基于神经网络的电力负荷预测

2018-11-03 10:38 [电力论文] 来源于：互联网作者：陈时飞

导读：作者：陈时飞摘要：近几年来，中国电力工业正在逐步进行电力体制改革，电力市场运营机制也逐步在我国建立。国内电力市场的逐步开放并投入运营，对电力系统负荷预测的研究也越来越引起人们的关注。负荷预测是从已知的用电需求量出发，在考虑经济、气候等相

作者：陈时飞

　　摘要：近几年来，中国电力工业正在逐步进行电力体制改革，电力市场运营机制也逐步在我国建立。国内电力市场的逐步开放并投入运营，对电力系统负荷预测的研究也越来越引起人们的关注。负荷预测是从已知的用电需求量出发，在考虑经济、气候等相关因素的前提下，对未来的用电需求做出的合理预测。负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小；电能预测决定发电设备的类型（如调峰机组、基荷机组等）。

　　关键词：神经网络；电力负荷；预测

　　中图分类号：TM715 文献标识码：A 文章编号：1674-7712 （2014） 12-0000-02

　　本文采用山西省太原市2007年3月10日到26日24小时整点历史负荷数据以及对应的气象数据（包括温度、湿度），在训练样本的选取上，由于双休日的负荷状况与工作日差别较大，因此，本文也考虑了假期特征值作为输入节点。取得的样本数据不能直接用作神经网络的输入，然后经过以下一系列的处理：

　　编制了负荷预测程序，通过Matlab软件，预测出太原市3月28日的电力负荷数据。对比表中均列出了实际值和预测值以及相对误差。相对误差的公式如所示：相对误差=（K-G）/K ，说明：K为历史负荷实际值，G为预测负荷值。

　　这些误差分析将在日负荷预测出来后，与实际的负荷数据进行比较，计算出这些误差值。首先根据经验公式初步确定隐含层神经元个数，然后通过对不同神经元数的网络进行训练对比，再最终确定神经元数。

　　以下2个公式可用于选择最佳隐层单元数时的参考公式。

　　隐含层取61节点的网络训练的进程曲线如下图所示，相比较于58节点的网络该网络学习时间更久运行了94步的时候误差精度都能收敛到0.001，满足设定的要求。所以61节点的隐含层也能很好的满足要求。程序的具体运行过程如图1所示。

　　在网络训练了一定次数后，隐层节点数分别为58点和61点的误差精度都能收敛到0.001，隐含层取58节点时程序运行了94步。隐层节点数取61点的负荷预测平均相对误差为1.71%，所以，本文负荷预测决定采用隐层节点数为61节点。下面针对湿度对负荷预测是否有较大的影响，分别建立两个神经网络模型，其中一个模型考虑温度作为输入节点（输入节点数为27），作程序运算，预测负荷曲线如图2。

　　图2 预测的曲线与历史负荷曲线对比图

　　历史负荷曲线（红色曲线）；

　　只考虑气温预测负荷曲线（黑色曲线）；隐层节点数55

　　考虑湿度，气温的预测负荷曲线（蓝色曲线）；隐层节点数58

　　只考虑湿度预测负荷曲线（黄色曲线）；隐层节点数55

　　图2明显直观的看出（其中红线的为历史负荷值，黄线和蓝线为预测出的负荷值），有考虑温度，湿度影响的负荷预测较为准确，相对误差比较小。因此可以证明，湿度对负荷预测的影响是比较大的，进行短期负荷预测考虑湿度的影响预测比较准确。

　　本次日负荷预测的平均相对误差为1.60%，电力系统负荷属于既有一定规律性又有较强随机性的非平稳过程。未来某时刻的负荷状态通常与过去的负荷、现在的运行状况、未来的气象因素以及日期类型等密切相关。

　　本文采用的人工神经网络的BP算法，在结合Matlab强大的数据处理能力和完善的神经网络工具箱的情况下预测出来的，蓝色虚线曲线表示预测出的26日历史负荷数据的曲线图，红色实线型曲线为26日的历史负荷数据的曲线图。

　　由图像分析可知，预测曲线与历史负荷曲线还是存在较大的差别，特别是在最高点与最低点之间的。预测误差和预测结果的准确性关系密切，误差越大，准确性就愈低。由于影响负荷预测的因素很多，所以预测不是很准确，产生日负荷预测误差产生的主要原因有：（1）日负荷变化规律受气温等气象因素的影响；（2）日负荷具有随一天24小时周期变化的内在规律；（3）日负荷变化规律受近期日负荷变化趋势的影响；（4）日负荷变化规律受节假日的影响。

　　计算并分析误差的大小有着重要意义，这不仅可以客观认识预测结果的准确程度，从而对利用预测资料作决策具有重要的参考价值；同时，对于改进负荷预测工作，检验和选用恰当的预测方法等方面也有较大帮助。

　　26日共24小时的平均相对误差为1.60%，短期负荷预测的平均相对误差一般要求在3%以内，本文由于日负荷的影响因素较多，没有采用改进的BP算法或结合其他负荷预测的算法，导致有些误差稍稍超过了标准范围，不过基本符合短期负荷预测的标准，也证明了运用神经网络模型的预测精度较好。预测26号的负荷与实际负荷曲线的比较图3。

　　图3 预测26号的负荷与实际负荷曲线的比较图

　　当然，本论文对应用神经网络实现日负荷预测的研究远未结束，比如在网络训练中如何将其他方法与BP算法结合起来，提高预测的精度，还是个值得研究的问题；如何更加有效的减少节假日和天气、温度和季节等的影响，这些都会导致预测出现误差，本文只考虑将量化后的最高、最低温度作为输入变量，没将量化后的平均温度作为输入变量，这可能是导致误差不够精确的原因之一。

　　影响短期日负荷预测的因素比较多，所以存在的误差也相对较大，今后需要研究跟改进的问题有：（1）在今后的负荷预测中，重要的是研究如何减小最大预测误差值，减少较大预测误差发生的次数。一般短期负荷预测的平均相对误差要求在3%以内，本文由于日负荷的影响因素较多，没有用改进的算法或结合其他负荷预测的算法，导致有些误差稍稍超过了电力系统的预测标准范围，平均相对误差为1.60%满足条件；（2）采用人工神经网络的BP算法来进行负荷预测，因为BP算法存在收敛速度慢，误差函数存在局部极小这两大问题，使预测出来的负荷值存在较大的误差。因此，以后的研究工作是需要结合其他的预测方法或运用改进的BP算法，使误差在最小范围内；（3）考虑影响负荷的因素应都考虑些，尽量把所有影响到负荷预测的因素都考虑进去：温度、湿度、降雨量、节假日、特殊时间等等，都会对负荷预测产生影响。其中，温度是影响日负荷的最中要因素。因此，有影响负荷预测的因素应尽量考虑进去，作为输入变量。尽量减少负荷预测的影响因素，提高日负荷预测的精确性。

　　参考文献：

　　[1]Park D C，El-Sharkawi MA，Marks RJ，er al.Electric load forecasting using a artificial neural network.IEEE trans on power systems，1991（05）：442-449.

　　[2]Mohammed O.Practial experices with an adaptive neural network short-load forcasting systems.IEEE trans.on power systems，1995（01）：245-265.

　　[3]赵希正.中国电力负荷特性分析与预测[M].北京：中国电力出版社，2001：2-3.

　　[4]飞思科技产品研发中心.MATLAB 6.5辅助神经网络分析与设计[M].北京：电子工业出版社，2003.

　　[5]宋宝利.电力系统负荷预测[D]，西安理工大学，2003.

　　[6]杨奎河，王宝树，赵玲玲.基于神经网络的预测模型中输入变量选择[J].计算机科学，2003（08）：139-143.

　　[7]张立明.人工神经网络的模型及其应用[M].上海：复旦大学出版社，1993.

　　[8]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版，2005：23.

　　[9]韩祯样，文福拴.人工神经网络在电力系统中的新进展[J].浙江大学电机，1993.

　　[10]张志涌，徐彦琴.MATLAB教程――基于6.x版本[M].北京：北京航空航天大学出版社，2001.

　　[作者简介]陈时飞，男，变电运维室职工，电气工程师，福州大学工学学士，华北电力大学工程硕士（在职），研究方向：电力系统自动化。