楊新妹 申孟浩 楊瑞

摘要：電量預測問題是電網(wǎng)規(guī)劃設計的一個基本內(nèi)容。影響電負荷量變化的因素有很多，而且這些因素都具有不確定性，即這些信息具有模糊性，因此在長期電力負荷預測中要獲得5-10年后的電力負荷的準確值是非常困難的。本文根據(jù)歷史數(shù)據(jù)采用最小二乘向量機，神經(jīng)網(wǎng)絡的方法對每月用戶的用電量以及每天的用電量進行預測，建立負荷預測模型。

關(guān)鍵詞：電量預測;最小二乘向量機;BP;神經(jīng)網(wǎng)絡

一、概述

城市日常生活和發(fā)展離不開用電。為了了解某城市某電力用戶的用電情況，通過對數(shù)據(jù)的處理，將建立數(shù)學模型，預測KLBL用戶2015年10月—2016年3月每月用電量。之后考慮增加天氣溫度、季節(jié)、經(jīng)濟增長和人口變化等其他因素對用電的影響，建立預測模型，預測2016年3月15日11點鐘——2016年3月31日22點鐘每15分鐘用電負荷量。

二、基于最小二乘向量機算法預測

最小二乘支持向量機 （LSSVM） 是對SVM的一種改進， 它是將傳統(tǒng)SVM中的不等式約束改為等式約束， 把求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題， 從而提高了問題求解的速度和收斂精度。其算法原理如下：

支持向量回歸機根據(jù)訓練樣本作Rn×R構(gòu)造回歸函數(shù)：

定義損失函數(shù)為：

然后根據(jù)最小二乘支持向量機的風險函數(shù)可以得到原始最優(yōu)化問題：

最后可以得到回歸參數(shù)α和b，則回歸函數(shù)為：

基于最小二乘支持向量機（見附錄2）的電量預測流程是首先進行原始數(shù)據(jù)預處理， 然后優(yōu)化LSSVM的兩個重要參數(shù)， 在得到最優(yōu)參數(shù)后， 將訓練集和最優(yōu)參數(shù)輸入到LSSVM中， 訓練得到相應的預測模型， 然后再輸入測試數(shù)據(jù)， 得到預測結(jié)果， 如表1所示，基于最小二乘向量機算法預測的預測結(jié)果變化顯比較平緩，比較符合實際。

三、 基于時間序列建立函數(shù)模型

分析數(shù)據(jù)，查閱相關(guān)資料并結(jié)合實際生活可知，當氣溫處于人體適應范圍內(nèi)，人不需要借助家電設備如空調(diào)等來輔助調(diào)節(jié)，但是如果超過這個范圍則需要借助外力輔助，即增加對電力的消耗。假設18℃—24℃為標準氣溫，即人體適應溫度。引入一個基礎(chǔ)用電量，即在正常溫度下的平均用電量，在基礎(chǔ)用電量的基礎(chǔ)上再引入一個與溫度有關(guān)的系數(shù)。

從數(shù)據(jù)中篩選出適應溫度（18℃—24℃）所對應的用電量，通過求和平均作為基礎(chǔ)用電量。查閱數(shù)據(jù)資料，整理得出符合要求的總負荷值，如下圖所示。

對這12天的總負荷值進行求和平均，得出每天基礎(chǔ)用電量的負荷值為1219497。再平均到15分鐘的負荷值約為12703。假設選取21℃為標準溫度，故考慮天氣溫度后的用電負荷量預測結(jié)果為：

其中F表示考慮天氣溫度后的用電負荷量預測結(jié)果，Xt表示不考慮天氣溫度的用電負荷量預測結(jié)果，T表示氣溫。

增加了天氣氣溫的因素，用戶用電量的多少與天氣氣溫，各個時間都有一定的關(guān)系，建立考慮天氣溫度后的用電負荷量與氣溫預測結(jié)果的函數(shù)模型，氣溫較高的時候用電量也會相應增加，氣溫較低的時候用電量也會相應減少。

四、改進的BP神經(jīng)網(wǎng)絡模型

求深入考慮季節(jié)、經(jīng)濟增長和人口變化等其他因素對用電的影響，需要綜合考慮多種因素對預測對象的影響，灰色預測對歷史的數(shù)據(jù)依賴性較強，且未考慮各個因素之間的聯(lián)系;時間序列的計算量較小，對應的計算時間較短，對于連續(xù)變化的負荷預測精度較高，但是由于模型要求時間序列數(shù)據(jù)波動不能太大，無法估計由季節(jié)、經(jīng)濟、人口等因素對負荷的影響，與之相對的人工神經(jīng)網(wǎng)絡算法，這是一個模擬人類大腦活動的智能算法，它是由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，它可以考慮多因素對用電的影響。

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，該網(wǎng)絡的主要特點是信號向前傳遞，誤 差反向傳播。在向前傳遞過程中，輸入信號從輸入層經(jīng)隱含層珠層處理，直至輸出 層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則 轉(zhuǎn)入反向傳播，根據(jù)預測誤差調(diào)整網(wǎng)絡權(quán)值和閾值，從而使 BP 神經(jīng)網(wǎng)絡預測輸出不斷逼近期望輸出。

BP神經(jīng)網(wǎng)絡算法步驟大致如下：

步驟1：網(wǎng)絡初始化。根據(jù)系統(tǒng)輸入輸出序列（X，Y）確定網(wǎng)絡輸入層節(jié)點數(shù)n、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)m、初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值ωij，ωjk，初始化隱含層閾值a，輸出層閾值b，給定學習速率和神經(jīng)元激勵函數(shù)。

步驟 2：隱含層輸出計算。根據(jù)輸入向量 X ，輸入層和隱含層間連接權(quán)值ωij以及隱含層閾值αi，計算隱含層輸Hi。

式中，l為隱含層節(jié)點數(shù); f 為隱含層激勵函數(shù)，該函數(shù)有多種表達形式，所選函數(shù)為：

步驟3：輸出層輸出計算。根據(jù)隱含層輸岀H，連接權(quán)值ω jk和閾值b，計算BP神經(jīng)網(wǎng)絡預測輸出Ok。

步驟 4：誤差計算。根據(jù)網(wǎng)絡預測輸出 O 和期望輸出 Y 。計算網(wǎng)絡預測誤差ek

步驟5：權(quán)值更新。根據(jù)網(wǎng)絡預測誤差e更新網(wǎng)絡連接權(quán)值

式中，η為學習速度。

步驟 6：閾值更新。根據(jù)網(wǎng)絡預測誤差 e 更新網(wǎng)絡節(jié)點閾值 a， b

步驟7：判斷算法迭代是否結(jié)束，若沒結(jié)束，返回步驟2。

總結(jié)

該模型是對用戶用電量的研究，此模型可以推廣到用戶用水量的預測以及交通流量預測等方面，更加貼近實際情況，并使得相應公司獲得較大收益。

參考文獻：

[1]姜啟源，數(shù)學模型（第二版），北京：高等教育出版社，1992

[2]楊柳，吳延琳，張超，劉超，蔣勃，張鵬.改進最小二乘支持向量機電量預測算法[J].電網(wǎng)與清潔能源，2017，33（03）：71-76.

[3]孫澤昊. 基于最大相關(guān)熵準則的電網(wǎng)月度電量預測[D].西安理工大學，2019.

[4]朱國華，王林，盧正鼎.中期售電量并行BP網(wǎng)絡預測模型[J].計算機與數(shù)字工程，2007（05）：103-104+200+209.

[5]李瑞杰. 基于BP神經(jīng)網(wǎng)絡的地區(qū)售電量預測新方法研究[D].西安科技大學，2018.