楊光宇　邵帥

摘要：人工智能技術(shù)，特別是神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊技術(shù)等方法已經(jīng)廣泛用來解決電力系統(tǒng)負(fù)荷預(yù)報(bào)問題，預(yù)報(bào)效果比傳統(tǒng)方法已有很大改善，綜合使用不同的人工智能方法更有優(yōu)勢。文章對人工智能技術(shù)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用進(jìn)行了綜述，對其發(fā)展的現(xiàn)狀進(jìn)行了介紹。

關(guān)鍵詞：短期負(fù)荷預(yù)測；人工智能；神經(jīng)網(wǎng)絡(luò)；遺傳算法；模糊邏輯；電力系統(tǒng) 文獻(xiàn)標(biāo)識碼：A

中圖分類號：TM715 文章編號：1009-2374（2015）32-0044-02 DOI：10.13535/j.cnki.11-4406/n.2015.32.024

1 人工神經(jīng)網(wǎng)絡(luò)在短期負(fù)荷預(yù)測中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是由大量簡單元件（神經(jīng)元）廣泛連接而成，用來模擬人腦行為的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。

參考文獻(xiàn)[2]提出了一種基于RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的級聯(lián)神經(jīng)網(wǎng)絡(luò)預(yù)測方法，把天氣因素和歷史負(fù)荷對負(fù)荷預(yù)測值的影響分開考慮。文中將二者組合使用，兩個(gè)子網(wǎng)絡(luò)各司其職、協(xié)調(diào)工作，在保證預(yù)測精度的前提下提高了計(jì)算速度。

很多基于神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法都是將預(yù)測日的溫度、預(yù)測日前的負(fù)荷和預(yù)測日的類型當(dāng)作網(wǎng)絡(luò)的輸入變量，很難用來預(yù)測周末或特殊節(jié)假日的負(fù)荷；用預(yù)測日的溫度當(dāng)作預(yù)測信息，萬一預(yù)測日溫度急劇變化，負(fù)荷變化很大，預(yù)測誤差也會增大；學(xué)習(xí)所有的相似日的數(shù)據(jù)較復(fù)雜，不利于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，有必要簡化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)時(shí)間。為了克服這些問題，參考文獻(xiàn)[4]提出了一種神經(jīng)網(wǎng)絡(luò)的預(yù)測方法（one-hour-ahead load forecasting method）。在這種方法中，作者通過在相似日數(shù)據(jù)的基礎(chǔ)上進(jìn)行修正得到預(yù)測日的負(fù)荷預(yù)測。

參考文獻(xiàn)[3]針對預(yù)測日的負(fù)荷，僅用一定日期范圍內(nèi)的相似日（相似日的選擇用Euclidean norm的方法來確定）數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)使用負(fù)荷偏差和溫度偏差作為學(xué)習(xí)數(shù)據(jù)，這樣就有可能減少網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)時(shí)間。另外，這種方法還把反饋數(shù)據(jù)和預(yù)測誤差作為在線學(xué)習(xí)的數(shù)據(jù)。當(dāng)預(yù)測日變化，神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練并能夠獲得預(yù)測日附近的溫度和負(fù)荷的關(guān)系，因此這種神經(jīng)網(wǎng)絡(luò)可以處理季節(jié)變化的問題，能夠在溫度急劇變化的情況下進(jìn)行誤差較小的負(fù)荷預(yù)測。

單一使用神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測有一定的局限性，將神經(jīng)網(wǎng)絡(luò)與其他技術(shù)相結(jié)合的方法使用得更為普遍，如模糊神經(jīng)網(wǎng)絡(luò)、遺傳神經(jīng)網(wǎng)絡(luò)等。

2 模糊技術(shù)在短期負(fù)荷中的應(yīng)用

模糊負(fù)荷預(yù)測是20世紀(jì)90年代初比較熱門的研究方向。在實(shí)際應(yīng)用中，模糊預(yù)測方法大多與其他方法結(jié)合使用，其中以模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法最為常見。

參考文獻(xiàn)[5]進(jìn)行負(fù)荷預(yù)測采用的模糊神經(jīng)網(wǎng)絡(luò)具有模糊輸入信號和實(shí)數(shù)權(quán)值，并使用BP學(xué)習(xí)算法，將模糊化數(shù)據(jù)作為網(wǎng)絡(luò)輸入來建立預(yù)測模型，以期得到準(zhǔn)確且穩(wěn)定的預(yù)測結(jié)果。根據(jù)原始數(shù)據(jù)的特點(diǎn)，選擇溫度、日期類型和假期因素作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，選擇預(yù)測日的負(fù)荷數(shù)據(jù)作為模糊神經(jīng)網(wǎng)絡(luò)的輸出。

此種模糊神經(jīng)網(wǎng)絡(luò)將影響負(fù)荷的因素進(jìn)行模糊化處理，并將處理后的信息作為網(wǎng)絡(luò)輸入用來預(yù)測日最大負(fù)荷，使網(wǎng)絡(luò)更容易捕捉輸入量與輸出量之間的非線性關(guān)系，從而提高了預(yù)測精度；在負(fù)荷預(yù)測過程中，將日期類型轉(zhuǎn)換為二進(jìn)制數(shù)據(jù)并作為模糊神經(jīng)網(wǎng)絡(luò)輸入的一部分，加快了網(wǎng)絡(luò)的收斂速度，縮短了訓(xùn)練時(shí)間，利于滿足電力負(fù)荷預(yù)測的實(shí)時(shí)性要求。缺點(diǎn)是沒有考慮預(yù)測日當(dāng)天的潮濕度及特殊的社會事件（如電費(fèi)增長）等。

參考文獻(xiàn)[6]提出了一個(gè)用于短期負(fù)荷預(yù)測的模糊系統(tǒng)，該模糊系統(tǒng)將模糊推理原理、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)能力相結(jié)合，即利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立模糊推理系統(tǒng)，并用神經(jīng)網(wǎng)絡(luò)的訓(xùn)練來求取模糊系統(tǒng)中使用的參數(shù)。該系統(tǒng)的參數(shù)具有清晰的物理意義，因此能夠?qū)ο到y(tǒng)進(jìn)行合理的初始化，而不是像一般神經(jīng)網(wǎng)絡(luò)那樣進(jìn)行隨機(jī)的初始化，因此大大加快了訓(xùn)練速度；該系統(tǒng)最初只包括最基本的模糊規(guī)則，使模糊系統(tǒng)在最少的參數(shù)情況下進(jìn)行訓(xùn)練；該系統(tǒng)能隨特殊系統(tǒng)的實(shí)際工作情況下的數(shù)據(jù)不斷增加新的規(guī)則，來擴(kuò)展已有的模糊規(guī)則庫。

模糊集合理論已經(jīng)在電力系統(tǒng)的短期負(fù)荷預(yù)測研究中得到了較大的進(jìn)展，隨著把它與ANN結(jié)合起來研究的進(jìn)一步深入，模糊集理論在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用會越來越受到重視。

3 遺傳算法在短期負(fù)荷中的應(yīng)用

遺傳算法是建立在自然選擇和自然遺傳學(xué)機(jī)理基礎(chǔ)上的迭代自適應(yīng)概率性搜索算法，主要是由參數(shù)編碼、初始種群的設(shè)定、評介個(gè)體優(yōu)劣、選種交換和變異等一系列演變過程組成。選擇、復(fù)制、交叉、變異是遺傳算法的主要操作。

參考文獻(xiàn)[7]提出了一種基于遺傳算法的新型神經(jīng)網(wǎng)絡(luò)。這種神經(jīng)網(wǎng)絡(luò)在隱含層中節(jié)點(diǎn)與節(jié)點(diǎn)之間相互連接。

這種神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)表現(xiàn)更好，而且需要隱含層的個(gè)數(shù)較少。使用遺傳算法對這種神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，目標(biāo)是用遺傳算法設(shè)置各個(gè)節(jié)點(diǎn)的參數(shù)以使得適應(yīng)度函數(shù)最大。適應(yīng)度函數(shù)定義為：

其中：

式中：

——期望輸出

——實(shí)際輸出

——輸入輸出數(shù)據(jù)對數(shù)

——輸出的個(gè)數(shù)

遺傳算法除了同神經(jīng)網(wǎng)絡(luò)結(jié)合進(jìn)行負(fù)荷預(yù)測外，也有獨(dú)自應(yīng)用的情況。參考文獻(xiàn)[8]建立了以誤差平方和最小為目標(biāo)地組合預(yù)測模型，并用改進(jìn)的遺傳算法求解組合預(yù)測模型。對于遺傳算法有時(shí)會陷入局部極小值的問題，提出對樣本等值適應(yīng)變換的方法來解決。

4 結(jié)語

隨著電力市場的發(fā)展，負(fù)荷預(yù)測的重要性日益顯現(xiàn)，并且對負(fù)荷預(yù)測精度的要求越來越高。在實(shí)際工作中要嚴(yán)格遵循相關(guān)的原則，降低誤差，使人工智能技術(shù)的實(shí)用性得以提高。

參考文獻(xiàn)

[1] 劉晨暉.電力系統(tǒng)負(fù)荷預(yù)報(bào)理論與方法[D].哈爾濱工業(yè)大學(xué)，1987.

[2] 金海峰，熊信艮，吳耀武.基于級聯(lián)神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法[J].電網(wǎng)技術(shù)，2002，（3）.

[3] S Tomonobu，T Hitoshi，U Katsumi，F(xiàn) Toshihisa.One-hour-ahead load forecasting using neural network[J].IEEE Transactions on Power Systems，2002，17（1）.

[4] 于海燕，張鳳玲.基于模糊神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測[J].電網(wǎng)技術(shù)，2007，31（3）.

[5] Bakirtzis，A.G.Theocharis，J.B.Kiartzis，S.J.Satsios，K.J..Short term load forecasting using fuzzy neural networks[J].IEEE Transactions on Power Systems，1995，10（3）.

[6] S.H.ling，F(xiàn)rank H.F.Leung，H.K.Lam，Yim-Shu Lee，Peter K.S.Tam.A Novel Genetic-Algorithm-Based Neural Network for Short-Term Load Forecasting[J].IEEE Transactions on Industrial Electronics，2003，50（4）.

[7] 謝開貴，李春燕，俞集輝.基于遺傳算法的短期負(fù)荷組合預(yù)測模型[J].電網(wǎng)技術(shù)，2001，25（8）.

作者簡介：楊光宇（1987-），山東濱州人，濟(jì)南供電公司助理工程師，研究方向：電網(wǎng)經(jīng)濟(jì)運(yùn)行；邵帥（1988-），山東臨沂人，供職于濟(jì)南供電公司，研究方向：電網(wǎng)主網(wǎng)運(yùn)行。

（責(zé)任編輯：陳 潔）