基于改进BP神经网络算法的电力负荷预测研究

王荦荦，杨辉，李建峰

（珠海城市职业技术学院，广东 珠海 519000）

0 引言

电力负荷预测在如今的电力改革新环境下，对于电力安全供电和电力稳定运行以及电气企业的经济效益都有着至关重要的作用。针对电力系统的负荷预测，数十年以来国内外的研究人员使用了多种计算预测方式，运用了多种预测模型，不断地的提高着预测的精确程度[1]。本文运用一种改进BP神经网络算法，优化电力负荷数据建立对应模型，进而对电力负荷进行预测和探究。

1 BP神经网络建立

1.1 数据预处理

负荷预测需要采集大量的运行负荷数据，这些数据多数是由电量采集器或者远程控制终端设备传输得到，因此数据会受到多种因素的影响，比如测量装置的运行情况，人为操作的情况等。这些因素的存在从而使得负荷数据里面经常掺杂着一些影响预测效果的数据，即为非真实的运行数据。这些数据通常我们称之为“不良数据”或“坏数据”，它们显现出来的特征通常有数量级上的差距，数值之间的巨大偏离，但是也会只表现出某方面的显著差别，这些差别的存在会对真实数据造成很大的影响，使数据的误差超出正常的范围。如果我们对于负荷数据直接进行预测和分析，自然而然地会将这些误差带入到预测模型之中去，势必将对最后的预测效果产生很大的不良影响，甚至导致预测精度无法满足要求[2]。因此，在利用这些数据之前，应先对其进行预处理.去除“不良数据”或“坏数据”的影响，是十分必要的。

N在对负荷数据的实际处理时，得到以下判据：

用（1）～（3）式对原始数据进行预处理后，负荷的原序列将更加趋于合理。

1.2 建立预测模型

电力负荷具有高度非线性、时变性等特点，波动十分频繁，除具有以周、日的周期变化外，受天气、季节、节假日等诸多因素影响。神经网络的快速发展，优化了传统线性预测方法无法全面描述电力负荷变化规律的不足，而BP网络自适应学习能力强，能通过节点设定及参数设置适应电力负荷的多种因素变化，非线性逼近提升负荷预测能力[3]。电力负荷的各种影响因素与负荷的对应关系，可表示为一个多维空间与多维空间的非线性函数映射，3层BP网络理论上可以解决任何非线性映射问题，但针对具体实际数据时，3层网络并不能达到理想的预测结果[4]。为提升预测准确度，我们建立了5层网络优化准确率，网络预测模型结构如图1所示。

在网络模型中，设输入层第i个样本点的输入向量为，输出，则隐含层输出为：

图1 网络预测模型结构

其中，W为权重，神经网络预测输出为：

2 仿真实验

根据上述神经网络算法，建立基于BP神经网络的负荷预测模型，模型建立的步骤为：①搜集某地区负荷初始数据；②对搜集负荷数据进行优化处理，成为便于算法预测的训练样本；③对于优化后的样本区分为训练集合测试集，对训练集进行参数优化处理，来建立合适的负荷预测模型，然后对模型利用测试集进行测试和检验；④设置神经网络算法预测参数并建立预测模型；⑤对数据样本进行预测，得到预测结果进行分析[5]。

为了验证改进BP算法的预测性能，本文采用某地区2018年连续一整年的电力负荷数据进行仿真测试。神经算法仿真参数设置：BP神经网络初始值设置：隐含层节点数6*40*1，第一层采用tansig传递函数，第二层采用logsig，第三层采用purelin，学习率0.1，训练目标误差0.001，最大迭代次数107。程序在Matlab 2014a环境下运行。

图2 某天预测结果对比图

图3 2018年每月每一时刻预测结果对比图

图4 2018年每月预测结果平均相对误差与标准差对比图

预测结果表明，2018年1月、7-8月这三个月预测结果相对误差最小，误差结果约0.01%。2018年2-6月、9-12月相对误差最大，误差值为约0.1%。分析整体预测情况可以看出，预测模型具有较好的精度和可靠性。

3 结语

电力市场化运行之后，对于负荷预测也是满足市场化需要的一个重要研究内容。本文先对负荷数据进行优化后，利用改进BP神经网络算法建立相关模型对某地区负荷进行预测。通过算例分析，对比预测结果和实际负荷数据分析，最大误差在约0.1%，最小月份的误差在0.01%，预测结果表明该改进模型具有较好的预测效果，可以应用于电力市化中电力负荷的预测。