人工神经网络在电力负荷预测上的分析与探讨

人工神经网络在电力负荷预测上的分析与探讨

作者：赵宇红胡玲刘旭宁

来源：《科技创新导报》2011年第02期

摘要:电力负荷的预测是电力系统规划的基础,对配变系统和新发电厂的建立具有重要意义。传统的预测方法是通过数学模型来分析电力负荷与其影响因素之间的关系,但由于实际工作中的不可预见因素较多,因此很难建立一个适用于任何情况的表达式。本文通过对人工神经网络在短期电力负荷预测中应用的分析,对其优缺点进行了探讨。

关键词:电力负荷预测人工神经网络应用人工神经网络的分析与探讨

中图分类号:TM76 文献标识码:A 文章编号:1674-098x(2011)01(b)-0090-01

对电力系统负荷的预测对于实现安全发供电、电力系统的自动化运行以及制定工作计划都有着非常重要的意义。传统的预测方法是将线形或分段线形表达作为负荷的预报函数,通过对其进行概率及数理统计的方式对其进行计算,并最终得出预测值。这种方法存在着建模所需的数据量大、适应性不强以及精度不高的问题,因此正逐渐被人工神经网络预测所取代。

1 日负荷模型的构成

电力系统负荷变化的周期性较强,因天气的变化而出现的负荷波动是导致电力系统负荷变化的主要因素,也就是说,N时刻负荷的变化量可以反映出天气的变化情况。因此,用向量的方式来表示负荷型,从而使全部的自变量相对于神经网络来说都属于输入量的中间分量,进而在自变量中隐含负荷与天气变化之间的函数关系。因此,日负荷模型的构成主要包括日基础负荷型和负荷影响因子模型。

1.1 日基础负荷模型

日基础负荷具有明显的周日性和周期性特征,代表了负荷的连续性,是负荷变化的基本规律。

ML［n,t］=∑(1-w)w(i-1)·L［n-(i·7),t］

其中ML［n,t］代表的是日基础负荷;

L［n,t］代表的是第n天t时刻的实际负荷;

W代表的是加权系数,取指小于1大于0;

i代表的是负荷模型所应用历史数据的长度,i的取值为1,2,…。

1.2 负荷影响因子模型

在实际预测中,负荷量已经包括了随机因素对负荷变化的影响,因此近期的负荷数据可以作为未来负荷变化的随机因子。

E［n,t］=｛L［n-x,t］｜t=0,1,...,23;x=1,2, (6)

EL［n,t］=E［n,t］·ML［n,t］

其中E［n,t］代表的是未来负荷变化的随机变化因子;

EL［n,t］代表的是负荷的变化量。

1.3 日负荷模型

为了消除t时刻的负荷对t+i时刻负荷变化的影响,可以将第n-1天最后的j个小时的负荷L ［n-1,j］作为关联补充量添加到第n天的日负荷模型中。

M［n,t］=(｛ML［n,t］｝,｛EL［n,t］｝,｛L［n-1,t］｝)

其中M［n,t］代表的是第n天第t小时的负荷模型。

利用近期的实际负荷以及日基础负荷模型所生成的心的日负荷模型既包括了天气变化对系统负荷的影响,又能反映出电力系统负荷的周期性和连续性以及负荷的变化趋势。

2 人工神经网络结构

进行负荷预测的人工神经网络分为三层,即输入层、输出层和隐含层,这三层分别含有n、m 和l个元素。

将节点x的输入和输出分别设为net［x］、o［x］,将节点x和y的连接权设为w［xy］,隐含层和输出层的校正误差分别为δ［j］、δ［k］,阈值分别为θ［j］、θ［k］,将期望输出设为y［t］。下标［i］为输出层节点i,1≤i≤n,下标［j］为隐含层节点j,1≤j≤m,下标［k］为输出层节点k,1≤k≤l。

2.1 模式的正向传播

(1)输入层:net［i］=a［i］,o［i］=net［i］。

(2)隐含层:o［j］=f(net［j］)。

(3)输出层:o［k］=f(net［k］)。

2.2 误差的反向传播

误差的反向传播就是将人工神经网络的期望输出与人工神经网络的实际输出之间的误差信号经隐含层传递到输入层,并进行连接权值的修正。

修正权值为

Δwp［jk］=η δ［k］o［j］

Δwp［ij］=η δ［j］o［i］

Δw［jk］=∑Δwp［jk］

Δw［ij］=∑Δwp［ij］

w［jk］(n+1)=w［jk］(n)+Δw［jk］+α(w［jk］(n)-w［jk］(n-1))

w［ij］(n+1)=w［ij］(n)+Δw［ij］+α(w［ij］(n)-w［ij］(n-1))

其中η代表的是学习速率;

Α代表的是冲量,其作用是加快学习的收敛速度;

N代表的是迭代次数。

3 预测实例

搜集某地区近期的电力负荷历史数据,生成负荷模型的向量样本集。网络的初始权值为随机小数［0,1］,训练步长为0.2,通过生成的向量样本集对人工神经网络进行训练,预测模型为

y［n］=f(w［n］,ML［n］,EL［n］,y［n-1］

其中y［n］代表的是第n天的预测负荷向量,y［n］=｛y［n,t］｜t=0,1,…,23｝,y［n,t］代表的是第n天第t小时的预测负荷;

w［n］代表的是神经网络的权向量矩阵;

ML［n］代表的是第n天日基础负荷模型的向量,ML［n］=｛ML［n,t］｜t=0,1,…,23｝;

EL［n］代表的是第n天负荷影响因子模型向量,EL［n］=｛EL［n,t］｜t=0,1,…,23｝;

在对人工神经网络进行训练后,将其用于负荷的预测和输出,输出结果相比于实际负荷,误差在所允许的范围之内。

4 结论

只要能够给出具体的学习方法和数据样本,人工神经网络就可以据此生成相应的权系数矩阵,进而实现期望目标输出。也就是说,一旦给定了经过训练的权系数矩阵和神经网络的拓扑结构,就可以对被测点进行负荷预测。但BP网络学习、记忆的不稳定性以及较慢的学习速度却影响着它的进一步普及,所以说,利用人工神经网络进行电力负荷预测还需要进一步的探索和研究。

参考文献

[1] 于繁华,刘仁云.计算智能技术及其工程应用[M].北京:科学出版社,2010.6

[2] 施彦,韩立群,廉小亲.神经网络设计方法与实例分析[M].北京:北京邮电大学出版

社,2009.12

[3] 牛东晓.电力负荷预测技术及其应用[M].北京:中国电力出版社,2009,6.

[4] 罗云霞、李燕.电力系统基础[M].郑州:黄河水利出版社,2009,1.

[5] 周显玉.短期电力负荷预测的基本模型[J].科技创新导报,2008,9:41.