基于BP神經網絡的區域配電網短期電力負荷預測

王立威，張啟龍

（六盤水師范學院物理與電氣工程學院，貴州六盤水，553000)

0 引言

基于新型能源的多源電力系統中包含源、儲、荷三部分，其中源中的新能源部分和荷單元因具有隨動性而不可控，對電力系統的安全穩定運行挑戰較大。電力能源不像其他商業產品般可長期存放，它具有隨發隨用特性，對電力系統的整過控制過程提出了更高的要求。供大于求，則浪費能源，供小于求，則滿足不了用戶的用電需求。因此，短期電力負荷預測對電力系統整過控制過程尤為重要。

關于電力負荷預測方法，國內外的專家學者都做了大量的研究。文獻[1]在對BP神經網絡深入研究的基礎上，提出了LAFBP模型，通過對黑龍江某地實際案例進行分析，結果表明此模型擬合精度高，預測效果好。文獻[2]考慮了日特征因素前提下建立了BP網絡負荷預測模型，通過對深圳市負荷預測，效果可觀。文獻[3-4]分別結合實時電網數據，建立了BP和RBF神經網絡模型，利用所建模型對小水庫短期的電力負荷進行預測，結果分析表明，該模型預測精度高，效果好，對供電企業的規劃調度有一定的指導作用。文獻[5-8]在搭建動態模糊神經網絡模型的基礎上，引入相似日法的概念，對短期電力負荷進行了預測，預測效果精準。文獻[9]針對一些處于新建初期且歷史負荷數據較少的電力系統來說，提出了一種基于隨機分布式嵌入框架及BP神經網絡的超短期電力負荷預測方法，最后通過實際算例分析，結果表明該方法預測穩定度高，預測效果好。

因此，文章將運用歷史實際區域電力負荷作為BP神經網絡輸入的參數，構造BP神經網絡負荷預測模型。通過實際案例測試分析，對所構建模型精確度進行研究。

1 BP神經網絡

BP神經網絡是由Rumdhart和Meddelland在上世紀八十年代提出來的一種前饋神經網絡，該網絡最大的特點是信號順向傳播、誤差反向傳播。一般由輸入層、隱含層、輸出層組成，具體如圖1所示。

基于圖1參數，以i、j、k分別表示輸入、隱含、輸出層的神經元，則BP算法過程如下。

圖1 BP網絡結構

（1）信號順向傳播

隱藏層第j個神經元輸出為：

輸出層第k個神經元輸入為：

輸出層第k個神經元最終輸出為：

式中：θ為閾值。

（2）誤差反向傳播

誤差反向傳播是指從輸出層到輸入層逐級計算輸出誤差，然后根據梯度下降法去修正各層權、閾值，從而促使實際輸出值更接近期望值。不妨假設yk、tk為第k個神經元的實際輸出和期望輸出值，則誤差函數如下。

把（3）式代入（4）式得：

則全部誤差之和為：

分析上式可知，總的誤差函數僅與ωkj、ωji有關，因此，可通過調整ωkj、ωji的大小去改變總的誤差E。然而通過E對每個權值進行求偏導可知，權值的變化量成正比關系，具體過程如式（7）所示。

由上式可知，權值的調整公式如公式（8）所示。

進一步對上式推導得式（9）：

綜上所述，具體的權值調整量為：

其中η表示學習率。

2 BP算法實現

BP算法一般情況下由三部分組成，即構建BP、訓練BP、BP預測，如圖2中的設定參數、訓練和預測。

圖2 BP神經網絡算法流程圖

3 預測結果分析

應用上述所建模型，且為了更好地驗證模型的優越性及普遍適用性，故以兩個場景中實際測得的數據進行研究分析，場景一為東北某地實測數據，場景二為荷蘭某地實測數據，都是以15min為間隔采樣一次，每天觀測96個數據。都選取3月1日到29日的負荷為訓練樣本（即2784組數據），3月30日的負荷為測試樣本（即96組數據）。其他仿真實驗參數如表1所示。

表1 模擬實驗初始數據設定

基于以上參數，通過MATLAB編程實現，求取3月30日負荷功率，獲得的預測負荷功率曲線和實際負荷功率曲線如圖3所示。相對應的預測誤差曲線如圖4所示。

圖3 負荷預測輸出對比曲線圖

圖4 負荷預測誤差對比曲線圖

通過觀察圖3和圖4可知，在負荷功率出現峰值時，一般情況下預測誤差相對大一點，且場景一和場景二中預測誤差最大都在16min和26min時，假若僅僅通過觀察上圖，無法清楚知道預測誤差是否在要求范圍之內，因此得對具體的實驗預測數據進行羅列分析，具體數據如表2所示。

表2 部分實驗誤差對比分析

由表2可以知道，針對表2所列舉的實驗數據來說，場景一的預測相對誤差在-1.66%～7.20%之間波動；場景二的預測相對誤差在-22.75%～17.06%之間波動場景二的預測相對誤差普遍大于場景一的相對誤差，且場景二中實際負荷功率大于場景一的10倍左右。因此，所搭建的BP預測模型對于數據較大的樣本來說，預測精度波動大。但為了更精確的驗證各預測模型的準確度，文章將采用平均百分比誤差eMAPE、均方根誤差（RMSE）和相對熵值Ep（反映實際值與預測值之間“貼近”的距離）三種評價方法對BP預測模型進行性能評估（對96個觀測值進行評估）。三種評價指標的定義如下：

上式中，k為時間節點，N為預測樣本數，T(k)表示預測值，O(k)表示實際值。則各預測模型的預測性能對比如表3所示。

表3 預測模型的預測性能

由表3的預測結果可知，BP算法的平均百分比誤差、均方根誤差和熵值的數據分別如下：場景一中分別為4.10%、67.72、0.13，場景二中值相對大一點，具體分別為18.23%、503.68、0.34，預測效果好。

4 結論

區域配電網短期電力負荷在電力系統中控制部分占據著至關重要的地位。文章采用BP神經網絡算法對短期電力負荷進行了預測。具體研究內容如下：

（1）分析了BP神經網絡的基本原理，其中包括BP結構及訓練算法分析；（2）在基本原理的基礎上，對BP算法進行了分析，也構建了相應的預測模型；（3）通過東北某地和荷蘭某地兩場景下的實際案例進行仿真驗證，再加以引入平均百分比誤差、均方根誤差和相對熵值三個性能指標對預測結果進行評價分析，結果表明，文章所構建的BP預測模型預測效果可觀。

雖然BP算法預測效果可觀，但在面對數值較大的預測樣本時誤差變大，在下一步的研究中可考慮融合其它算法對BP預測模型加以優化。