基于模糊神经网络的电力系统短期负荷预测研究

基于模糊神经网络的电力系统短期负荷预测研究
摘要电力系统短期负荷受到多方面因素的影响,具有明显的多元非线性动态变化特性,很难准确的用单一的线性数学模型进行建模预测分析。

为获得具有模糊自适应调节预测功能的负荷预测模型,将模糊控制与BP神经网络相结合,形成一个具有模糊自推理的负荷预测模型。

关键词电力系统;模糊控制;BP神经网络;负荷预测
荷预测是电力系统科学经济能量管理系统构筑的重要组成部分之一。

准确的短期负荷预测数据可以帮助调度管理人员合理制定发电机组的启停、水火电峰谷安排、联络线相互切换、分接点负荷安排、主要电气设备检修等计划,有效提高电网供电可靠性,保证电网安全、高效、经济等运行。

同时,高效的负荷预测数据也是电力营销中电价制定有效科学依据。

因此,构筑合理有效的电力系统负荷预测模型提高短期负荷预测的准确度具有较大的工程实用价值。

1BP神经网络
由D.E.Rumelhart和J.L.McClelland共同研究提出的BP神经网络数据预测模型,是一种利用误差反向传播比对分析训练的前向型神经网络,有效解决了多层网络结构中隐含层单元间连接权重的设置问题。

模型可以自动分析判断原始数据样本间的输入和输出运算映射间的函数关系,整个模型无需在训练前建立精确的数学和物理模型。

BP网络内部学习算法的基本原理是误差梯度最速下降法,通过模型自动调整神经元间的连接权值,最终获得网络总误差平方最小的输出预测数据。

BP神经网络模型的基本拓扑结构包括输入层(INPUT)、隐含层(HIDDEN LAYER)和输出层(PUTPUT)三大部分,详见图1所示。

图1BP神经网络拓扑结构
由于BP网络在训练前不需要建立精确的数学和物理模型,且具有强大的非线性数据函数映射逼近功能,因而在数据处理、曲线拟合、图像识别、图元识别、以及系统最优调节控制等领域得到了研究者广泛应用和推广。

2短期负荷预测模型
电力系统短期负荷预测是一个多元动态约束变化过程,负荷预测时间段均呈现明显的非线性时变特性,传统的负荷预测数学模型包括:时间序列相似预测型、二元回归预测、智能专家系统、单一神经网络等预测模型等。

上述多种模型在负荷预测时,都是基于某些约束量恒定的基础上形成了,综合考虑的外部时变因素量较少,不能真实的反映电力系统负荷实时动态变化的特性。

基于以上研究背景条件下,将具有高效非线性映射逼近功能的BP神经网络与模糊控制技术相结合,形成具有模糊自适应内部“学习”训练的多元输出输入模糊神经网络短期负荷预测模型,其具体的设计思路如图2所示。

图2短期负荷预测逻辑框图
从图2中可以看出,将计算机自动采集获得的电力系统负荷波动历史数据,按照日期类型、气象条件、外部干预项三大类进行分类形成对应的历史负荷波动数据库,并作为预测日的基准比对数据库。

将预测日可能的日期类型等约束参量输入模型后,模型就会通过自适应的内部运算法则,获得预测日对应的输出数据,供电力系统调度人员进行参考。

3模糊神经网络建模
3.1模糊BP网络
从图1中,可知BP神经网络虽然具有强大非线性数据逼近功能,但模型内部运算是基于大量的历史负荷波动数据的基础上,按照输入与输出一对一单一映射的方式,获得短期负荷预测数据。

电力系统在实际运行过程中,影响预测日负荷波动的因素除日期类型、气象数据外,气象突变、拉电限电、节假日、突发事故等都能影响系统电力负荷波动,而单一的BP神经网络预测模型在这些外部“干预项”存在时,使得数据不能通过模型自动实现收敛系统就会出现滞后或早熟等非正常振动现象,影响模型的整体预测能力,获得的数据不能真实反应电力系统负荷变化的整体趋势,因此,引入模糊控制技术对BP神经网络进行改进。

通过在神经网络连接通道中加入对应的模糊控制预设量有效规划外部“干预项”,让神经网络模型在外部条件变动时,能够按照系统内部结构正常运算法则进行运算。

3.2模糊运算
在BP神经网络连接通道中外加一个模糊约束当量,即在连接通道中外加一个权值(或阈值),神经元间通过对应的模糊隶属约束运算,首先将预报日的外部约束参量进行分类整理,对于有“干预项”的基准数据,按照模糊匹配规则,外加一个隶属函数进行逻辑运算,模糊BP神经元的基本运算映射准则通常采用典型的高斯型函数关系进行训练,具体表达式为:
(1)
式中:Xji为经模型内部模型化后的输入数据,即通过隶属函数运算后的输入样本数据;xj为第j个神经元的原始输入数据;cji为神经元间连接通道隶属函数的隶属权值(或阈值);σji为隶属函数的运算宽度,即为隶属运算速率。

为了获得准确的预测数据,将气象突变、拉电限电、节假日、突发事故等外部干预条件作为模型的综合“干预项”,并进行相应的隶属约束运算。

3.3样本数据标准化处理
由于所选输入学习样本数据间由于代表的特性不一致,存在着量刚、数量级
等多方面的不一致,为了防止网络神经元出现因净输入量纲级差较大而发生早熟饱和等不利现象出现,需要将原始数据进行归一化处理。

这里将负荷历史数据转换为对应的单位量,并用相对量表示:
Pn=2(p-pmin)/(pmax-pmin)-1
Tn=2(T-Tmin)/(Tmax-Tmin)-1(2)
式(2)中:P为输入负荷历史学习数据矩阵矢量;Pmax、Pmin为输入负荷历史学习数据矩阵矢量中的最大值、最小值;Pn为归一化技术处理后学习样本矩阵;T 为期望获得目标数据矩阵矢量;Tmax、Tmin为期望获得目标数据矩阵矢量中的最大值、最小值;Tn为归一化技术处理后模型输出目标数据矢量矩阵。

4仿真实例
为了验证基于模糊神经网络的电力系统短期负荷预测模型的可靠性和准确性,利用Matlab软件中的BP神经网络工具箱编写相应的三层模糊神经网络逻辑运算结构如图3所示。

4.1模型参数
结合图2,作以下定义:将预测日的日期类型用[R]表示;预测日最高、最低、平均气温用[Tmax,Tmin,Tav]表示;预测日各小时负荷数据用[L(h)]表示;将预测日相似日的日期类型用[R’]表示;预测日相似日最高、最低、平均气温用[T’max,T’min,T’av]表示;预测日相似日各小时负荷数据用[L’(h)]表示;则用于训练的基于隶属约束的负荷历史数据输入样本数据矩阵P’=[R’ T’max T’min T’av]作为模型的输入,即图3中的INPUT层。

通过隐含层的运算学习训练后,就会在模型Output层获得对应的输出矩阵T=[L’(h)],在Output层采用线性运算准则的Purelin 对输出层神经元进行训练。

对于输入和隐含层均采用Tan-Sigmoid运算函数,并利用initff映射准则,即[W1,b1,W2,b2,W3,b3]=initff(P,S1,’tansig’,S2,’tansig’,T,’Purelin’) 对模糊神经网络完成原始参数设置,并通过自适应机理自动各神经元间的连接权值和阈值。

模糊神经网络模型初始化参数设定如表1所示。

4.2网络训练
网络模型原始参数设定后,结合获得的模糊网络模型的历史负荷学习样本数据矩阵,利用tp函数映射规则对网络进行网络模型初始优化,即:
tp=[ disp_freqmax_epocherr_goal]
利用牛顿-梯度下降法(Levenberg-Marquardt)对整个模型进行自适应“学习”训练,即:
[W1,b1,W2,b2, W3,b3,te,tr]=trainlm(W1,b1,’tansig’,W2,b2,’tansig’,W3,b3,’
Purelin’,P,T,tp)
让模糊网络自动运行学习,通过输出层Output中的Purelin运算准则就能获得预测日的负荷波动数据。

5结束语
利用模糊技术与BP神经网络强大的数据预测功能相结合,形成的电力系统短期负荷预测模型,能够通过模型内部自适应进行权值和阈值调整,并结合隶属外部“干扰项”,获得了比传统模型更加高效准确的能够真实反映短期负荷波动趋势预测模型。

把模糊神经网络引入电力系统短期负荷预测中有效提高了负荷预测的效率和精度,为电力能量管理系统研究提供了一个新的研究方向。

参考文献
[1]李国勇.智能控制及其MATLAB实现[M].北京:电子工业出版社,2006:20-27.
[2]吴杰康,陈明华,陈国通.基于PSO的模糊神经网络短期负荷预测[J].电力系统及其自动化学报,2007,19(01):63-66.。