基于RBF神經網絡的短期小水電電力負荷預測

楊雨琪+田恬+王慧

摘 要：文章依據電網實際運行數據建立一個基于徑向基函數（RBF）的神經網絡預測模型，探討含小水電地區電網的負荷情況。仿真分析結果驗證了該方法具有較好的精確性，可為供電企業的負荷預測和規劃調度工作提供一定的指導作用。

關鍵詞：小水電；RBF神經網絡；短期負荷預測

中圖分類號：TM714 文獻標志碼：A 文章編號：2095-2945（2018）07-0191-02

Abstract： In this paper， a neural network forecasting model based on radial basis function （RBF） is established according to the actual operation data of the power network， and the situation with the load of the power network with small hydropower is discussed. The simulation results show that the method has good accuracy and can provide some guidance for load forecasting and planning and dispatching of power supply enterprises.

Keywords： small hydropower； RBF neural network； short-term load forecasting

引言

隨著電力市場的發展，電力負荷預測扮演著越來越重要的角色，而對于所研究的某地區中，小水電站容量小、數量多且分布較為分散。由于其占比過大，致使不具備良好的調節能力和應對措施，因此或多或少存在汛期費水、枯水期又電力緊缺的現象。并且由于小水電站多數地處經濟不發達的西部地區，因此用電量較少，過剩的電能就地消化困難，并且在電力調配方面沒有一套經濟調度規則。其次關于多小水電地區的通信網絡的覆蓋率低，也不能為其安全、穩定的供電提供依據，使小水電的運行管理處于無序狀態。因此一套較好的關于小水電的負荷預測分析是解決問題的得力助手。而RBF神經網絡可以有效并且快速對歷史數據進行預測建模，使社會經濟效益最大化、最優化。

1 小水電負荷預測特性

小水電發電負荷的不確定性較強，表現出的規律性往往并不理想。不同環境，不同條件下電力預測負荷曲線的形狀與發電量之間的差別相當明顯，這使多小水電地區的負荷預測難以順利開展。而對于徑流式水電站，自我調節能力較差，河流降雨等的天然流量對其影響較大，因此影響小水電地區負荷變化的主要因素便多種多樣。為了更加準確的預測其變化規律，一個理想的預測模型就顯得尤為重要。一般而言，降雨量在大于2mm時對發電負荷的影響逐漸增強。

2 短期電力負荷預測方法

2.1 RBF神經網絡

RBF神經網絡是具有單隱層的三層靜態前向網絡。第一層是由信號源節點組成的輸入層。所探究的問題不同，輸入變量的數目也就不同，其相對應的輸入層的節點數也相應的發生變化。第二層為隱含層，其點個數則由所描述問題的復雜程度而定。由近年來神經網絡在電力系統的應用的普及程度來看，隱合層的節點數的求取也成為一項值得探究的問題。第三層為輸出層，它負責對輸入模式的作用做出響應，并產生相對應的變化。

輸入層用來傳遞傳輸信號，輸出層是對函數的線性化進行規整，而隱含層是對高斯函數的可變參數進行調控。因此從輸入空間到隱含層空間的變換是非線性的，完成這種非線性變換的函數就是徑向基函數，而從隱含層到輸出層的空間是呈線性規律變化的。因此，相比來說，兩者所完成的任務并不相同，自然而然，針對它們的學習策略也不同。

RBF神經網絡具有拓撲結構簡單、學習效率高，學習過程透明且能逼近任意非線性函數等優點，可解決其他神經網絡存在的容易陷入局部極小點、收斂速度慢、迭代時間長等缺陷。在實際應用中同樣可較大程度地提高含小水電地區短期電力負荷預測的精度，有較為可觀的實用價值。

3 含小水電的短期電力負荷預測實例與分析

根據RBF神經網絡預測方法，以某含小水電地區的實際用電負荷為依據，選擇連續兩個月的數據，一天按照96個時間點，作出網絡擬合曲線，再預測第二天的理想電力負荷值。不考慮突發天氣等變動較大的外界因素，由預測數據可知24天之內電力負荷預測值大約在1400-1800kWh之間變動，且由預測結果可得，其相對誤差在±50kWh之間。

由圖1可知，運用RBF神經網絡預測對一天連續24小時的電力負荷預測結果的精確度能夠滿足電力系統運行調度的需求，而且從數據曲線可知，運用RBF網絡進行電力負荷預測，具有收斂速度快，預測精度高，響應時間短等特點，具有較高的社會經濟效益。

4 結束語

在matlab仿真平臺中，本文采用RBF神經網絡預測含小水電地區的短期電力負荷，在不考慮外界突發性條件的前提下，由實例中的實驗數據進行仿真分析，其結果驗證了該預測方法的準確性和可行性。而且具有學習速度快，預測精度高等多方面優點。能夠滿足供電企業正常情況下的規劃需求，其對于含小水電地區的電力負荷預測具有較為可觀的實用價值。

參考文獻：

[1]朱詩卉，王颯，孫偉軍，等.RBF神經網絡電力負荷預測模型研究[J].三峽大學學報（自然科學版），2013，35（5）：46-49.

[2]曹安照，田麗.基于RBF神經網絡的短期電力負荷預測[J].電子科技大學學報，2006，35（4）：507-509.

[3]韓民曉，徐振華.RBF神經網絡在電力負荷預測中的應用[J].華北電力學院學報，1994，21（4）：2-6.

[4]李程，譚陽紅.電力負荷的RBF神經網絡預測[J].Heilongjiang Electric Power，2010，32（4）：253-254.

[5]彭顯剛，胡松峰，呂大勇.基于RBF神經網絡的短期負荷預測方法綜述[J].電力系統保護與控制，2011，39（17）：144-147.

[6]何耀耀，許啟發，楊善林，等.基于RBF神經網絡分位數回歸的電力負荷概率密度預測方法[J].中國電機工程學報，2013，33（1）：93-98.

[7]盧蕓，林莘.神經網絡在短期電力負荷預測中的應用[J].沈陽工業大學學報，2006，28（1）：41-44.

[8]徐瑋，羅欣，劉梅，等.用于小水電地區負荷預測的兩階段還原法[J].電網技術，2009，33（8）：87-92.endprint