基于改進BP神經網絡算法的電力負荷預測研究

王犖犖，楊輝，李建峰

（珠海城市職業技術學院，廣東 珠海 519000）

0 引言

電力負荷預測在如今的電力改革新環境下，對于電力安全供電和電力穩定運行以及電氣企業的經濟效益都有著至關重要的作用。針對電力系統的負荷預測，數十年以來國內外的研究人員使用了多種計算預測方式，運用了多種預測模型，不斷地的提高著預測的精確程度[1]。本文運用一種改進BP神經網絡算法，優化電力負荷數據建立對應模型，進而對電力負荷進行預測和探究。

1 BP神經網絡建立

1.1 數據預處理

負荷預測需要采集大量的運行負荷數據，這些數據多數是由電量采集器或者遠程控制終端設備傳輸得到，因此數據會受到多種因素的影響，比如測量裝置的運行情況，人為操作的情況等。這些因素的存在從而使得負荷數據里面經常摻雜著一些影響預測效果的數據，即為非真實的運行數據。這些數據通常我們稱之為“不良數據”或“壞數據”，它們顯現出來的特征通常有數量級上的差距，數值之間的巨大偏離，但是也會只表現出某方面的顯著差別，這些差別的存在會對真實數據造成很大的影響，使數據的誤差超出正常的范圍。如果我們對于負荷數據直接進行預測和分析，自然而然地會將這些誤差帶入到預測模型之中去，勢必將對最后的預測效果產生很大的不良影響，甚至導致預測精度無法滿足要求[2]。因此，在利用這些數據之前，應先對其進行預處理.去除“不良數據”或“壞數據”的影響，是十分必要的。

N在對負荷數據的實際處理時，得到以下判據：

用（1）～（3）式對原始數據進行預處理后，負荷的原序列將更加趨于合理。

1.2 建立預測模型

電力負荷具有高度非線性、時變性等特點，波動十分頻繁，除具有以周、日的周期變化外，受天氣、季節、節假日等諸多因素影響。神經網絡的快速發展，優化了傳統線性預測方法無法全面描述電力負荷變化規律的不足，而BP網絡自適應學習能力強，能通過節點設定及參數設置適應電力負荷的多種因素變化，非線性逼近提升負荷預測能力[3]。電力負荷的各種影響因素與負荷的對應關系，可表示為一個多維空間與多維空間的非線性函數映射，3層BP網絡理論上可以解決任何非線性映射問題，但針對具體實際數據時，3層網絡并不能達到理想的預測結果[4]。為提升預測準確度，我們建立了5層網絡優化準確率，網絡預測模型結構如圖1所示。

在網絡模型中，設輸入層第i個樣本點的輸入向量為，輸出，則隱含層輸出為：

圖1 網絡預測模型結構

其中，W為權重，神經網絡預測輸出為：

2 仿真實驗

根據上述神經網絡算法，建立基于BP神經網絡的負荷預測模型，模型建立的步驟為：①搜集某地區負荷初始數據；②對搜集負荷數據進行優化處理，成為便于算法預測的訓練樣本；③對于優化后的樣本區分為訓練集合測試集，對訓練集進行參數優化處理，來建立合適的負荷預測模型，然后對模型利用測試集進行測試和檢驗；④設置神經網絡算法預測參數并建立預測模型；⑤對數據樣本進行預測，得到預測結果進行分析[5]。

為了驗證改進BP算法的預測性能，本文采用某地區2018年連續一整年的電力負荷數據進行仿真測試。神經算法仿真參數設置：BP神經網絡初始值設置：隱含層節點數6*40*1，第一層采用tansig傳遞函數，第二層采用logsig，第三層采用purelin，學習率0.1，訓練目標誤差0.001，最大迭代次數107。程序在Matlab 2014a環境下運行。

圖2 某天預測結果對比圖

圖3 2018年每月每一時刻預測結果對比圖

圖4 2018年每月預測結果平均相對誤差與標準差對比圖

預測結果表明，2018年1月、7-8月這三個月預測結果相對誤差最小，誤差結果約0.01%。2018年2-6月、9-12月相對誤差最大，誤差值為約0.1%。分析整體預測情況可以看出，預測模型具有較好的精度和可靠性。

3 結語

電力市場化運行之后，對于負荷預測也是滿足市場化需要的一個重要研究內容。本文先對負荷數據進行優化后，利用改進BP神經網絡算法建立相關模型對某地區負荷進行預測。通過算例分析，對比預測結果和實際負荷數據分析，最大誤差在約0.1%，最小月份的誤差在0.01%，預測結果表明該改進模型具有較好的預測效果，可以應用于電力市化中電力負荷的預測。