基于负荷特征提取的神经网络短期负荷预测
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 短期负荷预测模型
影响日负荷变化的主要因素有: 负荷结构、负荷 随时间变化的规律、负荷的随机波动等。因各类因 素错综复杂, 难以形成负荷变化的精确数学模型, 而
将 3 类方法在同一框架下协调统一可消除或限制各 自的偏向性和局 限性, 提 高预测的精度与 适应度。 据此, 本文先用模型法提取负荷特征值作为样本训 练 BP 神经网络, 以 准确描述负荷特征。此法可随 负荷变化作相 应调整, 能适应各类 负荷曲线( 工作 日、周末、节假日等) 训练。 1 1 基于 BP 神经网络的特征重组模型
( 2)
式中, P a( t - 1) 、Pa( t - 2) 分别为 t 时刻前两个时刻 的历史数据。Fa( t ) 为 t 时刻的真实负荷值, Fd( t ) 为此时模型输出值与 Fa( t ) 的偏差; PD( t ) 为 F a( t ) 的估计值即模型输出值; e、f 、g 、h 为模型参数。因
%提取第 k 组的 FC( k ) 。各组用 1 2 3 模型训 练达到误差精度要求后, 该组最后一个整数时刻的 模型输出向量为本组的特征值 FE ( k ) 。由 FC( k ) = FE( k ) - PD( k ) 可得 F C( k ) 。
& 用 FA( k ) 、F E( k ) 与 F C( k ) 训练 1 1 模型。 ∗模型修正。有新历史资料 F a( N + 1) 加入 F a ( k ) 的有序集合, 用( 2) ~ ( 5) 模型调节上一 次预测 值 F( N + 1) 的精度。 , 用 Fa( N + 1) 与前 n - 1 个数据组成数据组 并提取特征值, 预测下次负荷值 F ( N + 2) 。
Abstract: According to the features of power load and considering the combined influence of weather, day type and historical load data, a new short term load forecasting method is put forward in which the learning samples of load are distilled and reorganized with its characteristics by using ARMA and artificial neural networks, a forecast mode gives sufficient ability of processing non lin ear problems by neural networks, and the accuracy and adaptability of the forecasting are improved not only for the seasons when loads vary stably and slowly, but also for the seasons when loads fluctuate drastically. Key words: short term load forecasting; characteristic distilling; neural networks
BP 神经网络是由处理单元( 即∀ 神经元#) 组成 的一种并行的分布式信息处理结构, 处理单元间由 单向信道相互连接, 一般是多输入/ 单输出的非线性 单元。反向传播算法的模型为前向多层网络( 见图 1) 。算法学习过程由正、反向传播组成, 正向传播时 输入信号从输 入层经隐含层逐层处理 并传向输出 层, 如果在输出层未得到期望的输出则转向反向传 播, 将误差信号沿原来的连接信道返回, 通过修改各 层神经元的权值使误差信号达到最小。一般预测对 象现在的发展过程与过去一定阶段类似, 可根据已 知状况 预 测其 未来 变 化。负 荷 预测 模 型见 图 2, FA( k ) 、F B( k ) 、F C( k ) 为选取的历史负荷特征值向 量, BP 算法的步骤为: 权值和阈值初始化, 随机地 给全部权值和神经元阈值赋以较小的初始值; 给 定输入 FA ( k ) 、F B( k ) 、F C( k) 和目标输出 F a( k ) ;
∃ 48 ∃
Dec 2004
High Voltage Engineering
Vol. 30 No. 12
பைடு நூலகம்
! 计算模型输出 F( k + 1) ( 正向) ; %修正权值( 反
图 1 BP 网络 结构 Fig 1 The basic architecture of the BP ANNs
图 2 三种方法基于 BP 神经网络的短期预测模型
别用向量 F B( t ) 、FA( t ) 、F C( t ) 表示中长期、短期稳 定特征值及自有特征值。实际模型描述中 t 只取整
数, 即表示为向量 FA( k ) , F B( k ) 和 FC( k ) 。 1 2 1 用 ARMA 模型提取特征值 P D( k )
电力负荷时间序列预测即由历史数据建立一时
模型包含 t - 2、t - 1 和 t 3 个变量, 故它是动态的。
得到 PD( t ) 后即可得到 P D( k) 。
1 2 2 用傅立叶变换模型提取 FA( k ) 与 FB( k ) 用 PD( k ) 拟合出 P D( t ) 关于 t 的函数:
PD( t) = FA( t) + FB( t) 。
Fig 2 A model using a BP neural network
based on three methods
向) ; & 达到误 差精度 要求 则输 出结果, 否 则回 到
( 3) 。1 2 FA ( k) 、FB( k) 、FC( k) 的获取 日负荷由 0~ 23 时刻点的负荷值近似表示, 某天
化不大 。
2 负荷预测算法
从原始数据中提取负荷特征重组的过程如下: 按时间顺序排列历史数据各类负荷即 F a( k)
的有序集合, 每类预测过程相同。 把有 N 个原始数据的有序集合按顺序分成
含有 n 个数据的N - n + 1 组, 第一、二组分别为 n、 n+ 1 组( 为保持一致) , 最后一组为 N ; 再把每组分 成有 m 个数据的 n- m + 1 组, 记录与分组类似。
间序列数学模型, 以描述负荷随时间变化的稳定性
规律即要提取的规则特征, 用 ARMA 模型进行数据
前处理, 提取负荷数据中稳定特征。其模型为:
PD( t ) = ePa( t- 1)+ f P a( t- 2)+ gP d( t- 1)+ h , ( 1)
F d( t ) = F a( t ) - PD( t ) ,
日负荷可近似表示为 F a0( t ) , F a1( t ) , ∋, F a23( t ) , 简 记为 Fa( t ) , t 取整数时的 Fa( k ) 与实际日负荷采样 记录一一对应, 是同类日负荷历史数据按一定时间顺 序编号有序集合的一个值。F a( t ) 变化时, 邻近日负 荷总有相同与不同特征、中长期和短期特征。本文分
0引言
未来 24 h 至 1 周的短期电力负荷预测 对电力 系统调度、运行与控制十分重要。目前主要有 3 类 方法: 传统数学模型法, 如回归分析法、时间序列 分析法等, 适合规则变化的负荷预测; 非线性模型 法, 以人工神经网络法、专家系统法以及模糊神经网 络法[ 1~ 3] 等为代表, 适合非常规变化的负荷预测; ! 以结构为主的模型法, 如小波分析法[ 4] 等, 适合有多 尺度结构但负荷关系简单的负荷预测。以上各法的 局限性与偏向性很强, 为此, 本文用结构模型提取负 荷影响结构中的中长时间稳定特征, 用 ARMA 模型 法提取负荷影响因素的规则混合特征( 短时间与中 长时间稳定特征) , 用 BP 神经网络模型法提取影响 负荷变化的非常规混合特征( 规则与不规则) , 分离 3 类特征后在 BP 神经网络基础上重组, 形成基于负 荷特征提取的神经网络短期负荷预测模型。
( 反向) ; & 达到误差精度要求则输出结果, 否则回到 ! ; ∗用训练好的模型输出作为 FE( k ) 。
F E( k ) = FC( k ) + PD( k )
( 5)
式中 PD( k ) 由 PD( t ) 赋与 t 整数值可得到。 1 2 3 2 根据天气因素修正 FE( k )) 得到 FE( k)
( 3)
日负荷中长时间稳定特征表现为信号由稳恒基
波和有限个谐波分量组成。用 P D( t ) 进行傅立叶变 换( 相当于一个滤波器) 可求出它们的频率及幅值,
代入式( 4) 可得 FB( t ) , 赋予 t 整数可得 F B( k ) , 由 P D( k ) 可知 FA( k ) 。
( F B( t ) = A 0 + A i sin( it + i ) 。 ( 4) i= 1
! 提取第 k 组的 FA ( k) 与 F B( k ) , k 为大组, 取
2004 年 12 月
高电压技术
第 30 卷第 12 期 ∃ 49 ∃
值 n ~ N 。先就第 k 组各小组用 1 2 1 模型求出 PD( k , j ) , j 为小组, 取值 m ~ n。再由 PD ( k , j ) 拟 合 PD( t ) 关于 t 的函数, 用 1 2 2 模型求 FB( t ) , 以 本组最后一整数时刻值为其特 征值, 得到 F B( k ) 。 同样, PD( k ) 取本组最后一个整数时刻值, 可得 FA ( k) 。
界温度和敏感度; T w、w 分别为电热临界温度和敏
感度。用 W( T ) 对 FE( k)) 进行修正可得到计及天气
影响的特征向量 FE( k ) , 用乘子和叠加修正模型时
u 分别为 1、0。两种修正模型的 T s、 s、T w、w 等参数
各不相同, 一般可由最小二乘类算法估算得到, 在较
长时间( 以年计) 内某一地区的 T S、 S、T w、w 等变
Short Term Load Forecasting Based on the Neural Networks with Load Characteristics Distilling
DING Jianyong, LIU Yun ( School of Electrical Engineering, Wuhan University, Wuhan 430072, China)
影响负荷变化的天气因素很多且机理复杂, 最
主要是气温的影响, 气温对日负荷影响可用三段线 性温度敏感负荷模型 W( T ) 表示:
S( T - TS) + u
T > TS
W(T ) = - w(T - Tw) + u
T < Tw
u
Tw + T + T S
其中: T 为当日预测平均温度, T S、S 分别为冷气临
1 2 3 提取特征 F E( k ) 1 2 3 1 用 BP 神经网络模型提取特征 FE( k))
因 BP 神经网络无显式的 数学关系式, 提取的
只是离散量。提取模型类似图 1, 数据处理过程为: 权值和阈值初始化; 给定原始输入和目标输出
数据; ! 计算模型实际输出数据( 正向) ; %修正权值
ARMA、BP 神经网络等提取具有特征的神经 网络学 习样本, 用反 向传播 算法建 立神经 网络短 期负荷预 测模型。 实 际算例表明: 该法在负荷平稳或波动较大的季节 均有预测精度高且适应性好的特点。
关键词: 短期负荷预测; 特征提取; 人工神经网络
中图分类号: TM714
文献标识码: A
文章编号: 1003 6520( 2004) 12 0047 03
第 30 卷 第 12 期 2004 年 12 月
高压电力系统运行管理
高电压技术 High V oltage Engineering
Vol. 30 No. 12 Dec. 2004
∃ 47 ∃
基于负荷特征提取的神经网络短期负荷预测
丁坚勇, 刘 云 ( 武汉大学电气工程学院, 430072)
摘 要: 综合考虑天气负荷类型 和历史 数据 特征对 负荷 变化的 影响, 提 出了一 种新 的短 期负荷 预测 方法。通 过
影响日负荷变化的主要因素有: 负荷结构、负荷 随时间变化的规律、负荷的随机波动等。因各类因 素错综复杂, 难以形成负荷变化的精确数学模型, 而
将 3 类方法在同一框架下协调统一可消除或限制各 自的偏向性和局 限性, 提 高预测的精度与 适应度。 据此, 本文先用模型法提取负荷特征值作为样本训 练 BP 神经网络, 以 准确描述负荷特征。此法可随 负荷变化作相 应调整, 能适应各类 负荷曲线( 工作 日、周末、节假日等) 训练。 1 1 基于 BP 神经网络的特征重组模型
( 2)
式中, P a( t - 1) 、Pa( t - 2) 分别为 t 时刻前两个时刻 的历史数据。Fa( t ) 为 t 时刻的真实负荷值, Fd( t ) 为此时模型输出值与 Fa( t ) 的偏差; PD( t ) 为 F a( t ) 的估计值即模型输出值; e、f 、g 、h 为模型参数。因
%提取第 k 组的 FC( k ) 。各组用 1 2 3 模型训 练达到误差精度要求后, 该组最后一个整数时刻的 模型输出向量为本组的特征值 FE ( k ) 。由 FC( k ) = FE( k ) - PD( k ) 可得 F C( k ) 。
& 用 FA( k ) 、F E( k ) 与 F C( k ) 训练 1 1 模型。 ∗模型修正。有新历史资料 F a( N + 1) 加入 F a ( k ) 的有序集合, 用( 2) ~ ( 5) 模型调节上一 次预测 值 F( N + 1) 的精度。 , 用 Fa( N + 1) 与前 n - 1 个数据组成数据组 并提取特征值, 预测下次负荷值 F ( N + 2) 。
Abstract: According to the features of power load and considering the combined influence of weather, day type and historical load data, a new short term load forecasting method is put forward in which the learning samples of load are distilled and reorganized with its characteristics by using ARMA and artificial neural networks, a forecast mode gives sufficient ability of processing non lin ear problems by neural networks, and the accuracy and adaptability of the forecasting are improved not only for the seasons when loads vary stably and slowly, but also for the seasons when loads fluctuate drastically. Key words: short term load forecasting; characteristic distilling; neural networks
BP 神经网络是由处理单元( 即∀ 神经元#) 组成 的一种并行的分布式信息处理结构, 处理单元间由 单向信道相互连接, 一般是多输入/ 单输出的非线性 单元。反向传播算法的模型为前向多层网络( 见图 1) 。算法学习过程由正、反向传播组成, 正向传播时 输入信号从输 入层经隐含层逐层处理 并传向输出 层, 如果在输出层未得到期望的输出则转向反向传 播, 将误差信号沿原来的连接信道返回, 通过修改各 层神经元的权值使误差信号达到最小。一般预测对 象现在的发展过程与过去一定阶段类似, 可根据已 知状况 预 测其 未来 变 化。负 荷 预测 模 型见 图 2, FA( k ) 、F B( k ) 、F C( k ) 为选取的历史负荷特征值向 量, BP 算法的步骤为: 权值和阈值初始化, 随机地 给全部权值和神经元阈值赋以较小的初始值; 给 定输入 FA ( k ) 、F B( k ) 、F C( k) 和目标输出 F a( k ) ;
∃ 48 ∃
Dec 2004
High Voltage Engineering
Vol. 30 No. 12
பைடு நூலகம்
! 计算模型输出 F( k + 1) ( 正向) ; %修正权值( 反
图 1 BP 网络 结构 Fig 1 The basic architecture of the BP ANNs
图 2 三种方法基于 BP 神经网络的短期预测模型
别用向量 F B( t ) 、FA( t ) 、F C( t ) 表示中长期、短期稳 定特征值及自有特征值。实际模型描述中 t 只取整
数, 即表示为向量 FA( k ) , F B( k ) 和 FC( k ) 。 1 2 1 用 ARMA 模型提取特征值 P D( k )
电力负荷时间序列预测即由历史数据建立一时
模型包含 t - 2、t - 1 和 t 3 个变量, 故它是动态的。
得到 PD( t ) 后即可得到 P D( k) 。
1 2 2 用傅立叶变换模型提取 FA( k ) 与 FB( k ) 用 PD( k ) 拟合出 P D( t ) 关于 t 的函数:
PD( t) = FA( t) + FB( t) 。
Fig 2 A model using a BP neural network
based on three methods
向) ; & 达到误 差精度 要求 则输 出结果, 否 则回 到
( 3) 。1 2 FA ( k) 、FB( k) 、FC( k) 的获取 日负荷由 0~ 23 时刻点的负荷值近似表示, 某天
化不大 。
2 负荷预测算法
从原始数据中提取负荷特征重组的过程如下: 按时间顺序排列历史数据各类负荷即 F a( k)
的有序集合, 每类预测过程相同。 把有 N 个原始数据的有序集合按顺序分成
含有 n 个数据的N - n + 1 组, 第一、二组分别为 n、 n+ 1 组( 为保持一致) , 最后一组为 N ; 再把每组分 成有 m 个数据的 n- m + 1 组, 记录与分组类似。
间序列数学模型, 以描述负荷随时间变化的稳定性
规律即要提取的规则特征, 用 ARMA 模型进行数据
前处理, 提取负荷数据中稳定特征。其模型为:
PD( t ) = ePa( t- 1)+ f P a( t- 2)+ gP d( t- 1)+ h , ( 1)
F d( t ) = F a( t ) - PD( t ) ,
日负荷可近似表示为 F a0( t ) , F a1( t ) , ∋, F a23( t ) , 简 记为 Fa( t ) , t 取整数时的 Fa( k ) 与实际日负荷采样 记录一一对应, 是同类日负荷历史数据按一定时间顺 序编号有序集合的一个值。F a( t ) 变化时, 邻近日负 荷总有相同与不同特征、中长期和短期特征。本文分
0引言
未来 24 h 至 1 周的短期电力负荷预测 对电力 系统调度、运行与控制十分重要。目前主要有 3 类 方法: 传统数学模型法, 如回归分析法、时间序列 分析法等, 适合规则变化的负荷预测; 非线性模型 法, 以人工神经网络法、专家系统法以及模糊神经网 络法[ 1~ 3] 等为代表, 适合非常规变化的负荷预测; ! 以结构为主的模型法, 如小波分析法[ 4] 等, 适合有多 尺度结构但负荷关系简单的负荷预测。以上各法的 局限性与偏向性很强, 为此, 本文用结构模型提取负 荷影响结构中的中长时间稳定特征, 用 ARMA 模型 法提取负荷影响因素的规则混合特征( 短时间与中 长时间稳定特征) , 用 BP 神经网络模型法提取影响 负荷变化的非常规混合特征( 规则与不规则) , 分离 3 类特征后在 BP 神经网络基础上重组, 形成基于负 荷特征提取的神经网络短期负荷预测模型。
( 反向) ; & 达到误差精度要求则输出结果, 否则回到 ! ; ∗用训练好的模型输出作为 FE( k ) 。
F E( k ) = FC( k ) + PD( k )
( 5)
式中 PD( k ) 由 PD( t ) 赋与 t 整数值可得到。 1 2 3 2 根据天气因素修正 FE( k )) 得到 FE( k)
( 3)
日负荷中长时间稳定特征表现为信号由稳恒基
波和有限个谐波分量组成。用 P D( t ) 进行傅立叶变 换( 相当于一个滤波器) 可求出它们的频率及幅值,
代入式( 4) 可得 FB( t ) , 赋予 t 整数可得 F B( k ) , 由 P D( k ) 可知 FA( k ) 。
( F B( t ) = A 0 + A i sin( it + i ) 。 ( 4) i= 1
! 提取第 k 组的 FA ( k) 与 F B( k ) , k 为大组, 取
2004 年 12 月
高电压技术
第 30 卷第 12 期 ∃ 49 ∃
值 n ~ N 。先就第 k 组各小组用 1 2 1 模型求出 PD( k , j ) , j 为小组, 取值 m ~ n。再由 PD ( k , j ) 拟 合 PD( t ) 关于 t 的函数, 用 1 2 2 模型求 FB( t ) , 以 本组最后一整数时刻值为其特 征值, 得到 F B( k ) 。 同样, PD( k ) 取本组最后一个整数时刻值, 可得 FA ( k) 。
界温度和敏感度; T w、w 分别为电热临界温度和敏
感度。用 W( T ) 对 FE( k)) 进行修正可得到计及天气
影响的特征向量 FE( k ) , 用乘子和叠加修正模型时
u 分别为 1、0。两种修正模型的 T s、 s、T w、w 等参数
各不相同, 一般可由最小二乘类算法估算得到, 在较
长时间( 以年计) 内某一地区的 T S、 S、T w、w 等变
Short Term Load Forecasting Based on the Neural Networks with Load Characteristics Distilling
DING Jianyong, LIU Yun ( School of Electrical Engineering, Wuhan University, Wuhan 430072, China)
影响负荷变化的天气因素很多且机理复杂, 最
主要是气温的影响, 气温对日负荷影响可用三段线 性温度敏感负荷模型 W( T ) 表示:
S( T - TS) + u
T > TS
W(T ) = - w(T - Tw) + u
T < Tw
u
Tw + T + T S
其中: T 为当日预测平均温度, T S、S 分别为冷气临
1 2 3 提取特征 F E( k ) 1 2 3 1 用 BP 神经网络模型提取特征 FE( k))
因 BP 神经网络无显式的 数学关系式, 提取的
只是离散量。提取模型类似图 1, 数据处理过程为: 权值和阈值初始化; 给定原始输入和目标输出
数据; ! 计算模型实际输出数据( 正向) ; %修正权值
ARMA、BP 神经网络等提取具有特征的神经 网络学 习样本, 用反 向传播 算法建 立神经 网络短 期负荷预 测模型。 实 际算例表明: 该法在负荷平稳或波动较大的季节 均有预测精度高且适应性好的特点。
关键词: 短期负荷预测; 特征提取; 人工神经网络
中图分类号: TM714
文献标识码: A
文章编号: 1003 6520( 2004) 12 0047 03
第 30 卷 第 12 期 2004 年 12 月
高压电力系统运行管理
高电压技术 High V oltage Engineering
Vol. 30 No. 12 Dec. 2004
∃ 47 ∃
基于负荷特征提取的神经网络短期负荷预测
丁坚勇, 刘 云 ( 武汉大学电气工程学院, 430072)
摘 要: 综合考虑天气负荷类型 和历史 数据 特征对 负荷 变化的 影响, 提 出了一 种新 的短 期负荷 预测 方法。通 过