基于神经网络电网负荷预测的隐含层研究

许光斌

（华信咨询设计研究院有限公司，杭州 310052）

1 引言

电力系统由电力网、电力用户共同组成，电力的生产与使用难以大量的存储，这就要求系统发电应随时紧跟系统负荷的变化动态平衡，以满足用户的需求。因此，电力系统负荷预测技术发展起来，尤其是电网负荷预测作为当前研究的热点，需解决好当前负荷及未来负荷的预测问题。基于神经网络的非数学模型预测法，解决了数学模型法的不足，但神经网络的确定隐含层网元个数，目前没有一个明确的确定方法。

2 神经网络预测模型及隐含层网元分析

神经网络一般分为四层：输入层、隐含层、承接层和输出层。如图1所示[1]。隐含层的传递函数为Sigmoid函数，输出层和关联层都为线性函数。其中隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入。如果给出系统的输入输出数据对，利用软件matlab就可以对系统进行建模仿真及预测。

如图1所示，神经网络的的非线性状态空间表达式为[1][2]：

神经网络采用BP算法进行权值修正，学习指标函数采用误差矢量积函数，如下式所示[2]：

图1 神经网络结构图

神经网络模型中隐含层数学模型如图2所示[4]，

图2 神经网络话务预测模型基本结构图

图2结构中隐含层输出为[2]：

输出层输出为：

要得到精准的预测需对隐含层网元个数进行分析，以使得预测最接近实际电网负荷。取n为最小误差时的隐含层网元个数，如下式所示：

3 仿真及结果

选取9天的3个时段的数据作为仿真数据，如表1所示。

表1 各时段电网负荷情况

通过对表1数据的学习训练验证，如图3所示，训练次数为2000次，得到训练有效权重，其中误差最小的为隐含层网元个数为n=65时误差最小，误差值为0.00053229，如图4所示，所以采用隐含层网元个数为65个进行训练数据，并得到各权重值来做后续预测。

图3 训练数据

图4 隐含层不同网元个数对应训练误差

4 结束语

通过对神经网络预测模型的分析，并将电网负荷的9天三个时段数据进行matlab仿真，验证了得到误差最小的最佳学习训练的隐含层网元个数，通过该隐含层网元个数的，得到最佳的负荷预测。由于隐含层网元个数的取定应结合计算量综合考虑，后续需进一步对完善计算复杂度和误差两个方面进行更加深入的分析。