楊彬　徐趕伏

摘 要：電力系統(tǒng)負(fù)荷預(yù)測是電力系統(tǒng)中規(guī)劃、計(jì)劃、營銷、調(diào)度等管理部門日常工作的重要依據(jù)。其中短期負(fù)荷預(yù)測是安排日發(fā)電計(jì)劃和開停機(jī)計(jì)劃的制定依據(jù)。論文首先介紹了電力負(fù)荷預(yù)測的意義和發(fā)展現(xiàn)狀，研究了負(fù)荷預(yù)測的分類與基本方法，然后介紹了人工神經(jīng)網(wǎng)絡(luò)的概念和基本結(jié)構(gòu)，最后應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的BP模型構(gòu)建本次預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)，并對負(fù)荷數(shù)據(jù)進(jìn)行了歸一化處理，建立了預(yù)測日負(fù)荷的神經(jīng)網(wǎng)絡(luò)模型。在網(wǎng)絡(luò)訓(xùn)練中采用SCG算法，加快了網(wǎng)絡(luò)的訓(xùn)練速度使反向傳播法更容易實(shí)現(xiàn)。仿真表明，預(yù)測結(jié)果與實(shí)際結(jié)果吻合良好，誤差在可接受范圍內(nèi)。

關(guān)鍵詞：負(fù)荷預(yù)測；人工神經(jīng)網(wǎng)絡(luò)；BP算法；

中圖分類號：TM732 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-3520（2015）-01-00-03

為了向用戶提供安全、可靠和優(yōu)質(zhì)的電能，電力部門需要保持電力系統(tǒng)的安全性和可靠性，這就要求系統(tǒng)發(fā)電出力隨時(shí)緊跟系統(tǒng)負(fù)荷，否則就會(huì)影響供、用電質(zhì)量，并會(huì)危及系統(tǒng)安全與穩(wěn)定。所以，電力系統(tǒng)短期負(fù)荷預(yù)測是電力系統(tǒng)安全分析的基礎(chǔ)。

目前，電力系統(tǒng)短期負(fù)荷預(yù)測主要呈現(xiàn)以下特點(diǎn)：智能技術(shù)廣泛用于負(fù)荷預(yù)測領(lǐng)域，模型結(jié)構(gòu)趨于復(fù)雜，考慮的影響因素更多，非線性理論的應(yīng)用，組合預(yù)測應(yīng)用更廣。

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）作為一門新興的交叉學(xué)科，為揭示復(fù)雜對象的運(yùn)行機(jī)理提供了一條新的途徑，許多學(xué)者將其應(yīng)用于電力負(fù)荷預(yù)測問題，例如人工神經(jīng)網(wǎng)絡(luò)與小波分析相結(jié)合，人工神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合，人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合等[16-18]。

本文對歷史負(fù)荷數(shù)據(jù)進(jìn)行分析及預(yù)處理，選取一個(gè)時(shí)段作為預(yù)測樣本，選擇輸入量的構(gòu)成。利用MATLAB建立一個(gè)兩層BP結(jié)構(gòu)作為本次預(yù)測網(wǎng)絡(luò)模型。在此基礎(chǔ)上用SCG算法進(jìn)行網(wǎng)絡(luò)的訓(xùn)練以提高訓(xùn)練速度，進(jìn)行預(yù)測誤差的分析，最后使用訓(xùn)練成的網(wǎng)絡(luò)進(jìn)行指定日預(yù)測，分析仿真結(jié)果。

一、人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和模型

人工神經(jīng)網(wǎng)絡(luò)由許多個(gè)神經(jīng)元組成。一個(gè)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型和結(jié)構(gòu)描述了一個(gè)網(wǎng)絡(luò)如何將它的輸入矢量轉(zhuǎn)化為輸出矢量，其實(shí)質(zhì)是網(wǎng)絡(luò)輸入和其輸出之間的函數(shù)關(guān)系。通過選取不同的模型結(jié)構(gòu)和激活函數(shù)，可以形成各種不同的人工神經(jīng)網(wǎng)絡(luò)，得到不同的輸入輸出關(guān)系式，最終達(dá)到不同的設(shè)計(jì)目的。

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般是一個(gè)多輸入/單輸出的非線性元件，如下圖所示。

為偏差信號，也稱為閥值；為神經(jīng)元的基函數(shù)，得到的為激活函數(shù)的輸入；為神經(jīng)元的激活函數(shù)。

激活函數(shù)是一個(gè)神經(jīng)元及神經(jīng)網(wǎng)絡(luò)的核心，其基本作用是控制輸入對輸出的激活作用，對輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換，將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。常用的激活函數(shù)有閥值型、線性型、Sigmoid型、高斯型等。閥值型函數(shù)將任意輸入轉(zhuǎn)化為0或1的輸出，函數(shù)為單位階躍函數(shù)。線性型函數(shù)是網(wǎng)絡(luò)的輸出等于加權(quán)輸入加上偏差。Sigmoid型函數(shù)將任意輸入值壓縮到（0，1）的范圍內(nèi)，常用對數(shù)或雙曲正切等一類S形狀的曲線來表示，如圖2.2（a）、（b）所示。對數(shù)S型激活函數(shù)關(guān)系式為：

S型激活函數(shù)具有非線性放大增益，對任意輸入的增益等于在輸入/輸出曲線中該輸入點(diǎn)處的曲線斜率值。利用該函數(shù)可以使同一神經(jīng)網(wǎng)絡(luò)既能處理小信號（中間的高增益區(qū)）又能處理大信號（兩邊的低增益區(qū)）。高斯型激活函數(shù)又稱為鐘形函數(shù)，常用于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，也是十分重要的激活函數(shù)類型，表達(dá)式為：

（3.3）

一般地，稱一個(gè)神經(jīng)網(wǎng)絡(luò)是線性或非線性是由神經(jīng)元中激活函數(shù)是線性或非線性決定的。

將兩個(gè)或更多個(gè)簡單神經(jīng)元并聯(lián)起來，使每個(gè)神經(jīng)元具有相同的輸入矢量，即可組成一個(gè)神經(jīng)元層，如圖2.3所示。將兩個(gè)以上的單層神經(jīng)網(wǎng)絡(luò)級聯(lián)起來則組成多層神經(jīng)網(wǎng)絡(luò)，如圖2.4所示。

二、基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測實(shí)現(xiàn)

（一）模型選擇及算法改進(jìn)

由神經(jīng)元激活函數(shù)的特性可以知道，神經(jīng)元的輸出通常被限制在一定的范圍內(nèi)，大多數(shù)人工神經(jīng)網(wǎng)絡(luò)使用的非線性激活函數(shù)為S型函數(shù)，其輸出被限制在[0，1]或[-1，1]之間?？稍紨?shù)據(jù)和期望輸出值通常在此區(qū)間之外，直接以原始數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練會(huì)引起神經(jīng)元飽和。因此，在對網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前必須對數(shù)據(jù)進(jìn)行預(yù)處理及歸一化處理（Normalization），以避免法訓(xùn)練過程中的神經(jīng)麻痹。研究表明：以恰當(dāng)?shù)姆绞綄?shù)據(jù)進(jìn)行歸一化處理可以加速神經(jīng)網(wǎng)絡(luò)的收斂。

負(fù)荷數(shù)據(jù)的歸一化有許多處理方式，本文采用的方法如下：

（二）算例分析

本文的歷史負(fù)荷數(shù)據(jù)為天津地區(qū)2014年一整年的日負(fù)荷，包括每天的24點(diǎn)負(fù)荷。由于節(jié)日的負(fù)荷狀況與正常日差別較大，本文只考慮正常日負(fù)荷預(yù)測，剔除節(jié)日負(fù)荷樣本。由于所能獲得的數(shù)據(jù)的有限性，無法獲得一些實(shí)際上對負(fù)荷有影響的變量（如重大事件或自然災(zāi)害等）的數(shù)據(jù)，在模型中無法考慮這些變量。故只選取相關(guān)負(fù)荷數(shù)據(jù)作為日負(fù)荷預(yù)測的輸入量，并剔除其中明顯異常的數(shù)據(jù)，如負(fù)荷毛刺等。

在正常日數(shù)據(jù)中又應(yīng)當(dāng)有所劃分，根據(jù)已知的文獻(xiàn)[11-15]大體有如下幾類劃分方式：1、將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型；2、將一周分為星期一、星期二到星期四、星期五、星期六、星期天等5種類型。3、將一周的7天每天都看做一種類型，共有7種類型。根據(jù)歷史負(fù)荷數(shù)據(jù)的曲線，本文采用第1種負(fù)荷劃分模式，即將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是通過對有限個(gè)樣本的學(xué)習(xí)，調(diào)整各權(quán)值，尋求樣本發(fā)展的規(guī)律。把所得的負(fù)荷數(shù)據(jù)樣本分為兩組，一組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，另一組作為檢驗(yàn)訓(xùn)練結(jié)果用。本文只用根據(jù)日期類型來選擇學(xué)習(xí)樣本和建立網(wǎng)絡(luò)。

根據(jù)短期負(fù)荷的周期性，以及對歷史負(fù)荷數(shù)據(jù)圖像的分析[9]，本文選取預(yù)測日前一周同一天的24小時(shí)負(fù)荷數(shù)據(jù)以及預(yù)測日前一天的24小時(shí)負(fù)荷數(shù)據(jù)作為輸入量，即輸入量是48維的。網(wǎng)絡(luò)輸出為預(yù)測日0時(shí)到23時(shí)的整點(diǎn)負(fù)荷，是一個(gè)24維的輸出量。

如前文所述，本次預(yù)測以天津地區(qū)電網(wǎng)的實(shí)際歷史負(fù)荷為樣本數(shù)據(jù)，預(yù)測該地區(qū)日負(fù)荷?；贛ATLAB軟件建立含一個(gè)隱含層的BP網(wǎng)絡(luò)模型，實(shí)現(xiàn)預(yù)測日24點(diǎn)負(fù)荷的輸出，每個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)均為48-11-24。網(wǎng)絡(luò)訓(xùn)練樣本集選取預(yù)測日前一天和前一周同一天的實(shí)際負(fù)荷。

（1）根據(jù)實(shí)際調(diào)研的資料，工作日模型選取該地區(qū)1月1日至1月12日期間工作日的負(fù)荷數(shù)據(jù)作為訓(xùn)練網(wǎng)絡(luò)的樣本輸入和目標(biāo)輸出，用訓(xùn)練好的網(wǎng)絡(luò)對2014年1月16日的日負(fù)荷進(jìn)行預(yù)測檢驗(yàn)。預(yù)測的結(jié)果如下圖所示：

由圖2可知，預(yù)測負(fù)荷曲線和實(shí)際負(fù)荷曲線基本吻合。下表1是2014年1月16日的實(shí)際負(fù)荷值和預(yù)測值的比較，絕對誤差和相對誤差如表所示：

2是2014年2月4日的實(shí)際負(fù)荷值和預(yù)測值的比較，絕對誤差和相對誤差如表所示：

以上圖表直觀地表明了人工神經(jīng)網(wǎng)絡(luò)用于負(fù)荷預(yù)測能達(dá)到較高的精度，能對負(fù)荷曲線進(jìn)行良好的非線性擬合，具有良好的應(yīng)用前景，同時(shí)也有一些提高的空間。

三、結(jié)論

人工神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測，往往在計(jì)算過程中存在神經(jīng)元的飽和問題。針對這一問題，本文對輸入負(fù)荷數(shù)據(jù)進(jìn)行了歸一化處理，在此基礎(chǔ)上應(yīng)用了SCG算法對網(wǎng)絡(luò)進(jìn)行實(shí)訓(xùn)，提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和預(yù)測精度。

以天津地區(qū)電網(wǎng)的實(shí)際歷史負(fù)荷為樣本數(shù)據(jù)，預(yù)測該地區(qū)日負(fù)荷。算例表明，本算法解決了神經(jīng)元的飽和問題，能達(dá)到較高的精度，能對負(fù)荷曲線進(jìn)行良好的非線性擬合，具有良好的應(yīng)用前景。

參考文獻(xiàn)：

[1]牛東曉，曹樹華，盧建昌，趙磊.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用（第二版）[M].北京：中國電力出版社，2009

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

[3]王波.考慮氣象要素的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D].上海：上海交通大學(xué)，2008

[4]吳小明.考慮氣象條件下的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D].杭州：浙江大學(xué)，2003

[5]黎燦兵，李曉輝，趙瑞，李金龍，劉曉光.電力短期負(fù)荷預(yù)測相似日選取算法[J].電力系統(tǒng)自動(dòng)化，2008，32（9）：69-73