人工神经网络在电力负荷预测中的应用

人工神经网络在电力负荷预测中的应用

发表时间：2019-07-29T14:17:21.220Z 来源：《基层建设》2019年第14期作者：吕海霞南家楠

[导读] 摘要：随着我国电力行业逐步推进智能电网建设，电网管理问题变得愈发重要，电网管理的主要内容就是负荷预测。

内蒙古电力经济技术研究院内蒙古呼和浩特 010090

摘要：随着我国电力行业逐步推进智能电网建设，电网管理问题变得愈发重要，电网管理的主要内容就是负荷预测。通过分析电力负荷预测的重要性，分析电力负荷预测中人工神经网络的应用。

关键词：电力负荷预测；人工神经网络；应用分析

电力系统由发、输、变、配和用电 5 个基本环节组成，电网的运行需要保证其运行的经济性、供电可靠性、以及良好的电能质量。但由于电能生产的实时性，不能被大量储存，这就要求电能在发电和用电之间需要时刻保持着供需平衡，避免电能供电不足或生产过剩等问题。因此为了解决上述问题就需要我们时刻掌握负荷的变化情况，准确的电力负荷预测能够成为满足电力负荷供需平衡研究的重点。

1、电力系统负荷预测方法分类

时间序列法：时间序列的预测算法，是一种处理随机数列并进行预测的有效方法，它是按照一定时间间隔进行采集和记录的时间序列数据，该数据具有较强的随机性和不确定性。将该方法引入到电力系统负荷预测中，则是通过采集、分析电力系统历史负荷数据信息，通过历史数据建立相应的数学模型，发现隐含其中的规律，进而对未来电力负荷进行预测。时间序列法的优点：所需历史数据量少，建立模型的复杂程度低，计算速率快，能够反映负荷变化连续性特点。缺点：对采集得到的历史电力负荷数据随时间的平稳性要求较高，过于集中对数据的拟合而忽略对负荷变化规律的考虑，使得预测精度不高。

支持向量机：SVM 算法是在创建一个新的实例并分配给两个类别之一的模型，即主要是一种二元线性分类器，解决了算法模型预测时会出现的局部最优解的问题，通过该方法最终可以得到一个全局最优解。支持向量机在早期的科研中占据了非常重要的地位，在引入到电力系统负荷预测中，使用 SVM 预测算法，可以取得比传统方法更有效的预测结果。该方法的优点：该算法较为成熟，有坚实的数学理论基础，预测方法收敛速度较快，能够快速求得全局最优解。缺点：实际应用开发较为困难，对于历史数据依赖较大，对历史数据的要求也较高，在预测电力系统负荷波动较小的情况下可以取得很好的效果，但是当负荷波动较大时，预测效果往往较差。

BP 神经网络算法：BP 算法包括正向传播和计算误差的逆向传播过程，即正向传播是训练数据通过输入层，经过隐含层，作用于输出层，产生输出信号得到相应的输出误差，并将该输出误差经过隐含层向输入层逐层逆向反传，将误差分摊给各层所有单元，并调整网络的权值和阈值，使误差沿梯度方向下降，经过反复多次的训练，最终得到误差最小的网络模型，此时的BP 神经网络可以作为电力系统负荷预测的数学模型。优点：具有很强的非线性映射能力和柔性的网络结构，预测结果的精准度较高。缺点：学习速度慢，容易陷入局部最小值，网络层数、神经元数没有理论指导。

2、人工神经网络作用与分类

人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。

人工神经网络的主要类型有感知机、线性神经网络、径向基（ＲBF）函数网络、BP 神经网络、随机神经网络、竞争神经网络等，其中BP 神经网络是应用得最广泛的一种类型。BP 神经网络是指误差反向传播算法（Error Back Propagtion，BP）网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP 神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。

BP 网络采用误差反向传播算法（Back － Propagation Algo-rithm）进行学习。在 BP 网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。误差反向传播算法是一种近似最速下降方法，采用均方误差作为性能指标。

由于 BP 网络具有计算简单、非线性映射性强、网络泛化性好，在电力负荷预测、神经生物现象模拟、农业样本检测等多个方面有着广泛的应用。

3、神经网络在电力负荷预测中的应用

电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，Wang等提出了一种 BP 神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参数。陈刚等将非负荷因素输入前级 BP 网络中，得出的负荷类型数据作为后级ＲBF 网络的输入，通过 BP －ＲBF 的级联神经网络得到准确的整点负荷预测。

由于 BP 神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。Ali 等采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。Panapakidis 等利用人工神经网络和聚类方法建立了公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。Mordjaoui 等提出了一种预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。He 等提出了一种基于三角核函数（QＲNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。张平、白杨等针对天气因素采用聚类和神经网络相结合的方法进行了负荷预测

4 结语

总之，电力负荷预测对国民经济、电网稳定和电力安全都有着非常重要的意义。如何提高预测速度、降低预测误差是电力负荷预测研