采用了sigmiod函數，而輸出層則是應用purelin傳遞函數。在理論方面其實已然證明了有著當個隱含層的網絡模型在隱含層神經元增長到一定數量的時候，能夠從所有的精度去逼近不管哪個具備有限斷點的非線性函數。而在結構上實現則要比增加隱含層更加簡單，所以在電力負荷的預測工作當中利用BP網絡的時候都是采用具有一層的隱含層。

2.2 運用多模型方法建模與預測

運用分層形式的多神經完了模型針對電力負荷的整體加以預測。底層通常是把電力負荷的基礎樣本以及相關的氣象因素加以獨立的構建神經網絡的模型；頂層用的是因為氣象因素而對電力負荷實現修正的具體結果。系統規模較為龐大，但各個子模型規模并不是很大，不過它的數量是比較多的。

3 實例分析

我們以某市的某個居民小區在2016年366天的用電數據為例，采樣的周期是一個小時，一共獲得了366組原始樣本。與此同時將這個地區每天每個小時的溫度、濕度、以及降水量等最為重要的氣象影響因素進行細致的記錄和分析。將全部數據都加以標準化，繼而從366天中選擇二百五十天的數據作為底層的基礎樣本，剩下的數據作為頂層測試樣本。要選擇一個確定的時間前連續的二十四小時中24個整點電力的負荷值，并且將溫度、濕度以及降水量等當成底層子神經網絡一至五的輸入，一個整點作為輸出。底層子網絡應用三層的BP網絡結構，這樣就有二十四個輸入的節點一級一個輸出的節點，經過反復實驗后，確定了網絡隱含層的節點數是46、32、35、30、30。在這當中選取一組有著最為優秀性能的權和閾值作為實驗最后的結果，再利用相關樣本數據檢驗模型。結合預測結果能夠分析出，以單個神經網絡預測的基本模型無法達成對有些特殊狀況加以可靠預測的目的。多模型神經網絡預測的模型針對電力負荷的情況預測，能夠得到精度較高的預測結果。

4 結束語

本文主要考慮了天氣因素對于負荷生成的影響，并且探討了利用多模型的神經元網絡方式來設置電力負荷預測的模型。經過實際例子的分析，與單模型方法相比，證明了多模型方法的實用性。因為電力負荷會隨著季節的變化形成較大的不同，這一方面的內容還有待我們加以進一步的研究。

參考文獻

[1]段焜.基于能量管理系統的電力系統負荷預測[D].廣州：華南理工大學，2009.

[2]陳華友.組合預測方法有效性理論及其應用[M].北京：科學出版社，2007.

作者單位

國網河南省電力公司三門峽市陜州供電公司 河南省三門峽市 472100