基于BP神经网络的电力系统短期负荷预测

朱雨晨，加玛力汗·库马什，娜仁花

(新疆大学电气工程学院，新疆乌鲁木齐830047)

0 引言

电力系统负荷预测是指从已知的经济、社会发展和电力需求情况出发，通过对历史数据的分析和研究对未来电力需求做出预先的估计和推测［1－3］。负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，有利于提高电力系统的经济效益和社会效益［4－5］。因此，负荷预测已成为电力系统管理现代化的重要内容，科学的预测是正确决策的依据和保证。本文运用BP神经网络法对新疆某地区进行短期负荷预测，在建立预测模型时考虑了包括温度和日期类型两个主要的负荷影响因素，然后对数据进行了去伪和归一化处理，找出了相关性较强的样本进行训练和预测。

1 神经网络基本原理

1.1 神经网络的基本特征

神经网络实际上是1个大规模非线性连续时间自适应信息处理系统［6－7］。神经元是神经网络的基本处理单元，一般是一个多输入单输出的非线性器体，其结构如图1所示。

输入输出可简化为

式中:Xj(j=1，2，……，n)是从其它神经元传来的输入信号;θj为阀值;Wji表示从神经元j到神经元i的连接权值。采用的神经元非线性函数有阀值性函数、分段线性函数、S状曲线等［8］。

图1 神经元模型

1.2 BP模型

图2给出了一个3层BP网络结构，BP网络的每1层的连接权值都可通过学习来调节［9］。基本处理单元(输入层单元除外)为非线性输入－输出关系，一般选用下列S型作用函数表示:

当给定网络的一个输入模式时，它由输入层单元传到隐含层单元，经隐含层单元逐层处理后再送到输出层单元，由输出层单元处理后产生一个输出模式，这是一个逐层状态更新过程，称为前向传播。如果输出响应与期望输出模式有误差，不满足要求，那么就转入误差后向传播，将误差值沿连接通路逐层传递并修正各层连接权值。

图2 BP网络结构图

2 基于BP网络的短期负荷预测

2.1 BP神经网络预测流程

在具体的实现过程中，初步建立好一个模型后，就要根据它的输入输出所代表的特征量来构造训练样本。若样本库中有畸形数据，则应先将其剔除。训练样本构造好后，就可以对模型进行训练。网络训练结束后，再根据历史数据，来得到要预测日或T时刻的负荷值，计算流程如图3所示。

2.2 预测模型输入输出量的选择

图3 短期负荷预测流程

在预测日的前一天，每15 min对电力负荷进行1次测量，1 d共测得96组负荷数据。负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况，所以将前一天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，还需要通过天气预报等手段获得预测日的阴晴、温度、湿度等情况。本文将电力负荷预测日前的气象特征数据和温度作为网络的输入变量，输入变量就是1个99维的向量。显而易见，目标向量就是预测日当天的96个负荷值，即1 d中每15 min的电力负荷。这样一来，输出变量就成为1个96维的向量。

由于输入向量有99个元素，所以网络输入层的神经元有99个，依据klomogorov定理，中间层的神经元可以取199个。而输出向量有96个，所以输出层的神经元应该有96个。网络中间层的神经元传输函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，这是因为函数的输出位于区间［0，1］中，正好满足网络输出的要求。

2.3 伪数据的处理

电力系统负荷建模需要大量的历史数据，而历史数据大多是通过电量采集器或SCADA系统采集得来，除了受测量设备本身或数据传输中的种种原因影响外，还有人为拉闸限电的影响。因此历史负荷数据中往往包含有非真实的数据，通常称之为“不良数据”或“坏数据”。如果利用这些伪数据进行负荷建模，必然会给负荷预测带来较大的误差，甚至导致预测算法的发散。因此在利用这些数据之前，应先对其进行去伪处理。

2.4 数据的归一化

神经网络进行训练与测试之前，为了避免出现神经元饱和现象，一般在ANN的输入层先将负荷数据及各个特征量归一化到［－1，1］中，用ANN预测之后，需要将输出值换算回负荷值:

式中:Xmax、Xmin分别为训练样本集中输入变量的最大值和最小值;Yi、Xi分别为输入样本归一化前后的值。

2.5 天气数据的处理

为了充分体现阴晴、温度、湿度对负荷的影响，把预测日前14 d及预测日的阴晴、温度当作神经网络的3个输入节点。考虑到天气预报的实际情况，并按照神经网络归一化要求，本文根据天气特征进行分类:晴天、阴天、雨天、雪天的处理值分别为0、0.4、0.7、1.0。

3 仿真结果

本文使用的数据是新疆某地区2012年4月至2012年5月的真实数据，选用2012年4月1日至5月15日的数据作为历史数据，以2012年5月16日为例，利用以上方法可以测得1 d 96个采样点的部分负荷预测数据如表1所示。根据表1所得预测负荷和实际负荷对比，绘出的曲线如图4所示，根据负荷预测的准确率绘出的曲线如图5所示。

两条曲线形状相似，日谷、晚谷实际负荷曲线与预测负荷曲线吻合程度较好，低谷负荷和基荷相当，而午谷负荷偏差较小，实际负荷曲线上升沿较缓，实际负荷曲线低于预测负荷曲线。总体来说，第16次的负荷预测的差值最小为0.46 MW，准确率为99.90%，而第89次差值最大为20.88 MW，准确率为96.17%，平均准确率为98.45%。运行的结果全部误差都在4%以内，其中误差在3%以内的占91%，误差在 1%以内的占 31%，均方误差为0.87%，基本上可以满足电力经济调度的使用。

表1 负荷预测结果

4 结束语

本文运用BP神经网络对新疆某地区进行短期负荷预测。在建立预测模型时考虑了包括了温度和日期类型两个主要的负荷影响因素，在神经网络的预测过程中，对数据进行了去伪处理和归一化处理，并找出了相关性较强的样本进行训练和预测，所预测的结果与实际值比较接近，得到的结果都能保持误差在4%以内，表明此方法是有效的。但是，应用神经网络对电力系统短期负荷进行预测也有不足之处:如何更多与更规范地考虑影响负荷预测的相关因素、对其它重大事件(如故障)影响的负荷具有一定的修正功能等，这些都需要进一步研究。

［1］郭鹏伟，黄桥林，肖白.基于聚类分析理论的空间负荷预测方法［J］.黑龙江电力，2011，32(6):434－437.

［2］滕菲，王宁.电力负荷预测技术［J］.黑龙江电力，2002，24(5):342－345.

［3］张德玲.电力系统短期负荷预测方法的研究［D］.郑州:郑州大学，2007.

［4］李萍，曾令可，王慧，等.基于MATLAB的BP神经网络预测系统的设计［J］.电力系统自动化，2008，25(4):149 －151.

［5］宣科，刘红英，沈涛，等.一种新型短期负荷预测模型的研究及应用［J］.黑龙江电力，2011，32(5):387－390.

［6］飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京:电子工业出版社，2005:157－185.

［7］秦桂芳，伍世胜.基于神经网络的电力系统短期负荷预测［J］.电气开关，2011，2:37 －43.

［8］许延生，张为.人工神经网络在电力系统短期负荷预测中的应用［J］.电网技术，2008，28(6):46－48.

［9］李程，谭阳红.电力负荷的RBF神经网络预测［J］.黑龙江电力，2010，31(4):252 －254.