基于BP神經網絡的安陽縣電力負荷預測

袁德強，趙貝貝，王亞琳，彭桐輝

(安陽師范學院 數學與統計學院，河南 安陽 455000)

0 引言

電力負荷預測開始于20世紀80年代，40多年來國內外電力系統工作者已經積累了相當多的經驗[1]。在電力系統建設中，電力負荷預測是電網運行過程中安全性、經濟性、可靠性的重要保障，同時關乎電力系統投資的經濟合理性[2]。合理的電力系統規劃可以獲得較好的經濟效益和社會效益，因此，尋求有效的電力負荷預測方法，提高預測結果的準確度具有重要的意義。電力負荷受到許多復雜因素的共同影響[3]，例如農業生產活動、工業用電情況、居民日常生活以及天氣氣候等，它們在不同維度上影響著電力負荷的波動。研究表明，電力負荷的變化與氣象因子間存在著很強的非線性關系，所以使用傳統的多元線性回歸模型預測電力負荷會存在很大的局限性，而BP神經網絡能夠建立復雜的非線性模型，在進行電力負荷預測時很好地彌補了傳統多元線性回歸模型的不足。

1991年國外學者Park第一次將神經網絡應用于負荷預測，展示了神經網絡的優異預測能力[4]。學者Bakirtzis利用人工神經網絡的短期負荷預測模型來預測其電力控制中心的負荷，該模型可以預測每日負荷曲線變化[5]。在國內，電力系統國家重點實驗室的康重慶、周安石等學者分析了短期電力負荷預測中不同階段天氣因素的影響，建立了有關天氣因素的神經網絡短期負荷預測模型，該模型可以得到短期精確的預測結果[6]。

盡管已有的研究成果分析了短期電力負荷預測中不同階段天氣因素的影響，但利用BP神經網絡理論進行電力系統負荷預測并對模型進行檢驗方面介紹的卻比較少。因此，本文利用BP神經網絡理論，首先通過MATLAB神經網絡工具箱建立預測電力負荷的BP神經網絡模型。然后以安陽縣為例，利用所獲得的數據進行預測，通過預測的數據和已知數據進行比較，檢驗模型的可行性和準確性。最后推廣到實際應用中，對未來數據進行預測。

1 基于安陽縣電力負荷預測

1.1 數據的來源及分類

1.1.1 數據的來源

本文的數據來源于國家電網有限公司，簡稱國家電網。通過申請，得以摘取了2014-2018年安陽市6個觀測點(安陽縣、林州市、滑縣、湯陰縣、內黃縣、市區)的各時刻點用電負荷量。

1.1.2 數據的分類

在本次預測中，構建了一個訓練樣本和一個測試樣本。通過訓練樣本來建立模型，用測試樣本來檢驗模型的預期效果，具體的劃分如下：

訓練樣本：把從2014年1月1日0：00到2018年11月30日23：00的數據劃分為訓練樣本，其中把從2014年1月1日0：00到2018年11月29日23：00各時間點的電力負荷作為輸入數據，把從2014年1月2日0：00到2018年11月30日23：00各時間點的電力負荷作為期望輸出數據。

測試樣本：把從2018年12月1日0：00到2018年12月31日23：00的數據劃分為測試樣本，其中把從2018年11月30日0：00到2018年12月30日23：00各時間點的電力負荷作為輸入數據，把從2018年12月1日0：00到2018年12月31日23：00各時間點的電力負荷作為期望輸出數據。

1.2 模型的建立

在BP神經網絡中最重要的是設置輸入層、輸出層、隱藏層的神經元個數和傳遞函數[7]。本文利用MATLAB中神經網絡工具箱建立安陽縣電力負荷的神經網絡預測模型，主要包括三個步驟：創建BP神經網絡、訓練神經網絡、網絡仿真模擬。

1.2.1 輸入數據

將分類后的訓練數據導入MATLAB軟件，作為輸入層。

1.2.2 建立BP神經網絡

BP神經網絡需要設置輸入層、輸出層、隱藏層的神經元個數和傳遞函數[8]。其中，輸入層指輸入的數據，包括時間和對應的電力負荷，是二維數據，有兩個節點。輸出層指輸出的數據，它是與輸入層同一時間上的預測電力負荷，是一維數據，僅有一個節點。然后，調用MATLAB中的newff函數建立BP神經網絡，選擇對數函數logsig作為輸出層和隱藏層的傳輸函數，設置學習率為0.1、訓練目標誤差為0.0001。如果結果不予收斂，適當調整學習率使其最終達到收斂。

1.2.3 訓練樣本和網絡仿真模擬

調用訓練函數train對網絡進行訓練，并用測試數據進行檢驗。網絡仿真時，首先需加載出網絡，然后再調用函數sim，最后輸入需要模擬的輸入數據進行仿真。

1.3 模型的檢驗

圖1 BP神經網絡預測值與實際值的逼近效果折線圖

此次研究旨在建立合適的模型對安陽縣的用電負荷進行預測，從而給國家電網有限公司電力配置提供建議。為了檢驗模型的有效性，利用2018年12月31日采集的真實數據與預測數據進行比較，繪制出24小時預測值與實際值的電力負荷逼近效果如圖1所示。

由圖1可看出，一天中各時間點的電力負荷實際值與預測值相差較小，只有十一點時誤差接近于6%，除此之外，其余各時間點誤差均很小，由此說明所建立的模型較為準確，可用于實際電力負荷預測。

1.4 預測結果

我們以安陽縣為例進行預測，其它地區按照同樣的方法更換訓練數據即可。借助MATLAB預測出2020年10月1日的結果如下表所示：

表1 2020年10月1日的電力負荷預測結果

為了對預測數據進一步分析，繪制出用電負荷隨時間的變化趨勢如圖2所示：

圖2 2020年10月1日的電力負荷預測結果

從電力負荷預測結果的曲線走向看出一天中各時間點的電力負荷數變化較大。

用電較多的時間點為中午12點和傍晚18點到20點。主要原因是中午和傍晚為下班和放學用電高峰期，因此在這個時間國家電力供應部門應加大電力的供給從而來滿足居民用電的需求。

電力負荷從22點以后急劇下降。主要原因是晚上22點到早上7點期間很多用電設施處于休息狀態，工廠用電減少，因此在這個時間國家電力供應部門應減少電力的供給。

為了能既不造成電力的過多浪費，又可以滿足用電需求，達到良好的經濟效益和社會效益，電力供應部門應根據一天中用電量的變化情況提前做好規劃。

2 結論

由于電力的生產和使用具有特殊性，運用傳統的數學模型進行電力負荷預測準確性較低，因此本文通過MATLAB的神經網絡工具箱建立預測電力負荷的BP神經網絡模型。首先，本文對采集到的觀測點數據進行預處理。然后，建立BP神經網絡預測模型，利用2018年12月31日各時間點的用電負荷對模型進行檢驗，結果表明誤差均在6%以下，驗證了模型的可行性和準確性。最后，對河南省安陽縣2020年10月1日各時間點的電力負荷進行了預測。