高慶敏，孟繁為，王利平，蔡宇飛

(華北水利水電學(xué)院，河南鄭州450011)

IBM高級(jí)電力專家MartinHauske解釋智能電網(wǎng)有3個(gè)層面的含義:首先是利用傳感器對(duì)發(fā)電、輸電、配電、供電等關(guān)鍵設(shè)備的運(yùn)行狀況進(jìn)行實(shí)時(shí)監(jiān)控;然后把獲得的數(shù)據(jù)通過網(wǎng)絡(luò)系統(tǒng)進(jìn)行收集、整合;最后通過對(duì)數(shù)據(jù)的分析、挖掘，達(dá)到對(duì)整個(gè)電力系統(tǒng)運(yùn)行的優(yōu)化管理.筆者對(duì)電力負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，達(dá)到負(fù)荷準(zhǔn)確預(yù)測(cè)的目的［1－2］.

1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘在人工智能領(lǐng)域習(xí)慣上又稱為數(shù)據(jù)庫(kù)中知識(shí)發(fā)現(xiàn)(Knowledge Discovery in Database，KDD)，也有人把數(shù)據(jù)挖掘視為數(shù)據(jù)庫(kù)中知識(shí)發(fā)現(xiàn)過程的一個(gè)基本步驟.知識(shí)發(fā)現(xiàn)過程由以下3個(gè)階段組成:數(shù)據(jù)準(zhǔn)備;數(shù)據(jù)挖掘;結(jié)果表達(dá)和解釋.

以住的數(shù)據(jù)挖掘中多采用以時(shí)間序列法為代表的各種經(jīng)典負(fù)荷預(yù)測(cè)方法，該法很難找出負(fù)荷與影響因素之間呈高度非線性化的量化關(guān)系.采用BP神經(jīng)網(wǎng)絡(luò)算法可以任意逼近非線性系統(tǒng)，能很好地對(duì)歷史負(fù)荷曲線進(jìn)行擬合［3］.

2 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)也稱誤差回傳神經(jīng)網(wǎng)絡(luò)，是一種無反饋的前向網(wǎng)絡(luò)，網(wǎng)絡(luò)中的神經(jīng)元分層排列.每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，由聯(lián)接權(quán)來達(dá)到抑制、減弱或增強(qiáng)這些輸出的作用，輸出層和隱層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權(quán)和.每個(gè)神經(jīng)元均由它的輸入、閾值和活化函數(shù)來決定神經(jīng)網(wǎng)絡(luò)自身的活化程度.

2.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)

2.1.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型

2.1.2 傳統(tǒng)算法BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中的誤差反向傳播過程是通過使目標(biāo)函數(shù)最小化來完成的.傳統(tǒng)算法使用的是梯度下降法.梯度下降法的缺點(diǎn)是，在最初幾步下降較快，但隨著接近最優(yōu)值，由于梯度趨于零，致使誤差函數(shù)下降緩慢，容易陷入局部極小值等問題.對(duì)此問題的解決出現(xiàn)了很多新的方法比如累計(jì)誤差校正算法等.

2.2 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)

改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)利用非線性阻尼最小二乘法(Levenberg－Marquardt，L－M)來完成網(wǎng)絡(luò)訓(xùn)練，Levenberg－Marquardt法實(shí)際上是牛頓法和梯度下降法的結(jié)合.

L－M的學(xué)習(xí)規(guī)則為

式中:e為誤差矢量;J為網(wǎng)絡(luò)誤差對(duì)權(quán)值導(dǎo)數(shù)的雅可比(Jacobian).當(dāng)μ很大時(shí)，上式就接近于梯度法;當(dāng)μ很小時(shí)，上式就變成牛頓迭代法.它的優(yōu)點(diǎn)在于網(wǎng)絡(luò)權(quán)值數(shù)目較少時(shí)收斂非常迅速.

應(yīng)用Levenberg－Marquardt優(yōu)化的BP算法比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法及其它改進(jìn)算法(如共軛梯度法、附加動(dòng)量法、自適應(yīng)調(diào)整法及擬牛頓法等)有迭代次數(shù)少、收斂速度快、精確度高等優(yōu)點(diǎn)［4－5］.

2.3 數(shù)據(jù)挖掘架構(gòu)下的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

根據(jù)設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采用改進(jìn)型BP算法進(jìn)行電力負(fù)荷預(yù)測(cè).

2.3.1 數(shù)據(jù)準(zhǔn)備階段

收集整合歷史負(fù)荷數(shù)據(jù)，初始化樣本矩陣.將輸入層節(jié)點(diǎn)所描述的負(fù)荷值、溫度數(shù)據(jù)組成一個(gè)12行15列的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本矩陣.為了使輸入樣本數(shù)據(jù)易于修改且簡(jiǎn)捷，將樣本數(shù)據(jù)存放在文本文件中，利用MATLAB神經(jīng)網(wǎng)絡(luò)編程工具箱中的函數(shù)讀取數(shù)據(jù)，然后初始化樣本矩陣.

將樣本矩陣中存在的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理.SCADA系統(tǒng)提供負(fù)荷預(yù)測(cè)所需的歷史負(fù)荷數(shù)據(jù)，考慮采集數(shù)據(jù)時(shí)由于各種干擾導(dǎo)致概率性地存在誤差很大的錯(cuò)誤數(shù)據(jù)，若以這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，則預(yù)測(cè)結(jié)果會(huì)出現(xiàn)較大誤差.故需對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理:

a.對(duì)因通信通道中斷而缺少負(fù)荷數(shù)據(jù)和因電力系統(tǒng)故障而存在異常負(fù)荷時(shí)，參照正常負(fù)荷曲線進(jìn)行修正或剔除相應(yīng)異常樣本;

b.對(duì)因采樣錯(cuò)誤帶來的負(fù)荷異常值，采用數(shù)據(jù)橫向?qū)Ρ鹊姆椒ㄏ?，即將某一時(shí)刻的負(fù)荷與其前后時(shí)刻的負(fù)荷比較，如果差值大于某一閾值，則認(rèn)為有干擾，要采用軟件濾波加以修正.

將一周中的每一天都看做一種日期類型，即共有7種類型，以此提高預(yù)測(cè)精度.

以北方某城市的7月10日至20日負(fù)荷整點(diǎn)負(fù)荷值為樣本，預(yù)測(cè)7月21日的負(fù)荷值.為避免出現(xiàn)神經(jīng)元飽和現(xiàn)象，將樣本中的實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理，其中負(fù)荷樣本和溫度的歸一化處理采用如下公式

2.3.2 建立并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

采用Newff函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)創(chuàng)建一個(gè)3層BP網(wǎng)絡(luò)，網(wǎng)絡(luò)隱含層神經(jīng)元的激勵(lì)函數(shù)為S型函數(shù).然后訓(xùn)練BP神經(jīng)網(wǎng)絡(luò).其過程是根據(jù)樣本矩陣找出一個(gè)新的BP神經(jīng)網(wǎng)絡(luò)擬合原始負(fù)荷曲線，盡可能地使預(yù)測(cè)負(fù)荷曲線和實(shí)際負(fù)荷曲線相吻合，從而達(dá)到較好的預(yù)測(cè)效果.訓(xùn)練前需要設(shè)定一些參數(shù)，如學(xué)習(xí)規(guī)則、誤差指標(biāo)、學(xué)習(xí)速率.采用L－M學(xué)習(xí)規(guī)則訓(xùn)練網(wǎng)絡(luò)，就要運(yùn)用trainlm函數(shù);設(shè)定誤差指標(biāo)是設(shè)定預(yù)測(cè)負(fù)荷曲線和實(shí)際負(fù)荷曲線的逼近程度;設(shè)定學(xué)習(xí)速率是設(shè)定神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度，采用LM優(yōu)化算法可以通過多次試驗(yàn)得到較好的效果來獲得［6－9］.

2.4 負(fù)荷預(yù)測(cè)和分析

2.4.1 實(shí)例結(jié)果預(yù)測(cè)1

訓(xùn)練目標(biāo)定為 0.01的實(shí)驗(yàn)結(jié)果輸出為{0.235 8，0.108 7，0.142 8，0.219 1，0.533 9，0.679 7，0.704 0，0.717 7，0.778 3，0.742 4，0.806 9}.訓(xùn)練結(jié)果和預(yù)報(bào)誤差分別如圖1和圖2所示.

圖1 訓(xùn)練結(jié)果

圖2 預(yù)報(bào)誤差

2.4.2 實(shí)例結(jié)果預(yù)測(cè)2

訓(xùn)練目標(biāo)定為0.000 000 01的實(shí)驗(yàn)結(jié)果輸出為{0.211 8，0.132 3，0.148 8，0.242 3，0.587 3，0.593 2，0.693 2，0.723 3，0.731 1，0.724 8，0.815 0，0.831 6}，訓(xùn)練結(jié)果和預(yù)報(bào)誤差分別如圖3和圖4所示.

圖3 訓(xùn)練結(jié)果

由表1看出，利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)數(shù)據(jù)質(zhì)量已達(dá)到系統(tǒng)所需，精度為0.000 000 01時(shí)，預(yù)測(cè)最小相對(duì)誤差為 0.000 1，最大相對(duì)誤差為 0.029 8，達(dá)到實(shí)用標(biāo)準(zhǔn)［10］.

表1 負(fù)荷預(yù)測(cè)值及實(shí)際值比較

3 結(jié)語

利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了電力短期負(fù)荷不同精度下的預(yù)測(cè).預(yù)測(cè)結(jié)果表明:此方法具有較高的預(yù)測(cè)精度，能夠?yàn)殡娏ο到y(tǒng)提供有效的決策依據(jù).

圖4 預(yù)報(bào)誤差

［1］康重慶，陳啟鑫，夏清.低碳電力技術(shù)的研究展望［J］.電網(wǎng)技術(shù)，2009，33(2):1 －7.

［2］余貽鑫，欒文鵬.智能電網(wǎng)［J］.電網(wǎng)與清潔能源，2009，25(1):7－11.

［3］呂曉玲，謝邦昌.數(shù)據(jù)挖掘方法與應(yīng)用［M］.北京:中國(guó)人民大學(xué)出版社，2009.

［4］朱大奇.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用［M］.北京:科學(xué)出版社，2006.

［5］王洪元，史國(guó)棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用［M］.北京:中國(guó)石化出版社，2002.

［6］何述東.多層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究進(jìn)展［J］.控制理論與應(yīng)用，1998(4):313－318.

［7］賀蓉，曾剛，姚建剛，等.天氣敏感型神經(jīng)網(wǎng)絡(luò)在地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電力系統(tǒng)自動(dòng)化，2001(5):32－52.

［8］康重慶，夏清，劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)［M］.北京:中國(guó)電力出版社，2007.

［9］牛東曉.電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用［M］.北京:中國(guó)電力出版社，1998.

［10］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)［M］.北京:清華大學(xué)出版社，2005.