（电力系统及其自动化专业论文）基于神经网络的短期负荷预测研究.pdf

a b s t r a c t s h o r tt e r ml o a df o r e c a s t i n g ( s t l f ) i st h ep r e c o n d i t i o no f e c o n o m i ca n ds e c u r eo p e r a t i o no f p o w e rs y s t e m ，a n db e c a u s et h ep o w e rs y s t e ma r eg e t t i n gm o r ea n dm o r em a r k e t a b l e ，s t l fw i t h h i g hq u a l i t yi sg e t t i n gm o r ea n dm o r ei m p o r t a n ta n de x i g e n t t h ea r t i f i c i a ln e u r a ln e t ( a n n ) w a y i su n i v e r s a lr e g a r da so n eo ft h em o s te f f e c t i v ew a y so fs t l ei nt h i sp a p e r , s o m er e s e a r c hi s d e v e l o p e df o rs t l fu s i n ga n nw a y si ns e v e r a lp a r t s ： t h ef i r s tp a r ti sa b o u tt h ea r i t h m e t i co fa n nb a s e do nb pm o d e l ，n a m e l yt h ea d v a n c e do f t r a d i t i o n a ib pa r i t h m e t i c o n ea l t e r a b l es t e pa n ds c a l eb pa r i t h m e t i cb a s e do nc o m p a r a b i l i t yo f m o d e la n dp r o b a b i l i t yo fa c c e p t i n gb pa r i t h m e t i ci su s e dt oe n h a n c e sal o tt h ec o n v e r g e n c er a t eo f l e a r n i n gp r o c e s so f b pn e t w o r k b a ta l s oa v o i dt h es t a g n a t i o np r o b l e mt os o m ee x t e n t i ti n d i c a t e s t h a tt h ea n n se f f i c i e n c ya n dp r e c i s i o nb yt h ew a yc a nb ea m e l i o r a t e db yt h es i m u l a t i o no fr e a l d a t a i n t h es e c o n d i sa b o u t t h e a n n ss t r u c m r e ，o n eg e n e t i c a r i t h m e t i c ( g a ) i su s e d t oc h o s e t h e m o s tl o g i c a ln u m b e ro fc o n n o t a t i v el a y e r , s oi tc a nv o i dt h eb l i n d n e s so fc h o s et h en u m b e ro f c o n n o t a t i v el a y e r b e c a u s eb a s e do nm o r el o g i c a ln e ts t r u c t u r e ，t h ep r e c i s i o no ff o r e c a s t i n gi s i m p r o v e d t h et h i r dp a r ti sa b o u tt h ec h a r a c t e r i s t i co fl o a da n df o r e c a s t i n gm o d e l i nt h i sp a r t ，t h e c h a r a c t e r i s t i co fl o a di nz h e n g z h o ui ss t u d i e da sa ne x a m p l e ，a n do nt h eb a s eo n ef o r e c a s t i n g m o d e lf o rn o r m a ld a yb a s e do na n nb ya n a l y s i st h ed i f f e r e n c eo fw e m h e rs i t u a t i o na n do n e f o r e c a s t i n gm o d e lf o rs p e c i a lh o l i d a yb a s e do nf u z z yl o g i ci sb r i n gf o r w a r d k e y w o r d s ： s t l f c h a r a c t e r i s t i co fi o a d a n na d v a n c e da r i t h m e t i co fb pn e t s t r u c t u r et h e f u z z yl o g i c 2 第一章绪论 1 1 短期负荷预测的目的和意义【1 】【2 】 电力系统负荷预测就是在充分考虑一些重要的系统运行特性、增容决策、自然条件与社 会影响的条件下，研究和利用一套系统地处理过去和未来的数学方法，在满足一定的精度要 求的意义下，确定未来某特定时刻的负荷数值。短期负荷预测般是指预测未来一天到一周 的负荷情况，预测的最重要的目的是要尽可能高的满足提高预测的精度要求。 电力负荷是电力系统凋度、用电、计划、规划等管理部门的重要工作之一。提高负荷预 测技术水品，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于 悼煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济 效益和社会效益。因此负荷预测已经成为实现电力系统管理现代化的重要内容之一。 在当前市场化运营的条什r 由于电力交易更加频繁和经营主体之间的区别，会出现各种 不确定的因素，同时负荷对电价的敏感度也随着市场的完善而逐渐增强，这给负荷预测带来 了新的难度。由于市场各方对信息的获墩和运营的经济性更加重视，准确的预测对于提高电 力经营主体的运行效益有直接的作用，短期负荷预测的重要性就更加突出。 1 2 国内外短期负荷预测现状 1 2 1电力系统短期负荷预测发展现状 已有的负荷预测方法可以分为经典的方法和智能技术两大类。经典方法主要是基于各种 统计理论的时间序列模型，而智能技术包括人工神经网络和专家系统方法。具体的预测方法 有如一f 5 l 种。 1 同归分析法 同归预测是负荷预测常用的方法，即根据历史数据的变化规律寻找自变量和因变量之间 的同归方程，确定模型的参数，据此作出预测。它分为一元线性回归，多元线性回归，一元 非线性回归和多元非线性回归。 2 时间序列法 时间序列模型有自回归( a r ) ，动平均( m a ) ，自回归一动平均( a r i v i a ) 等模型。使 用时间序列法一般要进行序列分平稳化、模型的识别、模型阶数的确定、模型参数的估计、 模型检验以及负荷预报等步骡。由于时间序列方法是假定负荷曲线是平稳的时间序列，但实 际上电力系统的负荷并非平稳时间序列，所咀利用它来预测周末、节假日或季= 肖变化周期时， 预测精度就比较差，同时复杂的模型技术，和巨大的计算量也是它的不足。 3 灰色系统预测方法 灰色系统理论应用于电力系统负荷预测，如果将影响负荷的各种因素联合起米看成一个 火系统，那么它兼有确定性和不确定性，本征性和非本征性灰色系统的特征，实际的负荷历 史资料能够清楚地显示其灰色系统特征，年、月、日负荷既有逐年增长趋势的确定性一面， 同日寸又有每年每月每日负荷值随机变化的不确定性的一面，因此可以利用灰色系统理论来研 究电力系统负荷预测。但是灰色系统方法一般用于中跃期的负荷预测较多。 4 。卡尔曼滤波预测方法 卡尔曼滤波法是建立状态空间模型，把负荷作为状态变量，用状态方程雨i 量测方法来描 述。卡尔曼滤波算法递推地进行计算，适用于在线负荷预测，这是在假定噪声的统计特性以 知的情况下得出的，而估计噪声的统计特性是个难点。 5 神经网络预测方法 一般的负荷预测方法没有考虑天气情况，也有的涉及天气变化对负荷的影响。前者是基 于外推法，负荷情况是用时间序列或趋势曲线表征，主要为静态变量模型和a r m a 模型， 后者是将总负荷分解为天气敏感负荷和非天气敏感负荷，天气敏感负荷大多用相关技术进行 预测。然后对每个负荷元素进行预测最后得到总的负荷预测值。另一类方法是从前述专家 系统的观点找至历史负荷数据和温度之间的对应靓则，它是运用知识、经验和经验系统操作 器的模拟推理预测负荷。 运用神经网络技术进行电力负荷预测的优点是对大量非结构性、非糖确性规律具有自适 应功能，具有信息记忆、自主学习、逻辑推理和优化计算的特点。其自学习和自适应功能是 常规算法和专家系统技术所不具备的。我们可以将对电力负荷影响最大的几种因素作为输 入，即当天的温度、能见度、风力、平均湿度、峰谷负荷及相关负荷等，争取获得较好的预 测结果。用a n n 预测电力系统负荷是a n n 在电力系统中应用最为成功的领域之一，a n n 预测负荷的良好性能己得到普遍的认可。 6 模糊逻辑方法 电力系统负荷预测问题可作为多输入多输出未知系统来处理，具有去模糊的模糊逻辑系 2 统可以识别和以任意精度在一个简单设备上去逼近任意未知非线性动态系统。在每周负荷趋 势中，在某种周期变化在工作日之间、周末之间、月与月之间、季与季之间同一小时都存在 某种相似性。己证明，模糊逻辑系统具有从大量数据中描绘这种相似性的能力，因此只要有 足够大历史数据，就能识别负荷趋势中存在的相似性。因此利用模糊逻辑系统去识别和预测 负荷是合理的，可是如何实现这种预测或换句话说，如何去识别这种相似性或未知动态系统 仍然是一个问题。 7 专家系统预测方法 专家系统是一个片j 基于知识的程序设计方法建立起来的计算机系统，它拥有某个领域内 专家的知识和经验。并能像专家月5 样运用这些知识，通过推理，在那个领域内作出智能决策 所以一个完整的专家系统是由四个部分组成：知识库、推理机、知识获取部分和界面。对于 专家系统最重要的部分是知识库，一方面需要足够的知识，而且知识于数学规则之间的转化 是非常重要的。利用专家知识建立短捌负荷预测，但将专家知识转化为数学规则是特别困难 8 优选组合预测方法 优选组合预测有两类概念，一是指将几种预测方法所得到的预测结果，选取适当的权重 进行加权平均的一种预测方法：二是指在几种预测方法中进行比较，选择拟合优度最佳或标 准离差最小的预测模型最为最优模型进行预测。例如，设对某个预测对象厂利用女个预测 方法得到尼个模型的预测值为：( f = 1 , 2 ，l j ) ，利用这七个预测值构成一个对的最终预测 值结果，即，= 妒( 一， ，以) ，特别可取妒( z ，厶 这就是一种组合预洲方式。组合预测方法是建立在最大信息利用的基础上，它集结多种单一 模型所包含的信息，进行最优组合。因此，在最大多数情况下，通过组合预测可以达到改善 预测结果的目的。 9 小波分析预测方法 小波分析是一种时域一频域分析方法，它在时域和频域上同时具有良好的局部化性质。 电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌 套小周期，小波变换能将各种交织在一起的不同频率组成的混合信号分解成不同的块信号。 对负荷序列进行小波变换可以将负荷序列分别投影到不同的尺度上，在此是使用正交二进小 波变换，而各个尺度可以近似地看作各个不同的“频带”，这样各个尺度上的子序列分别代 )l = 珊 。m 中其( 表了原序列中不同的“频域”的分量，它训更加清楚地表现了负荷序列的周期性。在此基础 上，对不同的负荷序列分别进行预测。该方法比较新颖，对突发与短丑寸的信息分析具有明显 的优势，因此正逐渐受到更多的重视。 1 2 2 基于神经网络的短期负荷预测方法综述 由于电力系统负荷具有拟周期性、非平稳性、；f h t - 线性，所以这些方法在实际应用中都 遇到了一些凼难：经典方法的理论简单便于使用，但是预测精度低；智能方法的知识库表达 和建立相当困难复杂，参数调整不灵活，限制了它的实际应用；人工神经网络方法的优点在 于它具有模拟多变量而不需要对输入变量作复杂的相关假定，不需要知道输入输出变量的函 数关系，只t 【= i j 通过对输入输出数据的训练，获得输入和输出的映射关系，从而可以很好的考 虑对负荷水平有重要影响的天气情况、日期类型等多种因素进行短期负荷预报。 以下将现有的国内外基于神经网络的预测方法进行归纳总结： 1 b p 神经网络学习方法以及网络结构的改进应用 通常用于短期负荷的神经网络的学习方法是采用标准的b p 算法，但是它有收敛速度慢 和容易陷入局部最小点的缺陷。而且网络的隐含层比较难以确定。 文献 2 】提出了一种使用人工神经网络与遗传算法相结合的方法进行负荷预测。一方面 使用拟牛顿法自适应算法改进标准的传统b p 算法，另一方面使用改进的遗传算法解决容易 陷入局部最小点的问题。该文使用改进的遗传算法反复优化a n n 模型的权值参数求得接近 需要的最佳组合，在此基础上采用了改进d s c 方法动态调整次优学习率，对动量因子采取 自适应学习算法以及采用拟牛顿法来确定学习时网络误差下降方向，使得b p 网络在学习过 程中无需经验确定的参数，收敛速度快同时不易陷入局部最小点。实际结果表明改方法不仅 计算速度快而且有很好的预测精度。 文献 3 g jh 遗传算法有指导地计算神经网络隐层节点数，从而确定一个较合理的神经 网络结构，避免了选择l 爨含层时的不科! 学性：然后由遗传算法从初始权值的解群中优选出一 优秀的初始权值，克服了初始权值选取的盲目性：最后将得到的优选的网络结构和优秀的初 始权值结合起来进行负荷预测，仿真计算表明了改方法的可行性。 文献【4 】作者首次将确定性退火方法用于短期负荷预测领域改方法的主要优点是利用退 火技巧使得学习算法有机会跳出局部极值点，同时采用分片回归模型逼近预测函数，模型简 单灵活。实际结果表明该方法可以很好解决前向网络( 包含b p 网络和径向基函数网络) 等 4 多种方法分化欠灵活易于陷入局部最小点的缺点。该文指出确定性退火算法有很深刻的统计 物理背景，而且基于聚类分析的区域分化有更大的灵活性和更好的全局最优性态，因此具有 很广阔的发展前景。 2 r b f 神经网络的应用 径向基函数网络是一种对多输入、多输出非线性系统的辨识方法，依此建立的神经网络 可实现对非线性系统的辨识和预测，因为该类型网络有高于b p 网络的收敛速度而且在预测 节假日负荷的独特优势，因而近来也受到广泛研究。 文献f 5 1 提出了一种改进的径向函数网络，该方法能够体现负荷波动性和气候对负荷的 影响，能够预测一周内的负荷变化情况，收敛递度比较快，由于采用了丛聚技术调整径向基 函数中心，又使得该算法有着较高的预测精度。该方法指山使用径向基函数网络确定最佳的 径向基函数中心是十分关键的。 文献【6 提出了应用混合g n ( g a u s s n e w t o n b f g s ) - ( b r o y d e n f l e t c h e r g o l d f a r b - s h a n n o ) 法 进行r b f 神经网络的学习算法。该方法结合g n 法与b f g s 法的特点，即可能利用问题本 身的特殊结构，又能取得超线性甚至二次渐进收敛率，因此提高了学习效率；在学习过程中， 该方法能够区分零残量和非零残最，并利用这种特点进行隐层神经元数目的自动调整，从而 很好地确定隐层节点个数保证了神经网络地学习能力和推广能力。实际电网的预测结果表 明，该方法同神经网络的其它算法相比，具有训练时间短，预测精度比较高的特点。 3 人j 神经网络和小波理论的结合应用 小波变换能够将各种交织在一起的不同频率组成的混合信号分解成在不同频带上的块 信号。对负荷预测进行小波变换可以将负荷序列分别投影到不同的尺度上，各个尺度上的序 列分别代表了原序列的周期性，因此可以将小波分析的方法用于电力系统短期负荷预测。 文献 7 使用小波分析对基于不同频段的负荷进行分类，然后对分类后的不同频段的负 荷使用人工神经网络进行训练预测。该文还建议在考虑负荷出现时段、次序时间和运行频率 等常规特征外能否考虑诸如负荷产生的无功、功率因素等其他特征的提取以便进一步细分识 别负荷。雨且还提出了对影响负荷的温度、日熙、以及经济增艮、结构转型等宏观因素使用 小波分析探索负荷变化物理实质可能性的建议。 文献 8 1 提出了小波一神经网络一p a r i m a 模型用于短期负荷预测，它利用小波变换提 取和分离负荷的各种隐周期和非线性，把小波分解的特性和分解数据随尺度倍增而倍减的规 律用于感知机神经网络( m l p ) j f h 周期自回归移动模型( r a r i m a ) 的建模，各尺度小波分解 用m l p 进行建模和预报，最大尺度上的尺度分解用p a r i m a 进行建模和预报，最后利用径 5 向基函数网络将各尺度域的预报结果组合成为负荷最终预报。实际结果表明改方法的可行 性，同时该文指出只是对这三种方法结合使用的初步尝试，有必要对其结合使用进行进一步 深入研究。 4 人工神经网络和模糊集理论的结合应用 模糊集理论适合描述广泛存在的不确定性。同时具有强大的非线性映射能力，它可以弥 补神经网络知识表达困难，难以利用调度人员经验中存在的模糊知识，因此近来也有很多人 ： 神经网络平模糊集理论结合用。r i 短期负荷预测的研究。 文献 9 作者为了追求最佳的经济效益对预测点区别对待，主要减小电力峰值时段的预 测误差，对于边际发电成本高的预测点加大权值，采用了完全平方法，崮定加权因子的加权 完全平方法和带动态的模糊化加权园子的加权完全平方法进行负荷预测，结果显示模糊化加 权因子的加权完全平方法的预测效果最好，体现了模彻集理论和神经网络方法结合的优越 性。 文献 1 0 】将负荷预测分为两步，分别为对日负荷归一化曲线的预测以及对最高负荷和最 低负荷的预测。该文根据不同的日负荷类型通过5 个不同的人工神经网络模型预测日归一化 曲线，并且通过模糊推理策略预测日负荷最大值和最小值。最，f 亓结合两者的预测结果得到最 终的负荷预测值。这样既发挥了人工神经网络自学习自适应的优点，也发挥了模糊推理策略 能够处理不确定问题的能力。 5 级联神经网络的应用 级联神经网络由于可以结合不同神经网络类型发挥各自优势同时在负荷影响因素处理 上有更高的灵活性，因而也得到了很多应用。 文献 i 【】作者提出了一种双层的级联神经网络，该文作者在综合考虑天气因素的基础上 着重考虑体现负荷特性的儿个重要参数，如最高负荷、最低负荷、日平均负荷。在第一层网 络中阻以上三个量为输出作为第二级网络的部分输入，对科威特菜地的实际预测结果表明给 方法对天气变化有比较广泛的适应性，又由于提高了体现一天负荷的关键精的预测精度，因 此在整体的预测精度表现上也比较好。 文献【1 2 提出了一种基于r b f 网络和b p 网络的级联神经网络。该文分开考虑天气因素 以及历史负荷对预测负荷的影响，其中r b f 子网用于描述历史负荷的影响，b p 网络子网用 于对r b f 网络中难以描述的天气因素给出了较好的映射关系。该方法由于区别对待负荷影 响冈素，避免了因输入量值域的范同较人差异而导致某些负荷影响因素在总体的映射效果中 被歪曲甚至淹没，而且缩减了网络拓扑结构从而大大减少了预测时间。 6 6 基于相似性原理的预测模型 普通的神经网络训练模式要求历史负荷在整体上和预测负荷有很强的相似性在此基础 上的预测可以防止那些与预测日负荷特性偏差较大的数据的影响，从而有效减少训练数据 量，提高训练精度。 文献 1 3 】提出了一种确定性退火聚类方法结合神经网络的预测方法主要阁来预测日最 高负荷。确定性退火聚类的方法的本质是基于统计学原理的类推，该方法和模拟退火方法相 比较具有不依赖初始条件，以及全局最优的优点。预测的时候利用确定性退火聚类方法对历 史负荷聚类，将历史负荷分为特性相似的几个类别再针对不同的历史数据使用多层感知机 ( m l p ) 神经网络进行训练，在预测的时候根据预测日的负荷特性选择相应的网络结构。 文献【1 4 通过对负荷变化规律和影响因素的分析，提出了一种基于组合式神经网络的短 期负荷预测模型，该模型首先采用模糊聚类的方法将历史数据分为若干类别，然后针对每个 类别分别建立神经网络预测模型；预测的时候通过模式识别找到和预测日相符的类别进行短 期负荷预测。实际应用显示该模型不仅对普通工作日有较高的预测精度，对双休日和一些特 殊的情况也有较好的预测精度。 7 其他预测模型的应用 文献 1 5 提出了一种适用于超短期负荷预测的神经网络预测模型，它主要用于提前1 0 分钟到一个小时左右的负荷。通常使用神经网络进行短期负荷预测，天气因素是不可忽略的 重要因素，然而在超短期预测中，在如此短的时间内天气因素的变化将变得很小，为了更好 的满足预测实时性的需求，预测模型的简单显得更加重要。该预测模型不必考虑天气因素， 使用神经网络计算预测负荷和历史负荷的差量，模型简单，数据量很少，计算快速，适用于 在线预测，在美国某地的实际应用结果表明它的优越性。 文献【1 6 】使用的网络结构是【8 l8 1l 】，分别对每小时的负荷进行预测，并且用已知当天 小时负荷和一个差量之和来表示对应的待预测的小时负荷。在预测的时候以该差量为神经网 络的预测输出，然后加上当天该小时负荷得到预测e 1 所对应的小时负荷。由于这个差量本身 比较小，主要体现了天气等因素的影响，而作者在训练网络的时候充分考虑天气因素，因此 经过仿真论证神经网络针对这较小的差量有很好的映射作用，从而得到较理想的结果。 7 1 3 负荷预测原理介绍 1 3 1 负荷预测的分类和特点1 1 电力系统按时间期限分类，通常可以分为i 丈期、中期、短期和超短期负荷预测。长期 一般指l o 年以上并以年为单位的预测，中期指5 年左右并以年为单位的预测。短期预测则 是指一年咀内以月为单位的负荷预测，还有以周、天、小时为单位的负荷预测。其意义在于 帮助确定燃料供应计划；对运行中的电厂出力要求提出预告，使对发电机组出力变化事先得 以估计：可以经济合理安排机组检修计划；超短期负荷预测指未来个小时、o 5 个小时甚 至l o 分钟的预测。 负苟预测按行业分类可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其 它负荷预测。另外负荷预测按特性分类又可以分为最高负荷、最低负荷、平均负荷、负荷峰 谷差、高峰平均负荷、低谷负荷平均、全网负荷、母线负荷、负荷率等类型的负荷预测，以 满足供屯、用电部门的管理工作的需要。 通过分析过去长时间的历史数据我们可以认识到电力系统负荷变化是有其内部吲有的 规律性的： ( 1 ) 虽然我们在一定程度上可以控制负荷，如频率减到一定程度就自动甩负荷， 某些情况在局部地区采用电量计划分配；或者采用某种特殊的电价政策对负 荷实施影响。但是从本质上说负荷是不可控的。 ( 2 ) 负荷的另外一个特点就是负荷有按天、按周、按年的周期性变化特点。对较 长期的负荷历史记录进行分析，一般可以看出两种变化趋势。如逐步增长或 逐步减少，另一种则是按月、按周、按目的周期性变化趋势。 ( 3 ) 另外负荷变化还有一定的随机性，这主要是因为：a 用户要求总有些偶然的 变化。b 、气象条件温度、湿度、日照、风速、雾等的变化，这种因素引起 的负荷变化一般非常复杂没有很好的规律可循。 1 3 2 短期负荷预测的特点和原理u 1 1 1 7 l 由丁负荷预测是根据电力负荷的过去推测它的未来数值，所以负荷预测工作所研究的对 象是不确定事件。只有不确定事件、随机事件、才需要人们采用适当的预测技术，推知负荷 的发展趋势利可能达到的状况。这就使负荷预测具有以下明显的特点。 1 可知性原理：也就是说预测对象的发展规律，其对未来的发展趋势和状况是可以为 人们所知道的，客观世界是可以被认识的，人们不但可以认识它的过去和现在，而且可以通 过总结它的过去和现在来推测未来，这是人们进行预测活动的基本依据。 2 不确定性：因为电力负荷来来的发展是不确定的，它收到多种复杂因素的影响，而 且各种影响因素也是发展变化的。人们对于这些发展变化有些能够预先估计，有些却很难预 见到，加上一些临时变化的影响，因此就决定了预测结果的不确定性或不完全准确性。 3 条件性：各种负荷预测都是在一定的条件下作出的，对于条件而言，义可分为必然 条4 l ：f t t 假设条件两种。 4 时间性：各种负荷预测都有一定的时间范围，因为负荷预测属于科学预测的范畴。 因此，要求有比较确切的数量概念，往往需要指明预测的时间。 5 多方案性：由于预测的不准确性和条仆性，所以有时要对负荷在各种可能发展情况 下进行预测，就会得到各种条件下不同负荷预测方案。 6 连续性原理：是指预测对象的发展是一个连续统一的过程，其未来发展是这个过程 的连续。电力系统的发展存在惯性，这种惯性正是我们进行负荷预测的主要依据。 7 相似性原理：客观世界中有些事物发展之间存在相似之处，人们可以利用这种相 似性进行预测。例如：当我们预测一个新的经济开发区的用屯量的时候没有历史数据可用， 这时可以参考一个早己建成，规模和条件具有可比性的其他经济开发区，以其发展时期相对 应的用电量作为预测新区的参考。 8 反馈性原理：反馈性原理就是利j = ；j 输出返回到输入端，再调节输出结果。预测的反 馈性原理实际上是为了提高预测的准确性而进行的反馈调节；当预测结果和经过一段实践所 得到的实际值存在差距的时候，可以利用这个差距，对远期预测值进行反馈调节以提高预测 的准确性。 9 系统性原理：这个原理认为对象是一个完整的系统，它本身有内在的系统t i l t h 部的 联系又形成它的外在系统，这些系统综合成一个完整的总系统，都要进行考虑。即预测对象 的未来发展是系统整体的动态发展，而且整个系统的动态发展和它的各个组成部分和影响因 素之间的相互作用和相互影响密切相关。系统性原理强调整体最佳才是高质量的预测。 9 1 3 3 短期负荷预测基本步骤1 1 确定负荷预测的目的，制定预测计划 在预测计划中要考虑的问题主要有：准备预测的时期，所需的历史资料( 按年、按月、 按周或者按日) ，需要多少资料，资料的来源和搜集资料的方法，预测方法，用时等等。 2 调查资料和选择资料 本文中预测所需的资料主要包括历史数据，以及历史天气数据等。 3 建立预测模型 负荷预测模型是统计资料轨迹后的概括，它反映的是经验资料内部的一般特征。模型的 具体化就是负荷预测的公式。对a n n 方法的预测方案，建立预测模型包括两步：第一步， 确定a n n 的结构及其算法；第二步，选择历史数据对其进行训练。 1 4 负荷预测的误差指标【1 】 为提高区域电网总体效益，优化资源配置，我国的电力f 业正在进行“厂网分开、竟 价上网”的电力市场改革，其运营的目的是在保证安全的基础上利用市场的“杠杆作用”自 动优化资源配置，降低系统的运营成本从而降低全网的购电费。随着电力市场改革的深入开 展，负荷预测的作用更加重要，它是保证电网安全稳定运行的重要前提，是制定发电计划的 基础，在电力市场中它还是发电厂报价、电力公司安排购电的依据。直接影响电网及各发电 厂的经济效益，因此对其精度要求较高。 预删误差和预测结果的准确性关系密切。误差越人，准确性就越低：反之，误差越小， 准确性就越高。计算并分析误差的大小有着重要意义，这不仅可以客观认识预测结果l ! | 勺准确 程度，从而对利用预测资料作决策具有重要的参考价值，同时，剥于改进负荷预测工作，检 验和选川恰当的预测方法等方面也有较大帮助。 负荷预测的误差指标很多，较为常用的有： ( 1 ) 平均绝对误差 m a e = 蒋巨r 私一引 其中：m a e 表示平均绝对误差； f 表示第f 点的实际负荷值，王，表示第i 点的预测负荷实际值，n 表示负荷数据由n 个点组成。 0 平均。 由于预测误差有正有负，为了避免正负相互抵消，故取误差的绝对值，然后再进行 ( 2 ) 相对误差 r e = ( r r ) i 其中：r e 表示相对误差，其它符号同前。这是一种直观的误差表示方法，也是在电 力系统中经常使用的一种综合指标。 ( 3 ) 均方误差 m s e = i 1 备n ( 】， - 一一) 2 其中：埘e 表示均方误差，其它符号同前。 均方误差是误差平方之和的平均数，它避免了正负误差不能相加的闯题。 ( 4 ) 均方根相对误差 r m s e = 厂i 一 1 1 ( ( r f ) r ) 2 yj = 】 其中：r m s e 表示均方根误差，其它符号同前。 ( 5 ) 平均相对误差 俐朋= 去辜l ( r 只1 其中m a p e 表示平均相对误差，其它符号同前。 由于相对误差指标比绝对误差指标更直观和易于比较，因此本文取四个相对误 差指标作为文中各种发放预测效果的判断根据。它们是：相对误差、平均相对误差、 最大负荷和最小负荷的相对误差。考虑到平均相对误差加强了数值大的误差在指标中 的作用，具有明显的优点，同时也是电力系统内的正式考核标准，因此本论文以之为 主要依握。 1 5 本文所做的工作 本文研究的对象是基于神经网络的电力系统短期负荷预测。短期负荷预测的方法有 多 种，目前，神经网络预测方法受到国内外广大研究人员的高度重视，被公认为比较有效的方 法。本论文就是在此背景下，主要研究基于前向型人工神经网络中的b p 模型的短期负荷预 测方法，在总结现有理论成果的基础上主要对神经网络的算法、网络结构、短期负荷特性以 及预测模型进行研究。 1 】 本文的主要_ _ l ：= 作如下： ( 1 )g - - g e ；n - i 二模式适应度和接受概率的变步长快速b p 算法用于短期负荷预测，改善 了标准b p 算法收敛慢、容易陷入局部最小点的缺陷，因此提高了预测的精度和效 率。 ( 2 ) 研究了神经网络的网络结构，针对利片j 神经网络进行短期负荷预测时隐含层神经元 个数确定的盲目性和复杂性，利崩遗传算法全局寻优的能力获得最优的隐含层神经 元节点个数，从而优化了网络的结构，提高预测的精度。 ( 3 )以郊州地区的负荷为例，进行短期负荷特性分析，从而为后面提出预测模型提供依 据。 ( 4 )将预测列象分为普通日以及特殊节假日两种类型，分别提出预测模型，一种是针对 一般日的基于天气影响因素差异度的神经网络预测模型，另一种是针对特殊节假日 的基于模糊逻辑的预测模型，它主要用来预测有重要意义的最高负荷和最低负荷， 在此基础上使用体现负荷递增趋势的比例系数法，预测2 4 小时负荷，结合两者得到 虽终的预测结果。 2 第二章改进b p 模型用于短期负荷预测 2 1 人工神经网络基础f 1 8 】 19 】 2 1 1 人工神经网络发展历史 对于人工神经网络理论的研究，从8 0 年代开始获得蓬勃的发展，但是人类对它的探 索可以追溯到1 9 4 3 年，法国心理学家m c c u l l o c h 和数学家p i t t s 合作推山的神经元数学模型， 即著名的m p 模型。这一模型的提出开创了人工神经网络这一新兴边缘学科研究的先河。 在这之后，有关研究异常活跃。 但是到了7 0 年代后期，由于人工智能理论的日臻完善，使人们渐渐地对人工神经网 络的研究失去了以往的热情。在这1 0 多年的时间里，人工神经的研究陷入低潮。但是进入 8 0 年代以后，由于少数坚忍不拔的学者经过1 0 多年的理论研究积蓄，终于人工神经网络理 论的一系列问题取得重大的突破。其中尤其值得一提的是美国生物物理学家h o p f i e l d 于1 9 8 2 年提出的一种称为h o p f i e l d 的模型。他在建立的网络摸型中引入“能量”函数，在理论上 解决了网络稳定性的判据问题，并使网络具有联想记忆，自动分类和自动校正记忆误差的能 力。他的研究成果开阔了人工神经网络理论研究的新途径，人1 ：神经网络理论的研究进入了 一个崭新的、突飞猛进的时代。当今，比较成熟的网络模型及相应的算法有近百种、各种修 正和演变的模型，算法更多。虽然现在很难预料人工神经网络理论究竟能对世界科学的发展 起到何种推动的作用，但是这种一人脑本身组织结构，思维原理为基础，并对其进行高度抽 象和合理简化、概括的探索，无疑是一个富有挑战性，并将深刻影响对人类认识行为理解的 伟大研究工程。 2 1 2 人工神经网络的基本概念 人工神经网络又被称为连接机制模型( c o n n e c t i o n sm o d e l ) 或者称为并行分布处理模型 ( p a r a l l e lp r o c e s s i n gm o d e l ) ，是由大量的简单元件神经元广泛连接而成的，它是在现代 1 3 神经科学研究的基础上提出的，反映了人脑的基本特征。但它并不是人脑的真是描写，而只 是它的某种抽象、简化肃l 模拟。网络的信息处理是由神经元之间的相互作用来实现，知识和 信息的存储表现为网络元件互连间分布式的物理联系，网络的学习和识别取决予各神经元连 接权值的动态演化过程。神经网络是一个具有高度j f 线性的超人规模连续时间动力系统，其 最主要的特征为连续时间非线性动力学、网络的全局作用。大规模并行分布式处理及高度的 鲁棒性和学习联想能力。同时它又具有一般1 f 线性动力系统的共性，既不可预测性、非平衡 性、不可逆性、广泛连接性及白适应性等。研究这一系统的根本目的是探索人脑信息处理、 存储和搜索的机制，从而为解决客观髓界所存在的一些复杂问题开辟一条新路。 神经细胞是人类大脑的基本组成单元，从生物控制和信息处理的角度分析，神经细胞主 要是由细胞体、轴突、树突、突触构成。现代神经医学证明：每一个神经细胞通过树突接受 和组合从其他多个神经元送来的信号，如果组合和信号足够强，则神经细胞处丁激活状态， 产生一个输出信号，反之则处于抑制状态。该输出信号通过轴突乖 突触的许多分支传递到周 围细胞的输入端一树突，到达周围神经细胞输入端的信号强度取决j 二突触的强度。人脑就是 通过改变突触的强度不断学习的，所以突触是基本的记忆体。正如神经细胞是大脑的基本组 成单位，人工神经元是人丁神经网络的展基本的处理单元。模拟神经细胞的构成，神经元是 一个多输入单输出的非线性器件，每一个神经元组合米白其它许多神经元的信号，按其传 递函数电称”点函数产生一个输出信号，这个输出信号通过连接权值的作用后作为其他神经 元的输入信号。a n n 就是大量神经元按不同层次和方式连接而成的网络。 2 1 3 人工神经网络的基本特性 人工神经网络具有以下特陛： 1 并行分布处理 神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快的 总体处理能力。这特别适用于实时控制和动态控制。神经网络的全都能力来自于网络中的连 接权。当一个人工神经网络学习了某条信息之后，这象信息不是象传统计算机所做的那样， 被存放在某一处地方，而是被分散开来，存储在这个人工神经网络的每一条连接权上。连接 权既是人工神经网络的运算器的组成部分，又是它的信息存储器。连接权的数目越多，该网 络的计算能力和存储能力也就越强。信息的分布存储至少带来以下好处：容错性和较强的抗 干扰性，而信息的分布式存储为神经网络的大规模并行处理能力提供了强有力的支持。 4 2 非线性映射 神经网络具有固有的非线性特性，这源于其近似任意非线性( 变换) 能力。这一特性给 非线性控制问题带来新的希望。 3 通过训练进行学习 神经网络就通过研究系统过去的数据进行训练的。一个通过适当训练的神经网络具有归 纳全部数据的能力。因此，神经网络能够解决那些由数学模型或描述规则难以处理的控制过 程问题。神经网络能够根据外部环境的变化修正自身的组织体系与结构，形成一种动态的进 化机制，从而不断地积累和修改知识，及时修正问题求解策略。这使得神经网络特别适合于 处理某类知识，尤其是不精确的知识。神经网络可以从数据中自动地获取知识，逐步把新知 识结合到其网络结构所表现的映射函数中去，并执行逻辑的假设检验。因而任何一种人工神 经网络模型均能表现出一定的智能。 4 适应和集成 神经网络能够适应在线运行，并能同时进行定量和定性的操作。神经网络的强适应和信 息熔合能力使得网络过程可以同时输入大量不同的控制信号，解决输入信息问的互补台冗余 问题，并实现信息集成合熔合处理。这些特性特别适于复杂、大规模合和多变量系统的控制。 5 硬件实现 神经污纳过滤不仅能够通过软件而且可借助软件实现并行处理。近年米，一些超大规模 集成电力实现硬件已经问世，而且可从市场上购到。这使得神经网络具有快速和火规模处理 能力的实现网络。 2 1 4 人工神经网络在电力系统中的应用2 0 随着a n n 理论的发展，面对众多的电力系统难题，电力科技工作者开始将目光转向 a n n 理论，并已获得一些初步成果。研究的主要领域有： 1 静态和动态安全分析 随着电力系统规模的不断扩大，实时的静态和动态安全分析的重要性和困难也随之增 加，虽然已提出许多措施米解决这一难题，但效果不是很理想。用模式识别来解决这个问题 虽取得了不少成果，但其样本集的台理选取以及如何保证足够的训练精度还没有广泛适用的 有效方法。因为样本集需要包括系统中有代表性的可能的运行情况，而随着系统规模的扩大， 样本集的规模呈指数增长，存在着组合爆炸的问题。虽然a n n 原理与模式识别法类似，但 是由于a n n 的b p 模型可以模拟任意复杂的非线性关系，从而可以较好地解决训练精度问 题，但a n n 也没有解决样本集的适当选举这一难题。 2 配电刚损计算 现有的配电网线损计算方法需要有比较准确的线损与线路特征参数之间关系的同归方 程，但是影响线损的参数特征比较多，很难找到一个比较准确的回归方程。利用a n n 解决 这一问题的有点住t , a c 需要回归方程，且适儿；丁任何配电网。 3 警报处理和故障诊断 随着电力系统舰模的增火，警报处理和故障诊断对于保证系统安全、町靠运行越来越重 要，也越来越复杂，传统方法预报已难以适应这方面的需要。专家系统由于知识获取困难， 开发周期k ，通用性著，限制了它的使用a n n 开辟了解决此类问题的一条新途径。有文献 提出了b p 模型进行预报处理，其基本原理是：对丁某一给定的系统状态，一种扰动或故障 对应t - 一种警报信号这样通过识别警报的模式就可以判别系统扰动或故障所在。如果由于 设备故障，保护定制不准或测量设各误差引起警报信号中有噪音，可给出儿种可能的解答。 在b p 模型中，以警报信号做输入，扰动或故障位置作输出。和专家系统比较它的优点在于： 可从算例中自己学习，无需用规则表示：只作较小的改动，即可适用于各种情况。 2 ，2 人工神经网络算法简介 鹿用于电力系统短期负荷预测的神经网络主要是前馈型人工神经网络，研究人员最为常 川的是基于误著反向传播的的b p 网络。该模型的算法基于梯度下降法，传统的b p 算法有 学习收敛速度慢，容易陷入局部最小点等缺点。对传统b p 算法的改进主要集中在改进网络 的误差函数、激励函数、学习步跃( 即学习率) 以及动量因子等方面。通常的改进方法有惯 性矫止法、改进的惯性校正法、白适应学习速率法、以及l m 规则等方法，这些方法本文在 以f 内容有介缁，另外国内外j 大研究学者也提n 改进了很多学习方法。 文献提出了指数型能量函数替代传统的全局误差函数，形如：，= a “ 口 0 且a 1 ，b 0 ，其中e 为神经网络的输出误差平方和。当采用指数型能量函数的时候 6 有“扛舻1 浑高p 明当纠吼守翊一例绺的赠的下降速度怏于 标准竹8 p 算法，从而能较快地完成学习过程。其中尸盯“6 0 n “) 为跳跃因子。跳跃因子在 网络的学习过程中起着很重要的作用，在学习的起始阶段，误差较大，此时的跳跃因子也较 大，从而可以加快误差的下降速度，并且容易跳出局部极小；当误差下降到较小值时，跳跃 冈f 也较小，从而使收敛过程平稳，避免振荡现象的出现，阏此只要选取适台的参数口，6 j 就可以达到加快收敛的作用。 文献【2 2 】在学习方法中引入了平滑因子利遗忘因子，米加快收敛速度并解决a n n 的遗忘 问题。引入平滑系数和遗忘系数，订，7 ，7 分别代表学习速率、平滑系数和遗忘系数，调箍 隐含层到输出层的连接权为a a j ，( f ) = a e b 。十f l a c o , ( t 一1 ) + 心，o 一2 ) ，而为了加快平息 网络的剧烈振荡，取，和f 一1 时的网络连接权的平均值作为r + 1 时刻网络权值的初值。具体 公式如下：，o + 1 ) ：竺土；二堕生+ 彩。( f ) 。对隐含层到输入层采用类似的方法。 另外，在人：【：神经网络中的径向基函数网络最近也较多的用于短期负荷预测。从理论上 讲，r b f 网络和b p 网络一样可近似任何的非线性函数，两者的主要差；= i j 在于各使用不同的 作用函数，b p 网络中的隐层节点使用的是s i g m o i d 函数，其数值在输入空间中无限大的范 围内为非零值，而r b f 网络中的作用函数则是局部的。文献【5 j 【6 】f 2 3 料】 2