论文部分内容阅读
摘 要：电力系统负荷预测是电力系统中规划、计划、营销、调度等管理部门日常工作的重要依据。其中短期负荷预测是安排日发电计划和开停机计划的制定依据。论文首先介绍了电力负荷预测的意义和发展现状，研究了负荷预测的分类与基本方法，然后介绍了人工神经网络的概念和基本结构，最后应用人工神经网络中的BP模型构建本次预测的网络结构，并对负荷数据进行了归一化处理，建立了预测日负荷的神经网络模型。在网络训练中采用SCG算法，加快了网络的训练速度使反向传播法更容易实现。仿真表明，预测结果与实际结果吻合良好，误差在可接受范围内。
关键词：负荷预测；人工神经网络；BP算法；
中图分类号：TM732 文献标识码：A 文章编号：1674-3520（2015）-01-00-03
为了向用户提供安全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统安全与稳定。所以，电力系统短期负荷预测是电力系统安全分析的基础。
目前，电力系统短期负荷预测主要呈现以下特点：智能技术广泛用于负荷预测领域，模型结构趋于复杂，考虑的影响因素更多，非线性理论的应用，组合预测应用更广。
人工神经网络（ArtificialNeuralNetwork，ANN）作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，许多学者将其应用于电力负荷预测问题，例如人工神经网络与小波分析相结合，人工神经网络与专家系统相结合，人工神经网络与遗传算法相结合等[16-18]。
本文对历史负荷数据进行分析及预处理，选取一个时段作为预测样本，选择输入量的构成。利用MATLAB建立一个两层BP结构作为本次预测网络模型。在此基础上用SCG算法进行网络的训练以提高训练速度，进行预测误差的分析，最后使用训练成的网络进行指定日预测，分析仿真结果。
一、人工神经网络的基本结构和模型
人工神经网络由许多个神经元组成。一个神经网络的神经元模型和结构描述了一个网络如何将它的输入矢量转化为输出矢量，其实质是网络输入和其输出之间的函数关系。通过选取不同的模型结构和激活函数，可以形成各种不同的人工神经网络，得到不同的输入输出关系式，最终达到不同的设计目的。
神经元是人工神经网络的基本处理单元，一般是一个多输入/单输出的非线性元件，如下图所示。
为偏差信号，也称为阀值；为神经元的基函数，得到的为激活函数的输入；为神经元的激活函数。
激活函数是一个神经元及神经网络的核心，其基本作用是控制输入对输出的激活作用，对输入、输出进行函数转换，将可能无限域的输入变换成指定的有限范围内的输出。常用的激活函数有阀值型、线性型、Sigmoid型、高斯型等。阀值型函数将任意输入转化为0或1的输出，函数为单位阶跃函数。线性型函数是网络的输出等于加权输入加上偏差。Sigmoid型函数将任意输入值压缩到（0，1）的范围内，常用对数或双曲正切等一类S形状的曲线来表示，如图2.2（a）、（b）所示。对数S型激活函数关系式为：
S型激活函数具有非线性放大增益，对任意输入的增益等于在输入/输出曲线中该输入点处的曲线斜率值。利用该函数可以使同一神经网络既能处理小信号（中间的高增益区）又能处理大信号（两边的低增益区）。高斯型激活函数又称为钟形函数，常用于径向基函数神经网络，也是十分重要的激活函数类型，表达式为：
（3.3）
一般地，称一个神经网络是线性或非线性是由神经元中激活函数是线性或非线性决定的。
将两个或更多个简单神经元并联起来，使每个神经元具有相同的输入矢量，即可组成一个神经元层，如图2.3所示。将两个以上的单层神经网络级联起来则组成多层神经网络，如图2.4所示。
二、基于人工神经网络的短期负荷预测实现
（一）模型选择及算法改进
由神经元激活函数的特性可以知道，神经元的输出通常被限制在一定的范围内，大多数人工神经网络使用的非线性激活函数为S型函数，其输出被限制在[0，1]或[-1，1]之间。可原始数据和期望输出值通常在此区间之外，直接以原始数据对网络进行训练会引起神经元饱和。因此，在对网络进行训练之前必须对数据进行预处理及归一化处理（Normalization），以避免法训练过程中的神经麻痹。研究表明：以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。
负荷数据的归一化有许多处理方式，本文采用的方法如下：
（二）算例分析
本文的历史负荷数据为天津地区2014年一整年的日负荷，包括每天的24点负荷。由于节日的负荷状况与正常日差别较大，本文只考虑正常日负荷预测，剔除节日负荷样本。由于所能获得的数据的有限性，无法获得一些实际上对负荷有影响的变量（如重大事件或自然灾害等）的数据，在模型中无法考虑这些变量。故只选取相关负荷数据作为日负荷预测的输入量，并剔除其中明显异常的数据，如负荷毛刺等。
在正常日数据中又应当有所划分，根据已知的文献[11-15]大体有如下几类划分方式：1、将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型；2、将一周分为星期一、星期二到星期四、星期五、星期六、星期天等5种类型。3、将一周的7天每天都看做一种类型，共有7种类型。根据历史负荷数据的曲线，本文采用第1种负荷划分模式，即将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型。
神经网络的学习是通过对有限个样本的学习，调整各权值，寻求样本发展的规律。把所得的负荷数据样本分为两组，一组用于训练神经网络模型，另一组作为检验训练结果用。本文只用根据日期类型来选择学习样本和建立网络。 根据短期负荷的周期性，以及对历史负荷数据图像的分析[9]，本文选取预测日前一周同一天的24小时负荷数据以及预测日前一天的24小时负荷数据作为输入量，即输入量是48维的。网络输出为预测日0时到23时的整点负荷，是一个24维的输出量。
如前文所述，本次预测以天津地区电网的实际历史负荷为样本数据，预测该地区日负荷。基于MATLAB软件建立含一个隐含层的BP网络模型，实现预测日24点负荷的输出，每个BP神经网络的输入层、隐含层、输出层的神经元个数均为48-11-24。网络训练样本集选取预测日前一天和前一周同一天的实际负荷。
（1）根据实际调研的资料，工作日模型选取该地区1月1日至1月12日期间工作日的负荷数据作为训练网络的样本输入和目标输出，用训练好的网络对2014年1月16日的日负荷进行预测检验。预测的结果如下图所示：
由图2可知，预测负荷曲线和实际负荷曲线基本吻合。下表1是2014年1月16日的实际负荷值和预测值的比较，绝对误差和相对误差如表所示：
2是2014年2月4日的实际负荷值和预测值的比较，绝对误差和相对误差如表所示：
以上图表直观地表明了人工神经网络用于负荷预测能达到较高的精度，能对负荷曲线进行良好的非线性拟合，具有良好的应用前景，同时也有一些提高的空间。
三、结论
人工神经网络用于电力系统短期负荷预测，往往在计算过程中存在神经元的饱和问题。针对这一问题，本文对输入负荷数据进行了归一化处理，在此基础上应用了SCG算法对网络进行实训，提高了神经网络的收敛速度和预测精度。
以天津地区电网的实际历史负荷为样本数据，预测该地区日负荷。算例表明，本算法解决了神经元的饱和问题，能达到较高的精度，能对负荷曲线进行良好的非线性拟合，具有良好的应用前景。
参考文献：
[1]牛东晓，曹树华，卢建昌，赵磊.电力负荷预测技术及其应用（第二版）[M].北京：中国电力出版社，2009
[2]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007
[3]王波.考虑气象要素的电力系统短期负荷预测研究[D].上海：上海交通大学，2008
[4]吴小明.考虑气象条件下的电力系统短期负荷预测研究[D].杭州：浙江大学，2003
[5]黎灿兵，李晓辉，赵瑞，李金龙，刘晓光.电力短期负荷预测相似日选取算法[J].电力系统自动化，2008，32（9）：69-73
关键词：负荷预测；人工神经网络；BP算法；
中图分类号：TM732 文献标识码：A 文章编号：1674-3520（2015）-01-00-03
为了向用户提供安全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统安全与稳定。所以，电力系统短期负荷预测是电力系统安全分析的基础。
目前，电力系统短期负荷预测主要呈现以下特点：智能技术广泛用于负荷预测领域，模型结构趋于复杂，考虑的影响因素更多，非线性理论的应用，组合预测应用更广。
人工神经网络（ArtificialNeuralNetwork，ANN）作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，许多学者将其应用于电力负荷预测问题，例如人工神经网络与小波分析相结合，人工神经网络与专家系统相结合，人工神经网络与遗传算法相结合等[16-18]。
本文对历史负荷数据进行分析及预处理，选取一个时段作为预测样本，选择输入量的构成。利用MATLAB建立一个两层BP结构作为本次预测网络模型。在此基础上用SCG算法进行网络的训练以提高训练速度，进行预测误差的分析，最后使用训练成的网络进行指定日预测，分析仿真结果。
一、人工神经网络的基本结构和模型
人工神经网络由许多个神经元组成。一个神经网络的神经元模型和结构描述了一个网络如何将它的输入矢量转化为输出矢量，其实质是网络输入和其输出之间的函数关系。通过选取不同的模型结构和激活函数，可以形成各种不同的人工神经网络，得到不同的输入输出关系式，最终达到不同的设计目的。
神经元是人工神经网络的基本处理单元，一般是一个多输入/单输出的非线性元件，如下图所示。
为偏差信号，也称为阀值；为神经元的基函数，得到的为激活函数的输入；为神经元的激活函数。
激活函数是一个神经元及神经网络的核心，其基本作用是控制输入对输出的激活作用，对输入、输出进行函数转换，将可能无限域的输入变换成指定的有限范围内的输出。常用的激活函数有阀值型、线性型、Sigmoid型、高斯型等。阀值型函数将任意输入转化为0或1的输出，函数为单位阶跃函数。线性型函数是网络的输出等于加权输入加上偏差。Sigmoid型函数将任意输入值压缩到（0，1）的范围内，常用对数或双曲正切等一类S形状的曲线来表示，如图2.2（a）、（b）所示。对数S型激活函数关系式为：
S型激活函数具有非线性放大增益，对任意输入的增益等于在输入/输出曲线中该输入点处的曲线斜率值。利用该函数可以使同一神经网络既能处理小信号（中间的高增益区）又能处理大信号（两边的低增益区）。高斯型激活函数又称为钟形函数，常用于径向基函数神经网络，也是十分重要的激活函数类型，表达式为：
（3.3）
一般地，称一个神经网络是线性或非线性是由神经元中激活函数是线性或非线性决定的。
将两个或更多个简单神经元并联起来，使每个神经元具有相同的输入矢量，即可组成一个神经元层，如图2.3所示。将两个以上的单层神经网络级联起来则组成多层神经网络，如图2.4所示。
二、基于人工神经网络的短期负荷预测实现
（一）模型选择及算法改进
由神经元激活函数的特性可以知道，神经元的输出通常被限制在一定的范围内，大多数人工神经网络使用的非线性激活函数为S型函数，其输出被限制在[0，1]或[-1，1]之间。可原始数据和期望输出值通常在此区间之外，直接以原始数据对网络进行训练会引起神经元饱和。因此，在对网络进行训练之前必须对数据进行预处理及归一化处理（Normalization），以避免法训练过程中的神经麻痹。研究表明：以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。
负荷数据的归一化有许多处理方式，本文采用的方法如下：
（二）算例分析
本文的历史负荷数据为天津地区2014年一整年的日负荷，包括每天的24点负荷。由于节日的负荷状况与正常日差别较大，本文只考虑正常日负荷预测，剔除节日负荷样本。由于所能获得的数据的有限性，无法获得一些实际上对负荷有影响的变量（如重大事件或自然灾害等）的数据，在模型中无法考虑这些变量。故只选取相关负荷数据作为日负荷预测的输入量，并剔除其中明显异常的数据，如负荷毛刺等。
在正常日数据中又应当有所划分，根据已知的文献[11-15]大体有如下几类划分方式：1、将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型；2、将一周分为星期一、星期二到星期四、星期五、星期六、星期天等5种类型。3、将一周的7天每天都看做一种类型，共有7种类型。根据历史负荷数据的曲线，本文采用第1种负荷划分模式，即将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型。
神经网络的学习是通过对有限个样本的学习，调整各权值，寻求样本发展的规律。把所得的负荷数据样本分为两组，一组用于训练神经网络模型，另一组作为检验训练结果用。本文只用根据日期类型来选择学习样本和建立网络。 根据短期负荷的周期性，以及对历史负荷数据图像的分析[9]，本文选取预测日前一周同一天的24小时负荷数据以及预测日前一天的24小时负荷数据作为输入量，即输入量是48维的。网络输出为预测日0时到23时的整点负荷，是一个24维的输出量。
如前文所述，本次预测以天津地区电网的实际历史负荷为样本数据，预测该地区日负荷。基于MATLAB软件建立含一个隐含层的BP网络模型，实现预测日24点负荷的输出，每个BP神经网络的输入层、隐含层、输出层的神经元个数均为48-11-24。网络训练样本集选取预测日前一天和前一周同一天的实际负荷。
（1）根据实际调研的资料，工作日模型选取该地区1月1日至1月12日期间工作日的负荷数据作为训练网络的样本输入和目标输出，用训练好的网络对2014年1月16日的日负荷进行预测检验。预测的结果如下图所示：
由图2可知，预测负荷曲线和实际负荷曲线基本吻合。下表1是2014年1月16日的实际负荷值和预测值的比较，绝对误差和相对误差如表所示：
2是2014年2月4日的实际负荷值和预测值的比较，绝对误差和相对误差如表所示：
以上图表直观地表明了人工神经网络用于负荷预测能达到较高的精度，能对负荷曲线进行良好的非线性拟合，具有良好的应用前景，同时也有一些提高的空间。
三、结论
人工神经网络用于电力系统短期负荷预测，往往在计算过程中存在神经元的饱和问题。针对这一问题，本文对输入负荷数据进行了归一化处理，在此基础上应用了SCG算法对网络进行实训，提高了神经网络的收敛速度和预测精度。
以天津地区电网的实际历史负荷为样本数据，预测该地区日负荷。算例表明，本算法解决了神经元的饱和问题，能达到较高的精度，能对负荷曲线进行良好的非线性拟合，具有良好的应用前景。
参考文献：
[1]牛东晓，曹树华，卢建昌，赵磊.电力负荷预测技术及其应用（第二版）[M].北京：中国电力出版社，2009
[2]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007
[3]王波.考虑气象要素的电力系统短期负荷预测研究[D].上海：上海交通大学，2008
[4]吴小明.考虑气象条件下的电力系统短期负荷预测研究[D].杭州：浙江大学，2003
[5]黎灿兵，李晓辉，赵瑞，李金龙，刘晓光.电力短期负荷预测相似日选取算法[J].电力系统自动化，2008，32（9）：69-73