论文部分内容阅读
【摘要】本文介绍了电力负荷预测的重要性，并以泊头市一周内的电力负荷值进行预测，得出PSO—ELMAN网络预测结果要比PSO—BP网络预测结果精度高得多。
【关键词】电力负荷;神经网络;网络模型
1.电力负荷预测的重要性
电力工业在我国经济迅速发展的今天，正飞速的发展，而电力工业在生产与传输过程中存在不能对其进行保存的特性，所以这就要求发电厂与用户间的供求关系应平衡，否则会造成用户用电的质量受影响，也会使供电部门经济利益受得损失，因此电力系统负荷预测方法迅速的发展，而精度高、速度快的电力负荷预测的保证电力市场供求关系平衡的一个重要前提，同时也是电力系统安全稳定运行的一个重要保障，因此电力负荷预测的方法研究的重要性可想而知。
2.建立神经网络模型
在本文中，将以河北省泊头市的2013年6月1日至6月7日的电力负荷作为样本对进来几天的电力负荷进行预测。
以神经网络的非线性映射能力为依据来建立短期的电力负荷预测模型，可以将其过程归纳为以下几步：
（1）先确定所要研究的神经网络模型的结构;
（2）对所选取的电力系统中的历史电力负荷数据进行分析，并按照一定的经验选取最能反映电力负荷变化的一部分电力负荷数据作为该神经网络模型的输入量，再选取该网络中历史负荷预测值作为该网络模型的输出量;
（3）选取合适的样本数据集作为该网络训练的样本集;
（4）将选取的样本集作为输入，输入到神经网络模型中进行运算，然后将期望的输出值和与经过神经网络训练后输出值进行比较，并按照一定的网络算法规则去调整该神经网络中各层之间的连接权值。并反复进行该网络输出误差计算和权值修改的工作，当误差输出满足一定的输出精度，或达到规定的迭代次数时完成训练;
（5）将这里训练好的神经网络模型应用到短期电力负荷预测中;
（6）该电力网络负荷预测模型使用一段时间后，在保留原有权值不变的基础上，根据实际的情况选取一些新的数据样本集对该神经网络进行重新的训练，使网络权值能够适应最近一段时间的负荷变化情况，保证预测电力负荷数值具有良好的精确度。
3.样本数据的预处理
在对短期电力系统负荷样本的处理前，应先对其日期的类型进行划分，其负荷日期的类型大致可以分为以下三种：
第1种：将一周内的七天分成两类：一类命名为工作日（周一至周五），一类命名为休息日（周六、周日）;
第2种：将一周的七天分成五种类型：周一为一个类型、周二到周四为一个类型、周五、周六、周日分别作为一种类型;
第3种：将一周的七天分为七种类型：即每天都作为一种类型。
在本文中采用第三种类型，即把一周中的每一天都看作一种类型，并且又做了进一步的细分，在这里对一天内的24小时中的每个时辰的电力负荷量进行统计并作为本文的研究样本。
4.气象特征的量化处理
本文在分析历史电力负荷数据的同时考虑了与该电力负荷数值密切相关的气象变化，如采集历史电力负荷数据当日天气的温度、湿度及当是的天气特征（阴天，雨天，晴天）等，经大量观察分析这些因素对电力负荷值所起的影响，影响最大的是温度因素和天气特征，因此本文采用选取当天的最高温度、最低温度及天气特征作为该神经网络模型的三个输入量值，在本文中分别用 0代表情天、0.5代表阴天、1代表雨天的情况。
表1 河北省泊头市区6月1日到7日电力负荷表
日期 6月1日 6月2日 6月3日 6月4日 6月5日 6月6日 6月7日
0时 0.5513 0.636 0.6487 0.6371 0.6258 0.6352 0.603
1时 0.5341 0.6122 0.6249 0.6142 0.6006 0.6108 0.5861
2时 0.5277 0.6004 0.6089 0.6024 0.5902 0.5933 0.5616
3时 0.5202 0.5888 0.5939 0.5876 0.5846 0.5794 0.5701
4时 0.5164 0.5829 0.6098 0.5865 0.5956 0.5887 0.559
5时 0.5759 0.6269 0.6515 0.6254 0.6432 0.621 0.5911
6时 0.6481 0.6913 0.7118 0.6868 0.7003 0.6721 0.6276
7時 0.7299 0.7641 0.7875 0.7649 0.7752 0.7496 0.6923
8时 0.8331 0.8657 0.898 0.8778 0.8785 0.8368 0.7609
9时 0.8993 0.942 0.9522 0.9398 0.9358 0.89 0.8177
10时 0.9292 0.958 0.9741 0.9658 0.9626 0.9114 0.8381
11时 0.8542 0.8829 0.8904 0.8915 0.8829 0.8326 0.7794
12时 0.8183 0.8389 0.8477 0.843 0.8416 0.8015 0.7461
13时 0.8854 0.914 0.9106 0.9191 0.9172 0.8603 0.7862
14时 0.8878 0.9203 0.911 0.9128 0.916 0.8571 0.7886
15时 0.8912 0.9186 0.9118 0.9096 0.9166 0.8571 0.7974 16时 0.8833 0.912 0.9071 0.8966 0.8995 0.8425 0.8148
17时 0.8545 0.872 0.8652 0.8612 0.8567 0.8157 0.8043
18时 0.8341 0.8501 0.8474 0.8248 0.8333 0.7932 0.7752
19時 0.8388 0.8586 0.8459 0.8338 0.8334 0.799 0.7601
20时 0.8323 0.8521 0.8331 0.8304 0.8336 0.7916 0.7401
21时 0.7641 0.7928 0.7618 0.7657 0.7688 0.742 0.6797
22时 0.7374 0.7515 0.7312 0.7303 0.7422 0.7118 0.6469
23时 0.6754 0.6796 0.6659 0.656 0.6726 0.6397 0.5913
最高温度 0.0023 0.0031 0.0028 0.002 0.0023 0.0023 0.0014
最低温度 0 0.0003 0.0006 0.0003 0.0006 0.0003 0.0003
天气 0 0 0 1 0.5 0 0
5.实验仿真结果
5.1 参数设计
（1）BP神经网络：学习速率η=0.1，学习目标ε=0.00001，最大循环次数100次。
（2）ELMAN神经网络：训练次数300次，mc的值为0.9，自适应学习速率初始学习速率为0.01，训练目标为0.0001，学习速度增长比例因子为1.05，学习速率下降比例因子为0.7，最大确认失败次数为5。
（3）PSO算法：种群规模N=20，最大进化次数为100次，惯性权重ω从0.9到0.4线性减小。
（4）本文以前20天每个时辰的负荷值作为训练样本集数据，以第21天的每个时辰的负荷值作为测试样本集数据。
5.2 实验结果
图1 经PSO算法优化的BP、ELMAN网络预测输出与期望输出比较
通过实验我们可以看出：
从图1中可以明显看出，经PSO-ELMAN神经网络预测值与期望值十分接近，预测效果要明显好于经PSO—BP神经网络预测的结果，经PSO-BP神经网络预测误差平均值为0.031792，而PSO-ELMAN神经网络预测误差平均值为0.016792。PSO-ELMAN网络预测结果要比PSO-BP网络预测结果精度高得多。
参考文献
[1]王治华，杨晓梅，李扬.气温与典型季节电力负荷关系的研究[J].电力自动化设备，2002，22（3）：16-18.
[2]谢宏，陈志业，牛东晓.短期电力负荷预测的数据主成分分析[J].电网技术，2000，24（1）：43-46.
【关键词】电力负荷;神经网络;网络模型
1.电力负荷预测的重要性
电力工业在我国经济迅速发展的今天，正飞速的发展，而电力工业在生产与传输过程中存在不能对其进行保存的特性，所以这就要求发电厂与用户间的供求关系应平衡，否则会造成用户用电的质量受影响，也会使供电部门经济利益受得损失，因此电力系统负荷预测方法迅速的发展，而精度高、速度快的电力负荷预测的保证电力市场供求关系平衡的一个重要前提，同时也是电力系统安全稳定运行的一个重要保障，因此电力负荷预测的方法研究的重要性可想而知。
2.建立神经网络模型
在本文中，将以河北省泊头市的2013年6月1日至6月7日的电力负荷作为样本对进来几天的电力负荷进行预测。
以神经网络的非线性映射能力为依据来建立短期的电力负荷预测模型，可以将其过程归纳为以下几步：
（1）先确定所要研究的神经网络模型的结构;
（2）对所选取的电力系统中的历史电力负荷数据进行分析，并按照一定的经验选取最能反映电力负荷变化的一部分电力负荷数据作为该神经网络模型的输入量，再选取该网络中历史负荷预测值作为该网络模型的输出量;
（3）选取合适的样本数据集作为该网络训练的样本集;
（4）将选取的样本集作为输入，输入到神经网络模型中进行运算，然后将期望的输出值和与经过神经网络训练后输出值进行比较，并按照一定的网络算法规则去调整该神经网络中各层之间的连接权值。并反复进行该网络输出误差计算和权值修改的工作，当误差输出满足一定的输出精度，或达到规定的迭代次数时完成训练;
（5）将这里训练好的神经网络模型应用到短期电力负荷预测中;
（6）该电力网络负荷预测模型使用一段时间后，在保留原有权值不变的基础上，根据实际的情况选取一些新的数据样本集对该神经网络进行重新的训练，使网络权值能够适应最近一段时间的负荷变化情况，保证预测电力负荷数值具有良好的精确度。
3.样本数据的预处理
在对短期电力系统负荷样本的处理前，应先对其日期的类型进行划分，其负荷日期的类型大致可以分为以下三种：
第1种：将一周内的七天分成两类：一类命名为工作日（周一至周五），一类命名为休息日（周六、周日）;
第2种：将一周的七天分成五种类型：周一为一个类型、周二到周四为一个类型、周五、周六、周日分别作为一种类型;
第3种：将一周的七天分为七种类型：即每天都作为一种类型。
在本文中采用第三种类型，即把一周中的每一天都看作一种类型，并且又做了进一步的细分，在这里对一天内的24小时中的每个时辰的电力负荷量进行统计并作为本文的研究样本。
4.气象特征的量化处理
本文在分析历史电力负荷数据的同时考虑了与该电力负荷数值密切相关的气象变化，如采集历史电力负荷数据当日天气的温度、湿度及当是的天气特征（阴天，雨天，晴天）等，经大量观察分析这些因素对电力负荷值所起的影响，影响最大的是温度因素和天气特征，因此本文采用选取当天的最高温度、最低温度及天气特征作为该神经网络模型的三个输入量值，在本文中分别用 0代表情天、0.5代表阴天、1代表雨天的情况。
表1 河北省泊头市区6月1日到7日电力负荷表
日期 6月1日 6月2日 6月3日 6月4日 6月5日 6月6日 6月7日
0时 0.5513 0.636 0.6487 0.6371 0.6258 0.6352 0.603
1时 0.5341 0.6122 0.6249 0.6142 0.6006 0.6108 0.5861
2时 0.5277 0.6004 0.6089 0.6024 0.5902 0.5933 0.5616
3时 0.5202 0.5888 0.5939 0.5876 0.5846 0.5794 0.5701
4时 0.5164 0.5829 0.6098 0.5865 0.5956 0.5887 0.559
5时 0.5759 0.6269 0.6515 0.6254 0.6432 0.621 0.5911
6时 0.6481 0.6913 0.7118 0.6868 0.7003 0.6721 0.6276
7時 0.7299 0.7641 0.7875 0.7649 0.7752 0.7496 0.6923
8时 0.8331 0.8657 0.898 0.8778 0.8785 0.8368 0.7609
9时 0.8993 0.942 0.9522 0.9398 0.9358 0.89 0.8177
10时 0.9292 0.958 0.9741 0.9658 0.9626 0.9114 0.8381
11时 0.8542 0.8829 0.8904 0.8915 0.8829 0.8326 0.7794
12时 0.8183 0.8389 0.8477 0.843 0.8416 0.8015 0.7461
13时 0.8854 0.914 0.9106 0.9191 0.9172 0.8603 0.7862
14时 0.8878 0.9203 0.911 0.9128 0.916 0.8571 0.7886
15时 0.8912 0.9186 0.9118 0.9096 0.9166 0.8571 0.7974 16时 0.8833 0.912 0.9071 0.8966 0.8995 0.8425 0.8148
17时 0.8545 0.872 0.8652 0.8612 0.8567 0.8157 0.8043
18时 0.8341 0.8501 0.8474 0.8248 0.8333 0.7932 0.7752
19時 0.8388 0.8586 0.8459 0.8338 0.8334 0.799 0.7601
20时 0.8323 0.8521 0.8331 0.8304 0.8336 0.7916 0.7401
21时 0.7641 0.7928 0.7618 0.7657 0.7688 0.742 0.6797
22时 0.7374 0.7515 0.7312 0.7303 0.7422 0.7118 0.6469
23时 0.6754 0.6796 0.6659 0.656 0.6726 0.6397 0.5913
最高温度 0.0023 0.0031 0.0028 0.002 0.0023 0.0023 0.0014
最低温度 0 0.0003 0.0006 0.0003 0.0006 0.0003 0.0003
天气 0 0 0 1 0.5 0 0
5.实验仿真结果
5.1 参数设计
（1）BP神经网络：学习速率η=0.1，学习目标ε=0.00001，最大循环次数100次。
（2）ELMAN神经网络：训练次数300次，mc的值为0.9，自适应学习速率初始学习速率为0.01，训练目标为0.0001，学习速度增长比例因子为1.05，学习速率下降比例因子为0.7，最大确认失败次数为5。
（3）PSO算法：种群规模N=20，最大进化次数为100次，惯性权重ω从0.9到0.4线性减小。
（4）本文以前20天每个时辰的负荷值作为训练样本集数据，以第21天的每个时辰的负荷值作为测试样本集数据。
5.2 实验结果
图1 经PSO算法优化的BP、ELMAN网络预测输出与期望输出比较
通过实验我们可以看出：
从图1中可以明显看出，经PSO-ELMAN神经网络预测值与期望值十分接近，预测效果要明显好于经PSO—BP神经网络预测的结果，经PSO-BP神经网络预测误差平均值为0.031792，而PSO-ELMAN神经网络预测误差平均值为0.016792。PSO-ELMAN网络预测结果要比PSO-BP网络预测结果精度高得多。
参考文献
[1]王治华，杨晓梅，李扬.气温与典型季节电力负荷关系的研究[J].电力自动化设备，2002，22（3）：16-18.
[2]谢宏，陈志业，牛东晓.短期电力负荷预测的数据主成分分析[J].电网技术，2000，24（1）：43-46.