基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測

李晶

摘要：隨著智能電網(wǎng)技術(shù)的發(fā)展，電網(wǎng)問題的管理變得尤為重要，負(fù)荷預(yù)測是電網(wǎng)管理的主要內(nèi)容之一。針對電力負(fù)荷預(yù)測隨機性強、穩(wěn)定性低、影響因素復(fù)雜等特點，具有非線性特性的神經(jīng)網(wǎng)絡(luò)可以極大地提高預(yù)測精度。

關(guān)鍵詞：電力系統(tǒng)；負(fù)載預(yù)測；神經(jīng)網(wǎng)絡(luò)；反向傳播算法

引言

電力系統(tǒng)負(fù)荷預(yù)測按預(yù)測的時間可分為長期、中期、短期、超短期以及特殊日，然而其中的短期負(fù)荷預(yù)測對電力系統(tǒng)來說有著很重要的地位，也是現(xiàn)有電力市場環(huán)境下編排發(fā)電計劃、交易計劃、調(diào)度計劃的基礎(chǔ)。隨著電力行業(yè)的發(fā)展，分布式電源的接入和電動汽車等新負(fù)荷的加入，電力系統(tǒng)負(fù)荷預(yù)測的精確度就顯得尤其重要。因此負(fù)荷預(yù)測成為了電網(wǎng)運行和管理的一個重要研究領(lǐng)域。由于負(fù)荷預(yù)測在電網(wǎng)中占有很重要的地位，所以對負(fù)荷預(yù)測初始數(shù)據(jù)的處理、預(yù)測方法的選擇就顯得尤其的重要。對短期負(fù)荷預(yù)測的研究已有很長的歷史，國內(nèi)外專家和學(xué)者在預(yù)測方面做了很多工作，提出很多預(yù)測模型。

1 負(fù)荷預(yù)測方法比較

1.1 神經(jīng)網(wǎng)絡(luò)法

目前神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于圖像識別、自然語言處理、機器翻譯、自動駕駛等方面。谷歌、百度、阿里等企業(yè)最主要的人工智能算法都是神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)在能源領(lǐng)域大量應(yīng)用于電力負(fù)荷預(yù)測、電力現(xiàn)貨市場價格預(yù)測、風(fēng)電發(fā)電預(yù)測等方面。神經(jīng)網(wǎng)絡(luò)法在負(fù)荷預(yù)測上的應(yīng)用主要分為人工神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)法選取過去一段時間的負(fù)荷作為訓(xùn)練樣本，構(gòu)建適宜的網(wǎng)絡(luò)結(jié)構(gòu)，用某種訓(xùn)練算法對網(wǎng)絡(luò)進行訓(xùn)練，使其滿足精度要求之后，此神經(jīng)網(wǎng)絡(luò)作為負(fù)荷預(yù)測模型。神經(jīng)網(wǎng)絡(luò)對大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)能力，能夠信息記憶、自主學(xué)習(xí)、知識推理和優(yōu)化計算，具有很強的計算能力、復(fù)雜映射能力、容錯能力及各種智能處理能力。江西負(fù)荷預(yù)測表明，其短期負(fù)荷預(yù)測精度高于中長期預(yù)測精度，日前負(fù)荷預(yù)測精度可達99.3%，5年規(guī)劃負(fù)荷預(yù)測精度約為95.4%。

1.2 模糊預(yù)測法

模糊預(yù)測法是建立在模糊數(shù)學(xué)理論上的一種負(fù)荷預(yù)測技術(shù)，可以描述負(fù)荷預(yù)測中的一些關(guān)鍵因素，如天氣狀況的評判、經(jīng)濟發(fā)展的不確定性等。模糊負(fù)荷預(yù)測可分為模糊聚類法、模糊相似優(yōu)先法和模糊最大貼近度法等。江西負(fù)荷預(yù)測表明，短期負(fù)荷模糊預(yù)測的精度約為97.8%，低于其他常用預(yù)測方法；5年規(guī)劃負(fù)荷模糊預(yù)測的精度約為96.6%，高于其他常用預(yù)測方法。模糊預(yù)測結(jié)果可以預(yù)測區(qū)間及概率的形式描述，提供的信息量比其他預(yù)測方法大許多。

1.3 時間序列法

電力負(fù)荷的歷史數(shù)據(jù)是按一定時間間隔進行采樣和記錄下來的有序集合，因此是一個時間序列，采用時間序列法建立描述電力負(fù)荷隨時間變化的數(shù)學(xué)模型，可以對未來負(fù)荷進行預(yù)測。時間序列方法優(yōu)點是所需數(shù)據(jù)少，工作量小，計算速度較快。缺點是時間序列方法對原始時間序列的平穩(wěn)性要求較高，只適用于負(fù)荷變化比較均勻的短期預(yù)測；對不確定性因素考慮不足，當(dāng)天氣變化較大或遇到重大臨時經(jīng)濟活動時，該模型預(yù)測誤差較大。江西負(fù)荷預(yù)測表明，短期負(fù)荷預(yù)測精度高于中長期預(yù)測精度，實時負(fù)荷預(yù)測精度可達99.6%，5年規(guī)劃負(fù)荷預(yù)測精度約為93.7%。

1.4 回歸分析法

回歸分析預(yù)測方法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律和影響負(fù)荷變化的因素，尋找自變量與因變量之間的相關(guān)關(guān)系及其回歸方程式，確定模型參數(shù)，據(jù)此推斷將來時刻的負(fù)荷值?；貧w分析法的優(yōu)點是預(yù)測速度快，外推性能好，對于長周期性的影響因素（如節(jié)假日）具有較好的適應(yīng)性。缺點是對歷史數(shù)據(jù)要求較高，采用線性方法描述比較復(fù)雜的問題時精度較低；模型初始化難度較大。江西負(fù)荷預(yù)測表明，短期負(fù)荷預(yù)測精度高于中長期預(yù)測精度，實時負(fù)荷預(yù)測精度可達99.4%，季度負(fù)荷預(yù)測精度可達98.6%，5年規(guī)劃負(fù)荷預(yù)測精度約為95.1%。

2 人工神經(jīng)網(wǎng)絡(luò)作用與分類

人工神經(jīng)網(wǎng)絡(luò)的研究是從人腦的生理結(jié)構(gòu)出發(fā)來研究人的智能行為，模擬人腦信息處理的功能。它是根植于神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計學(xué)、物理學(xué)、計算機科學(xué)及工程等學(xué)科的一種技術(shù)。人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，是人腦的抽象、簡化、模擬，反映人腦的基本特性。一般來說，作為神經(jīng)元模型應(yīng)具備連接權(quán)值、信號整合、激勵函數(shù)三個要素。人工神經(jīng)網(wǎng)絡(luò)具有非線性、并行性、自學(xué)習(xí)性、聯(lián)想存儲性和實時性等特點。

人工神經(jīng)網(wǎng)絡(luò)的主要類型有感知機、線性神經(jīng)網(wǎng)絡(luò)、徑向基（RBF）函數(shù)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、隨機神經(jīng)網(wǎng)絡(luò)、競爭神經(jīng)網(wǎng)絡(luò)等，其中BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用得最廣泛的一種類型。BP神經(jīng)網(wǎng)絡(luò)是指誤差反向傳播算法（ErrorBackPropagtion，BP）網(wǎng)絡(luò)，是一種有監(jiān)督學(xué)習(xí)的前向多層感知機結(jié)構(gòu)，由一種誤差計算沿著與網(wǎng)絡(luò)計算方向相反方向傳遞的算法求解神經(jīng)元連接權(quán)值。BP神經(jīng)網(wǎng)絡(luò)由多層構(gòu)成，層與層之間全連接，同一層之間的神經(jīng)元無連接，包含一個或多個隱層，可以實現(xiàn)復(fù)雜的映射關(guān)系。

3 神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用

電力負(fù)荷預(yù)測的方法主要有灰色預(yù)測法、線性回歸法等傳統(tǒng)預(yù)測方法、神經(jīng)網(wǎng)絡(luò)法、支持向量機、模糊系統(tǒng)等人工智能預(yù)測算法。由于電力負(fù)荷預(yù)測具有隨機性強、穩(wěn)定性低、影響因素復(fù)雜等特點，很難建立精確的模型。由于傳統(tǒng)模型難以充分利用其他影響因素的數(shù)據(jù)，使得預(yù)測精度往往不能滿足電力部門的需求，人工智能預(yù)測算法是國內(nèi)外學(xué)者們研究的熱點問題。電氣負(fù)荷數(shù)據(jù)通常為一個時間序列數(shù)據(jù)，因此可以使用統(tǒng)計或軟計算方法進行分析和預(yù)測，Wang等提出了一種BP神經(jīng)網(wǎng)絡(luò)方法（BPNN），采用反向傳播神經(jīng)網(wǎng)絡(luò)的精確電力負(fù)荷預(yù)測算法用于短期電力負(fù)荷預(yù)測，綜合考慮了天氣特征，如最高攝氏度，最低攝氏度和天氣類型等參下文舉例某些實驗后得到的結(jié)論：

（1）非負(fù)荷因素輸入前級BP網(wǎng)絡(luò)中，得出的負(fù)荷類型數(shù)據(jù)作為后級RBF網(wǎng)絡(luò)的輸入，通過BP-RBF的級聯(lián)神經(jīng)網(wǎng)絡(luò)得到準(zhǔn)確的整點負(fù)荷預(yù)測。由于BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷于局部極值點的缺點，許多學(xué)者結(jié)合模糊推理、遺傳算法等其他智能算法對電力負(fù)荷預(yù)測模型進行了進一步完善?；谏窠?jīng)網(wǎng)絡(luò)的模糊推理方法是通過神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)機制完成模糊化、模糊推理和反模糊化。

（2）采用模糊邏輯方法研究了長期負(fù)荷預(yù)測問題，建立了一個電力負(fù)荷模糊預(yù)測模型，采用溫度、濕度和歷史負(fù)荷數(shù)據(jù)作為模型，實驗結(jié)果表明了模糊理論可以較好地應(yīng)用于負(fù)載長期預(yù)測。

（3）利用人工神經(jīng)網(wǎng)絡(luò)和聚類方法建立了公交車負(fù)荷預(yù)測模型，通過聚類的方法提高了人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，適用于短期預(yù)測。

（4）預(yù)測每日負(fù)荷的動態(tài)神經(jīng)網(wǎng)絡(luò)，獲得的結(jié)果表明精度和效率優(yōu)于廣泛使用的傳統(tǒng)方法。

（5）基于三角核函數(shù)（QRNNT）的分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)的概率密度預(yù)測方法，用于短期電力負(fù)荷預(yù)測。為了構(gòu)造概率預(yù)測方法，應(yīng)用神經(jīng)網(wǎng)絡(luò)對分位數(shù)回歸模型進行變換，通過對加拿大和中國的負(fù)荷數(shù)據(jù)測試證明了該方法有效性。

4 結(jié)語

電力負(fù)荷預(yù)測對國民經(jīng)濟、電網(wǎng)穩(wěn)定和電力安全都有著非常重要的意義。如何提高預(yù)測速度、降低預(yù)測誤差是電力負(fù)荷預(yù)測研究的熱點問題。目前，電力系統(tǒng)正在進行電力需求側(cè)管理綜合改革，其中電力負(fù)荷曲線的預(yù)測是需求側(cè)管理的主要依據(jù)，提高其預(yù)測精度有助于電網(wǎng)公司了解用電規(guī)律，提高經(jīng)濟效益。

參考文獻

[1]隋惠惠.基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

[2]程宇也.基于人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[D].杭州：浙江大學(xué)，2017.

[3]蘇蔚.基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)[D].天津：天津大學(xué)，2011.

（作者單位：國網(wǎng)河北省電力公司石家莊供電分公司）