基于神經(jīng)網(wǎng)絡(luò)與綜合氣象因素的短期負(fù)荷預(yù)測(cè)

蔡金明，紀(jì) 濤，周方琪

（國(guó)網(wǎng)浙江德清縣供電公司，浙江德清313200）

基于神經(jīng)網(wǎng)絡(luò)與綜合氣象因素的短期負(fù)荷預(yù)測(cè)

蔡金明，紀(jì) 濤，周方琪

（國(guó)網(wǎng)浙江德清縣供電公司，浙江德清313200）

建立每日96點(diǎn)的負(fù)荷預(yù)測(cè)綜合模型.引入人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，將人體舒適度和歷史負(fù)荷數(shù)據(jù)共同作為人工神經(jīng)網(wǎng)絡(luò)的輸入，建立人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，對(duì)浙江某市每日96點(diǎn)負(fù)荷進(jìn)行分段預(yù)測(cè).每日96點(diǎn)預(yù)測(cè)值的平均相對(duì)誤差絕對(duì)值可以達(dá)到1.3%以下，達(dá)到了短期負(fù)荷預(yù)測(cè)精度要求.

負(fù)荷預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；氣象因素；人體舒適度；歷史數(shù)據(jù)；預(yù)測(cè)模型

0 引言

隨著國(guó)家經(jīng)濟(jì)的進(jìn)步，居民擁有空調(diào)的數(shù)量越來越多.而在夏天，氣象因素很大程度上決定了電網(wǎng)負(fù)荷的大小和波動(dòng)規(guī)律.有學(xué)者對(duì)負(fù)荷與各個(gè)氣象因子的相關(guān)性進(jìn)行了研究，并且有文獻(xiàn)總結(jié)出了氣象敏感負(fù)荷與各個(gè)氣象因子之間的相關(guān)性系數(shù).也有文獻(xiàn)采用回歸理論建立了各時(shí)段氣象敏感負(fù)荷與各氣象因素的關(guān)系模型，但回歸分析方法存在自身的缺陷，多元非線性方程組的求解十分困難，容易出現(xiàn)不收斂的情況；有時(shí)無法滿足實(shí)時(shí)性的要求［1］.人工神經(jīng)網(wǎng)絡(luò)具有很好的學(xué)習(xí)能力，而且非線性映射能力較強(qiáng).它的學(xué)習(xí)、預(yù)測(cè)過程可以通過計(jì)算機(jī)完成，可以做到工作量小、精度高和實(shí)時(shí)性.

基于以上問題，本文綜合各個(gè)氣象因子對(duì)負(fù)荷的影響提出了“人體舒適度”這一綜合氣象指標(biāo)，將人體舒適度指數(shù)和歷史電網(wǎng)數(shù)據(jù)一起作為神經(jīng)網(wǎng)絡(luò)單元的輸入，建立綜合考慮各種氣象因子的短期負(fù)荷預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)（ANN）模型.

1 考慮綜合氣象指數(shù)的負(fù)荷預(yù)測(cè)

1.1 氣象因素對(duì)人體的影響［2］

氣象包含的因素較多，有降雨量、氣壓、氣溫、風(fēng)速、相對(duì)濕度等.電網(wǎng)負(fù)荷會(huì)受溫度、濕度等各種氣象因素的共同作用，盡管我們?nèi)粘Ｖ挥脷鉁氐拇笮肀硎井?dāng)天的冷暖，但是氣象因素對(duì)電網(wǎng)負(fù)荷的影響必須考慮各個(gè)氣象因素的綜合影響.氣溫、濕度、輻射、氣壓、風(fēng)速等氣象因素都會(huì)對(duì)電網(wǎng)負(fù)荷造成相應(yīng)的影響，導(dǎo)致負(fù)荷的增加或減少［3］.

1.2 人體舒適度指數(shù)的引入

人體對(duì)周圍環(huán)境的感受一般會(huì)受風(fēng)力、氣溫和濕度等因素的影響，“人體舒適度”概念的引入也因此而來.所謂“人體舒適度”是指在不特別采取防暑降溫或防寒保暖措施的條件下，人體在自然環(huán)境中感受到舒適程度的一種綜合表達(dá)形式.為了準(zhǔn)確、科學(xué)地總結(jié)、歸納天氣條件對(duì)人體生理的影響程度，提出了人體舒適度指數(shù)的概念［4］.

風(fēng)速大小、相對(duì)濕度和氣溫的高低是影響人體舒適程度的主要?dú)庀笠蛩兀歉鱾€(gè)氣象因子在評(píng)價(jià)人體舒適度時(shí)所占的比重是不一樣的.人體舒適度指數(shù)就是為了從氣象角度來評(píng)價(jià)在不同氣象條件下人的不同舒適度感覺，是根據(jù)人體與周圍環(huán)境相互作用而歸納的生物氣象指標(biāo)［5］.具體計(jì)算公式為：

式中：DI是人體舒適度指標(biāo)；T是溫度（℃）；U是相對(duì)空氣濕度（%）；V是風(fēng)速（m/S）.

夏季環(huán)境溫度很高，人體舒適度指數(shù)的變化將直接作用于空調(diào)和制冷負(fù)荷的改變.因此，人體舒適度同夏天電網(wǎng)負(fù)荷的關(guān)聯(lián)性要強(qiáng)于風(fēng)速、日照時(shí)間、氣溫等單一氣象因子與負(fù)荷的關(guān)聯(lián)性［5］.

1.3 浙江地區(qū)人體舒適度公式

結(jié)合浙江地區(qū)實(shí)際的氣象條件和夏季負(fù)荷特性.本文擬定浙江地區(qū)夏季的人體舒適度計(jì)算公式為：

式中：各參數(shù)的含義與式（1）相同.

2 預(yù)測(cè)模型的建立與數(shù)據(jù)處理

2.1 預(yù)測(cè)模型的總體結(jié)構(gòu)

由于要預(yù)測(cè)的是預(yù)測(cè)日全天96個(gè)點(diǎn)的負(fù)荷值，它們的幅度各相不同；而且更為關(guān)鍵的是如果采用一個(gè)網(wǎng)絡(luò)來同時(shí)預(yù)測(cè)96點(diǎn)的負(fù)荷值，訓(xùn)練時(shí)的輸入量非常多，網(wǎng)絡(luò)結(jié)構(gòu)異常龐大，訓(xùn)練所需時(shí)間長(zhǎng)，且精度下降.因此有必要用96個(gè)不同的神經(jīng)網(wǎng)絡(luò)來進(jìn)行分時(shí)段訓(xùn)練和預(yù)測(cè).預(yù)測(cè)模型的總體結(jié)構(gòu)如圖1.

Fig. 1 Overall structural diagram of Prediction model

2.2 樣本數(shù)據(jù)的選擇與處理

2.2.1 樣本數(shù)據(jù)的選取

在本文中，選擇某市某年夏天（7月1日至8月31日）的負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測(cè)的樣本數(shù)據(jù).其中7月1號(hào)至8月25日作為訓(xùn)練樣本數(shù)據(jù)，8月26日至8月31日作為預(yù)測(cè)用數(shù)據(jù).在數(shù)據(jù)中，已經(jīng)剔除節(jié)假日數(shù)據(jù).對(duì)于工作日樣本和雙休日樣本數(shù)據(jù)，在訓(xùn)練和預(yù)測(cè)時(shí)，針對(duì)不同的日期類型進(jìn)行賦值，工作日（周一至周五）取0.2，雙休日（周六至周日）取0.6.氣象部門給出的氣象數(shù)據(jù)為每日24點(diǎn)，所以需要采用插值法獲取每日96點(diǎn)氣象數(shù)值.

2.2.2 數(shù)據(jù)歸一化處理

如果用收集的數(shù)據(jù)直接對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，容易導(dǎo)致神經(jīng)元飽和，從而影響神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度.為了消除這一現(xiàn)象，需要對(duì)數(shù)據(jù)做歸一化處理.研究表明，以恰當(dāng)?shù)姆绞綄?duì)數(shù)據(jù)進(jìn)行歸一化處理可以加快神經(jīng)網(wǎng)絡(luò)的收斂.在歸一化處理之后，需在輸出層反歸一化換算回原始值［6］.

其中，xmax、xmin分別為訓(xùn)練數(shù)據(jù)輸入變量的最大值和最小值，xi、yi分別為輸入樣本歸一化前后的值.

3 預(yù)測(cè)實(shí)例及其結(jié)果

3.1 MATLAB程序?qū)崿F(xiàn)

使用循環(huán)語句逐次對(duì)每日96個(gè)時(shí)段的模型進(jìn)行訓(xùn)練、預(yù)測(cè)，最后得到預(yù)測(cè)日的96點(diǎn)負(fù)荷值.其中日期類型的工作日取0.2，雙休日取0.6；隱含層的神經(jīng)元數(shù)目選擇75個(gè)；隱含層和輸出層的激活函數(shù)取雙曲正切型Sigmoid函數(shù)；學(xué)習(xí)速率取LP.lr=0.02；訓(xùn)練誤差取net.trainParam.goal=0.001；最大訓(xùn)練次數(shù)取net.trainParam.epochs=1 000；數(shù)據(jù)歸一化到（-1，1）.

3.2 不同神經(jīng)網(wǎng)絡(luò)算法下的預(yù)測(cè)結(jié)果

3.2.1 有動(dòng)量和自適應(yīng)學(xué)習(xí)速率的梯度下降法

基于有動(dòng)量和自適應(yīng)學(xué)習(xí)速率的梯度下降法的預(yù)測(cè)結(jié)果見圖2.

Fig. 2 Prediction based on momentum and adaptive learning rate of the gradient descent method

3.2.2 彈性梯度下降法

基于彈性梯度下降法的預(yù)測(cè)結(jié)果見圖3.

3.2.3 非線性阻尼最小二乘法（Levenberg-Marquardt）

基于Levenberg-Marquardt法的預(yù)測(cè)結(jié)果見圖4.

Fig. 3 Prediction based on elastic gradient descent method

Fig. 4 Prediction based on Levenberg-Marquardt method

4 基于神經(jīng)網(wǎng)絡(luò)和綜合氣象因素的負(fù)荷預(yù)測(cè)評(píng)價(jià)

通過以上實(shí)例發(fā)現(xiàn)，在引入“人體舒適度”的綜合氣象因素后，在不同神經(jīng)網(wǎng)絡(luò)算法下，預(yù)測(cè)結(jié)果都達(dá)到了較高的預(yù)測(cè)精度.采用有動(dòng)量和自適應(yīng)學(xué)習(xí)速率的梯度下降法時(shí)96點(diǎn)平均相對(duì)誤差絕對(duì)值為1.231 1%，采用彈性梯度下降法時(shí)平均相對(duì)誤差絕對(duì)值為1.386 9%，采用非線性阻尼最小二乘法時(shí)平均相對(duì)誤差絕對(duì)值為1.149 6%，且96個(gè)預(yù)測(cè)點(diǎn)的最大誤差控制在3%以內(nèi).

在夏季最熱的時(shí)間，同時(shí)又是負(fù)荷變化最劇烈的時(shí)期，達(dá)到上述預(yù)測(cè)精度，說明神經(jīng)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測(cè)的可行性.同時(shí)，在預(yù)測(cè)過程中也發(fā)現(xiàn)BP網(wǎng)絡(luò)的不同算法對(duì)預(yù)測(cè)的收斂速度、預(yù)測(cè)的精度都有很大的影響.彈性梯度下降法的收斂速度很快，但是預(yù)測(cè)的精度不高；非線性阻尼最小二乘法的預(yù)測(cè)精度相對(duì)較高，從表4可以發(fā)現(xiàn)，96個(gè)預(yù)測(cè)點(diǎn)的最大誤差小于3%，但是非線性阻尼最小二乘法的訓(xùn)練速度比較慢，該方法適用于對(duì)中小型網(wǎng)絡(luò)的預(yù)測(cè)，且計(jì)算機(jī)的內(nèi)存足夠，否則無法滿足實(shí)時(shí)性的要求；有動(dòng)量和自適應(yīng)學(xué)習(xí)速率的梯度下降法的收斂速度和預(yù)測(cè)精度都介于兩者之間.因此，在實(shí)際預(yù)測(cè)時(shí)，具體采用何種訓(xùn)練算法要依具體的實(shí)時(shí)性和精度要求而定.

另外，在預(yù)測(cè)過程中發(fā)現(xiàn)，預(yù)測(cè)結(jié)果的準(zhǔn)確與否，與樣本數(shù)據(jù)的選擇有很大的關(guān)系，如何選擇有代表性的樣本數(shù)據(jù)直接關(guān)系到最后預(yù)測(cè)的精度.在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，隱含層的神經(jīng)元數(shù)選取、學(xué)習(xí)速率的選取、期望誤差的選取都沒有一個(gè)確定的規(guī)則，需要不斷地嘗試和調(diào)整.一個(gè)具體的網(wǎng)絡(luò)對(duì)某一地區(qū)的負(fù)荷預(yù)測(cè)是有效的，而對(duì)另一地區(qū)的負(fù)荷預(yù)測(cè)可能誤差會(huì)非常大.因此，選擇合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)也十分重要.

5 結(jié)語

本文提出了“人體舒適度”這一綜合氣象指標(biāo)，并且引入人工神經(jīng)網(wǎng)絡(luò)（ANN）模型.將人體舒適度指數(shù)和歷史負(fù)荷數(shù)據(jù)共同作為人工神經(jīng)網(wǎng)絡(luò)的輸入，建立人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，對(duì)浙江某市每日96點(diǎn)負(fù)荷進(jìn)行分段預(yù)測(cè).人體舒適度不僅與夏季負(fù)荷的相關(guān)性要強(qiáng)于溫度、濕度等單個(gè)氣象因子，而且把人體舒適度作為神經(jīng)網(wǎng)絡(luò)的輸入，減少了人工神經(jīng)網(wǎng)絡(luò)的輸入單元，加快了網(wǎng)絡(luò)收斂速度，并且可以突出與負(fù)荷相關(guān)性強(qiáng)的因素，弱化與負(fù)荷相關(guān)性弱的因素，有效地提高預(yù)測(cè)的精度.

［1］朱振偉.氣象因素對(duì)電網(wǎng)負(fù)荷特性影響的研究［D］.杭州：浙江大學(xué)碩士學(xué)位論文，2008：8-11.

［2］康重慶，周安石，王鵬，等.短期負(fù)荷預(yù)測(cè)中實(shí)時(shí)氣象因素的影響分析及其處理策略［J］.電網(wǎng)技術(shù)，2006，30（7）：5-10.

［3］莫維仁，張伯明，孫宏斌，等.短期負(fù)荷預(yù)測(cè)中選擇相似日的探討［J］.清華大學(xué)學(xué)報(bào)，2004，44，（1）：106-109.

［4］秦海超，王瑋，周暉.人體舒適度在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電力學(xué)報(bào)，2006，21（2）：143-145.

［5］袁飛，肖晶，盧毅.基于人體舒適度指數(shù)的夏季負(fù)荷特性分析［J］.江蘇電機(jī)工程，2005，24（6）：5-7.

［6］劉凱.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究［D］.南京：河海大學(xué)，2005：2-3.

Short-term Load Forecasting Based on Neural Networks and Comprehensive Meteorological Factors

CAI Jinming，JI Tao，ZHOU Fangqi
（State Grid Zhejiang Deqing County power supply Corporation，Deqing 313200，China）

The paper proposes a comprehensive model for load forecasting of daily 96-points combined with artificial neural network（ANN）model which takes human comfort and historical load data as an input.The model executes segmented load forecasting for daily 96-point of a city in Zhejiang，and it has been found that the daily 96 points average absolute value of the relative error of the predicted values can be controlled under 1.3%，and it meets the requirements of the short-term load forecasting.

load forecasting；neural network；meteorological factors；human comfort；historical load data；prediction model

TM744

A

1009-1734（2016）04-0089-05

［責(zé)任編輯 吳志慧］

2015-09-10

蔡金明，助理工程師，研究方向：配電網(wǎng)負(fù)荷預(yù)測(cè)、配電網(wǎng)技術(shù).E-mail：120424514@qq.com