摘要：電力系統(tǒng)負(fù)荷與諸多影響因素之間是一種強(qiáng)耦合、多變量、嚴(yán)重非線性的關(guān)系，且這種關(guān)系具有動態(tài)性。傳統(tǒng)預(yù)測方法精度不高，而采用動態(tài)回歸神經(jīng)網(wǎng)絡(luò)（Elman）能更直接、更有效地反映系統(tǒng)的動態(tài)特性。該文建立了基于Elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型，通過MATLAB仿真預(yù)測，對比Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果。仿真實(shí)驗(yàn)證明了Elman神經(jīng)網(wǎng)絡(luò)具有良好的動態(tài)特性、較快的訓(xùn)練速度、高精度等特點(diǎn)，表明Elman預(yù)測模型是一種新穎、可靠的負(fù)荷預(yù)測方法。

關(guān)鍵詞： 電力負(fù)荷；Elman網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；預(yù)測

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2013）16-3871-04

電力系統(tǒng)時(shí)序負(fù)荷的準(zhǔn)確預(yù)測是實(shí)現(xiàn)現(xiàn)代控制的前提之一，也是電力系統(tǒng)規(guī)劃和運(yùn)行研究的重要內(nèi)容。負(fù)荷預(yù)測是從已知的用電需求出發(fā)，考慮政治、經(jīng)濟(jì)、氣候等相關(guān)因素，對未來的用電需求作出的預(yù)測[1]。電力系統(tǒng)負(fù)荷預(yù)測也是電力生產(chǎn)部門的重要工作之一，通過準(zhǔn)確的負(fù)荷預(yù)測，可以經(jīng)濟(jì)合理地安排機(jī)組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計(jì)劃，降低發(fā)電成本，提高經(jīng)濟(jì)效益。此外，它也是電力市場中電價(jià)制定的基礎(chǔ)。

負(fù)荷預(yù)測對電力系統(tǒng)控制、運(yùn)行和計(jì)劃都有著重要意義。電力系統(tǒng)負(fù)荷變化一方面受許多不確定因素的影響，負(fù)荷變化會存在隨機(jī)波動，另一方面又具有周期性，這也使得負(fù)荷預(yù)測曲線具有相似性。同時(shí)，由于受天氣、節(jié)假日等特殊情況的影響，又使負(fù)荷變化出現(xiàn)異常。由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射特性，它常用于負(fù)荷預(yù)測。

近年來，人工神經(jīng)網(wǎng)絡(luò)越來越引起控制理論工作者的極大興趣。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)能夠?qū)W習(xí)，能夠總結(jié)歸納的系統(tǒng)，也就是說它能夠通過已知數(shù)據(jù)的實(shí)驗(yàn)運(yùn)用來學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對局部情況的對照比較（而這些比較是基于不同情況下的自動學(xué)習(xí)和要實(shí)際解決問題的復(fù)雜性所決定的），它能夠推理產(chǎn)生一個(gè)可以自動識別的系統(tǒng)。與之不同的基于符號系統(tǒng)下的學(xué)習(xí)方法，它們也具有推理功能，只是它們是建立在邏輯演算法的基礎(chǔ)上，也就是說它們之所以能夠推理，基礎(chǔ)是需要有一個(gè)推理演算法則的集合。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對輸入變量做復(fù)雜的相關(guān)假定的能力，具有良好的自適應(yīng)和自學(xué)習(xí)能力，能夠充分逼近復(fù)雜的非線性關(guān)系，但關(guān)鍵是要建立合理的數(shù)學(xué)模型。

本文利用Elman神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和較強(qiáng)的非線性映射能力進(jìn)行負(fù)荷預(yù)測。采用自適應(yīng)學(xué)習(xí)速率動量梯度下降反向傳播算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，可以克服傳統(tǒng)BP算法收斂速度慢和局部極小等缺陷。

1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法

1.1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman網(wǎng)絡(luò)通常是一個(gè)兩層網(wǎng)絡(luò)，其隱含層神經(jīng)元到輸入層神經(jīng)元之間還存在一個(gè)反饋連接通道，這種反饋連接在神經(jīng)網(wǎng)絡(luò)術(shù)語中稱為回歸（recurrent）連接。這種回歸連接使得Elman網(wǎng)絡(luò)具有檢測和產(chǎn)生時(shí)變模式的能力。

2 數(shù)據(jù)的預(yù)處理

2.1數(shù)據(jù)的選取

有效地選取輸入變量是決定神經(jīng)網(wǎng)絡(luò)預(yù)測精度的關(guān)鍵所在。電力系統(tǒng)負(fù)荷的波動往往受各種突變因素的影響，而這些因素包含的信息往往具有很大的不確定性。出于篇幅考慮，對預(yù)報(bào)模型簡單化，輸入變量的選取僅來自于某年歐洲競賽中電力負(fù)荷的歷史數(shù)據(jù)。

2.2結(jié)構(gòu)分析

2.3輸入和輸出參數(shù)的標(biāo)準(zhǔn)化

3 仿真分析

神經(jīng)網(wǎng)絡(luò)中單個(gè)神經(jīng)元具有簡單的能夠反映非線性本質(zhì)特征的能力，這些基本的單元經(jīng)過自組織復(fù)合，使神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù)。通過學(xué)習(xí)，從樣本中抽取并存儲其內(nèi)在規(guī)律，從而可以對序列的變化進(jìn)行預(yù)測。使用神經(jīng)網(wǎng)絡(luò)方法可以避免復(fù)雜的常規(guī)建模過程，而且神經(jīng)網(wǎng)絡(luò)模型有良好的自適應(yīng)和自學(xué)習(xí)能力、較強(qiáng)的抗干擾能力，易于給出工程上容易實(shí)現(xiàn)的算法。在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)，首先是要確定輸入、輸出節(jié)點(diǎn)。

在訓(xùn)練和預(yù)測的過程中，在MATLAB語言環(huán)境下，使用其特有的神經(jīng)網(wǎng)絡(luò)工具箱，對改進(jìn)的BP算法建立負(fù)荷預(yù)測模型，實(shí)現(xiàn)短期負(fù)荷預(yù)測。對比兩種網(wǎng)絡(luò)預(yù)測圖像和數(shù)據(jù)，可以清楚地看出，Elman網(wǎng)絡(luò)的訓(xùn)練速度及預(yù)測精度都有較大的改善。比較圖4、圖5及預(yù)測技術(shù)指標(biāo)可以看到，訓(xùn)練Elman網(wǎng)絡(luò)時(shí)間短，平均預(yù)測精度高，最大預(yù)測精度也優(yōu)于BP網(wǎng)絡(luò)。

對于電力預(yù)測來說，只考慮歷史數(shù)據(jù)是不夠的，還受許多隨機(jī)因素的影響，由于工作日和節(jié)假日的負(fù)荷不同，還要考慮時(shí)間特征值[8]。為避免預(yù)測時(shí)出現(xiàn)較大的誤差，可以通過適當(dāng)增加樣本容量。

4 結(jié)論

到目前為止，電力系統(tǒng)的負(fù)荷預(yù)測一直都是一個(gè)難點(diǎn)，這主要是因?yàn)殡娏ο到y(tǒng)結(jié)構(gòu)越來越復(fù)雜。該文采用Elman網(wǎng)絡(luò)建立短期負(fù)荷的預(yù)測模型，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的一些缺陷。通過仿真計(jì)算，證明了Elman神經(jīng)網(wǎng)絡(luò)具有動態(tài)特性好、網(wǎng)絡(luò)訓(xùn)練速度快、精度高等特點(diǎn)，同時(shí)表明該方法是可行且有效的，并且在電網(wǎng)電力負(fù)荷預(yù)測領(lǐng)域具有廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] 汪峰，于爾鏗，周京陽.能量管理系統(tǒng)（EMS） [J]. 電力系統(tǒng)自動化，1997，21（4）：66-69.

[2] 芮執(zhí)元，任麗娜，馮瑞成.基于Elman神經(jīng)網(wǎng)絡(luò)的甘肅電網(wǎng)負(fù)荷預(yù)測模型[J].現(xiàn)代電力，2007，24（2）：26-29.

[3] 夏昌浩，向?qū)W軍，何勝雄. 基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的電力系統(tǒng)負(fù)荷預(yù)報(bào)[J]. 武漢水利電力大學(xué)學(xué)報(bào)，2000，22（4）：303-307.

[4] 孫洪波，秦翼鴻，徐國禹. 用于短期電力負(fù)荷預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 重慶大學(xué)學(xué)報(bào)，1995（7）：42-47.

[5] 陳玉彬.礦井雙風(fēng)機(jī)自動倒臺的簡易實(shí)現(xiàn)[J].礦山機(jī)械， 2009（18）：84.

[6] 王關(guān)平. 基于人工神經(jīng)網(wǎng)絡(luò)的無刷直流電動機(jī)控制研究[D]. 蘭州理工大學(xué)，2007.

[7] http：//neuron.tuke.sk/competition/index.php.

[8] 王艷，秦玉平，張志強(qiáng).一種改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)算法[J].渤海大學(xué)學(xué)報(bào)： 自然科學(xué)版，2007（4）：24-35.