基于人工神經(jīng)網(wǎng)絡(luò)的短期居民用電負(fù)荷預(yù)測(cè)研究

朱雪雄

摘 要：短期居民用電負(fù)荷預(yù)測(cè)主要用于電力調(diào)度工作停電計(jì)劃，以提高供電可靠度及居民用戶滿意度。本研究通過電力負(fù)荷與每日溫度與歷史負(fù)荷進(jìn)行分析，提出一套基于人工神經(jīng)網(wǎng)絡(luò)的短期居民用電負(fù)荷預(yù)測(cè)模型。人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)方面具有較高的可信度與精準(zhǔn)度。

關(guān)鍵詞：負(fù)荷預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)；短期；居民用電

中圖分類號(hào)：TM73 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）23-0020-02

1 概述

對(duì)于電力系統(tǒng)來說，發(fā)電、輸電、配電、用電同時(shí)進(jìn)行，電力需求往往需要實(shí)時(shí)的生產(chǎn)與調(diào)度以適時(shí)適量地滿足用戶的需求。因此，如何掌握電力負(fù)荷的成長(zhǎng)趨勢(shì)，使得電力負(fù)荷與電能開發(fā)、調(diào)度能相互配合，以免造成電力供給的短缺，影響經(jīng)濟(jì)的發(fā)展。

預(yù)測(cè)指對(duì)未來事物可能變動(dòng)的趨勢(shì)，給予事前推測(cè)，便于系統(tǒng)管理者制定相關(guān)對(duì)應(yīng)決策，其方法則須考慮準(zhǔn)確性、實(shí)時(shí)性與實(shí)用性三個(gè)方面。負(fù)荷預(yù)測(cè)依預(yù)測(cè)時(shí)間的長(zhǎng)短可分為長(zhǎng)期負(fù)荷預(yù)測(cè)、中期負(fù)荷預(yù)測(cè)、短期負(fù)荷預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)的預(yù)測(cè)時(shí)間從一天到幾周，中期負(fù)荷預(yù)測(cè)的預(yù)測(cè)時(shí)間從數(shù)月到數(shù)年，而長(zhǎng)期負(fù)荷預(yù)測(cè)的預(yù)測(cè)時(shí)間從一年到二十年。不同時(shí)間的負(fù)荷預(yù)測(cè)也應(yīng)用于不同的電力系統(tǒng)分析，對(duì)于居民用電而言，短期負(fù)荷預(yù)測(cè)主要用于短期營(yíng)運(yùn)計(jì)劃和近期設(shè)備維修計(jì)劃、經(jīng)濟(jì)調(diào)度、機(jī)組協(xié)調(diào)、電力潮流分析，以提高供電可靠度及居民用戶滿意度。常見的負(fù)荷預(yù)測(cè)方法有傳統(tǒng)的模擬法和單位耗電法，其中模擬法即是通過已知的用電負(fù)荷來推估未知或新的用電負(fù)荷。單位耗電法是透過用戶的平均耗電量，再乘以預(yù)估的用電戶數(shù)，來推算居民用電的總負(fù)荷量。另外還有移動(dòng)平均法、指數(shù)平滑法、時(shí)間序列法、回歸分析法、專家系統(tǒng)法、灰系統(tǒng)理論、模糊系統(tǒng)理論等方法。

由于短期居民用電負(fù)荷數(shù)據(jù)以曲線呈現(xiàn)，而人工神經(jīng)網(wǎng)絡(luò)法對(duì)于非線性預(yù)測(cè)有不錯(cuò)結(jié)果，故本文運(yùn)用人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行預(yù)測(cè)。

2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)就是基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)成的一種信息處理系統(tǒng)。大腦是由大量神經(jīng)細(xì)胞或神經(jīng)元組成的。每個(gè)神經(jīng)元可看作是一個(gè)小的處理單元，這些神經(jīng)元按某種方式連接起來，形成大腦內(nèi)部的生理神經(jīng)元網(wǎng)絡(luò)。這種神經(jīng)元網(wǎng)絡(luò)中各神經(jīng)元之間聯(lián)結(jié)的強(qiáng)弱，按外部的激勵(lì)信號(hào)做自適應(yīng)變化，而每個(gè)神經(jīng)元又隨著所接收到的多個(gè)接收信號(hào)的綜合大小而呈現(xiàn)興奮或抑制狀態(tài)。人工神經(jīng)網(wǎng)絡(luò)可以以軟件算法或電子線路仿效生物神經(jīng)網(wǎng)絡(luò)處理信息的系統(tǒng)。目前人工神經(jīng)網(wǎng)絡(luò)已被廣泛運(yùn)用于模式識(shí)別、人工智能、信號(hào)處理等領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)的按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)如圖1，分為輸入層、隱含層、輸出層。

3 預(yù)測(cè)模型

3.1 居民用電負(fù)荷分析

居民用電負(fù)荷具有季節(jié)性的周期變化趨勢(shì)，各時(shí)段間負(fù)荷曲線具有相似的周期變化，因此可以歸納成春季、夏季、秋季、冬季四種不同的季節(jié)負(fù)荷型態(tài)。春、夏、秋、冬溫度變化并不同，但是對(duì)于負(fù)荷變化影響卻非常大。春季負(fù)荷緩慢上升、夏季負(fù)荷急速上升至高峰、秋季負(fù)荷快速下降、冬季負(fù)荷于低處向上波動(dòng)。

在高溫和低溫時(shí)，空調(diào)使用量的多少，對(duì)負(fù)荷有絕對(duì)的影響。所以在作居民用電短期負(fù)荷預(yù)測(cè)時(shí)，溫度是一項(xiàng)影響負(fù)荷相當(dāng)重要的因素。此外歷史負(fù)荷也會(huì)對(duì)居民用電負(fù)荷預(yù)測(cè)有重要影響。為此選用溫度和歷史負(fù)荷作為人工神經(jīng)網(wǎng)絡(luò)的輸入。

3.2 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立

本研究人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型模型如圖2所示。

模型中取前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)和溫度作為神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)。因此，輸入變量就是歷史負(fù)荷數(shù)據(jù)加上溫度數(shù)據(jù)，預(yù)測(cè)日當(dāng)天負(fù)荷值作為輸出變量。神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)和輸出參數(shù)有不同的基準(zhǔn)，若實(shí)際的負(fù)荷數(shù)據(jù)不加處理直接使用，可能致使學(xué)習(xí)過程中結(jié)果不收斂，使模型失效。為避免出現(xiàn)這種情況，獲得輸入和輸出變量后，對(duì)其進(jìn)行歸一化處理。用以下公式，輸入和輸出負(fù)荷數(shù)據(jù)歸一到[0，1]之間。

4 結(jié)束語

短期負(fù)荷預(yù)測(cè)的目的是實(shí)時(shí)預(yù)測(cè)，而不是像中、長(zhǎng)期負(fù)荷預(yù)測(cè)那樣著重負(fù)荷的發(fā)展趨勢(shì)。因?yàn)槎唐谪?fù)荷受到氣候因素影響，實(shí)際天氣和負(fù)荷是呈現(xiàn)復(fù)雜的非線性關(guān)系，故要精確預(yù)測(cè)是非常困難的。為了解決這個(gè)問題，所以將人工神經(jīng)網(wǎng)絡(luò)概念導(dǎo)入電力負(fù)荷預(yù)測(cè)領(lǐng)域。

本研究通過基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，在綜合考慮由溫度度與歷史負(fù)荷來預(yù)測(cè)住居民用電負(fù)荷對(duì)未來負(fù)荷影響的因素后，使用了神經(jīng)網(wǎng)絡(luò)的非線性擬合等功能，取得了較好的負(fù)荷預(yù)測(cè)效果。

參考文獻(xiàn)：

[1]余鳳，徐曉鐘.基于優(yōu)化小波BP神經(jīng)網(wǎng)絡(luò)的燃?xì)舛唐谪?fù)荷預(yù)測(cè)[J].計(jì)算機(jī)仿真，2015，32（1）：372-376.

[2]陳旭.基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[D].華中科技大學(xué)，2015.

[3]丁堅(jiān)勇，劉云.基于負(fù)荷特征提取的神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)[J].高電壓技術(shù)，2004，30（12）：47-49.