基于神經網絡模型對揚州市電力負荷預測研究

陸 煒 胡鈞劍

1.華北電力大學經濟管理學院

2.華東交通大學土木建筑學院

0 引言

電力發展水平是一個國家發展水平的重要指標之一，電力負荷預測可以有效規劃電力系統。高效準確地預測電力負荷，不僅可以保證人民群眾日常生產生活的需要，同時對電力行業自身的健康發展也有重要的意義[1]。

傳統的電力負荷預測通過構建數學模型來尋求電力負荷與影響因素之間的關系，建立一個直觀的函數表達式。由于影響電力負荷的因素較多，在實際應用中，眾多因素與其自身關系又較為復雜，通過簡單、基礎的模型構建出函數表達式幾乎無法做到。因此處理復雜信息的獨特優勢以及擁有將連續函數任意逼近的能力對于處理需要同時考慮多個因素融合以及不精確、信息較模糊的問題是相當適合的，所以利用BP神經網絡模型預測電力負荷的變化走勢是合適的。在研究電力負荷預測的過程中，數據變化的趨勢以及影響數據變化的諸多要素是本文關注的重點，因此對電力系統進行負荷預測采用BP神經網絡模型在理論上是可行的[2]。

1 電力負荷預測種類及影響因素

最高負荷、平均負荷和最低負荷為電力負荷預測特征中的三個指標。如果按預測周期性來劃分，一般情況下將電力負荷預測分為短期和中長期預測。中長期的電力負荷預測一般是為了對整個電力系統進行長遠的發展規劃，對未來的幾個月甚至數年進行電力負荷預估，通常情況下中長期的電力負荷預測以年為單位。短期的電力負荷預測是用來預測未來數小時或者未來一天的負荷，主要用于協調各地區的負荷調配，保障人民群眾的日常生活以及工業發展的需要和保障電力成交量的準確性[3]。

在日常的生產生活中，影響電力負荷的因素有很多種，大致可以分為內在因素以及外在因素。外在因素一般包括地區的經濟條件、氣候因素以及節假日等因素；內在因素則包括電力負荷預測的數據管理、電力企業內部管理等因素。由于這些因素自身所具有的不可控性以及復雜的非線性問題，因此如何解決好這些問題成為電力負荷預測的難點所在。鑒于BP神經網絡能夠對非線性復雜問題進行有效解決，因此該模型在電力負荷預測中的應用較為廣泛。

2 BP神經網絡模型

2.1 BP神經網絡模型的構建

BP神經網絡作為多層前饋神經網絡模型，該網絡的最主要特征是通過信號向前輸送，實際與預測輸出產生的偏差又被傳輸回去[4]。在向前傳遞時，輸入變量由輸入層經過隱藏層到輸出層進行處理。每層中的神經元僅僅影響到下面一層神經元的活動。根據實際與預期的偏差，不斷優化調整網絡權重，直到網絡的最終輸出結果無限接近實際輸出為止[5]。BP神經網絡的拓撲結構如圖1。

圖1 BP神經網絡拓撲圖

2.2 BP人工神經網絡模型的基本算法

設該網絡共有L+1層，第1層為輸入層，第L+1層為輸出層，為隱含層。第1層的神經元個數為，訓練樣本總個數為M，訓練樣本號用 p表示。第1層第 j個神經元的輸出變量用表示，由第1層的第 j個神經元到第l+1層的第Ⅰ個神經元的權系數用表示，則各神經元的輸入—輸出關系為:

3 實驗仿真與負荷預測

3.1 電力系統負荷數據

通過分析得知電力系統用電負荷的影響因素主要包括第一、二、三產業用電以及居民日常生活用電。在經濟學中，通常使用第一、二、三產業的增加值作為第一、二、三產業的負荷指標。城市的居民用電負荷通常用常住人口這一指標來表示。江蘇省揚州市歷年社會經濟指標與全社會用電量的數據見表1。

表1 揚州市歷年社會經濟指標與全社會用電量

3.2 預測結果及誤差分析

本文用揚州市2005-2017年的數據作為歷史樣本進行訓練，最后用訓練好的網絡對揚州市2018年的負荷進行預測，得到結果見表2，與實際負荷值的對比圖見圖1。

表2 神經網絡負荷擬合和預測結果

圖1 擬合預測結果與實際負荷對比圖

通過觀察BP神經網絡預測誤差頻率分布直方圖（如圖2），我們可以清楚地看出相對誤差主要分布在-0.025到0.02之間，實驗結果表明，BP神經網絡具有較好的預測精度。

圖2 BP神經網絡預測誤差頻率分布直方圖

4 結論

本文通過使用BP神經網絡對揚州市電力負荷進行預測，通過大量實際仿真計算驗證，BP神經網絡預測精度較高，且需要的數據量并不大，預測的結果較為準確，對揚州市未來電力系統調度與規劃具有一定的意義。