基于改进神经网络的农村电力系统短期负荷预测

基于改进神经网络的农村电力系统短期负荷预测 张师玲 1 李正明1 周新云1 孙俊1 张兵2 1 江苏大学电气信息工程学院 江苏镇江 212013 2 常州工学院 江苏常州 213002 摘要 为进一步提高农村电力系统短期负荷预测模型的性能 实现准确与快速预测农村电力系统短期负荷的目的 采用基于优化理论 的 Levenberg2 Marquardt算法来改进传统的 BP算法 并构造电力系统负荷预测模型 结果表明 基于 L2 M算法的神经网络预测模型具有 较高的预测精度 在农村电力系统短期负荷预测方面具有较高的使用价值 关键词 BP神经网络 L2 M算法 电力系统短期负荷 中图分类号 TP391 文献标识码 A 文章编号 0517 6611 2009 30 14892 02 RuralShort2term Load Forecasting of Power Syste m Based on Imp roved NeuralN etwork ZHANG Sh i 2ling et al School ofE lectricaland Infor mation Engineering Jiangsu University Zhenjiang Jiangsu 212013 Abstract In order to m i prove capacity of rural short2ter m load f orecasting modelofpower syste m and make short ter m load forecastingmore accurate and f as t Levenberg2 Marquardt algorithm based on optm i iz ation theory was adopted to m i prove the traditionalBP algorithm and the po wer syste m load f orecastingmodelwas constructed The results sho wed that the neuralnetwork f orecastingmodelbased on L2 M algorithm has h igher prediction accuracy and a high value in the ruralpo wer syste m short2ter m load forecasting K ey words BP neural network L2 M algorithm Po wer syste m short 2ter m load 基金项目 江苏省教育厅资助项目 J HZD06242 江苏省常州市青年科 技人才培养计划 CQ2008009 作者简介 张师玲 1985 女 山东德州人 硕士研究生 研究方向 农业电气化与自动化 农业电力系统负荷研究 收稿日期 2009206226 电力系统负荷预报是电力系统调度 实时控制 运行计 划和发展规划的前提 对电力系统的运行 控制和计划都有 非常重要的影响 因此 准确合理地预测农村电力系统负荷 编制农村电网发展规划 是实现农村电气化事业持续健康发 展 实现农村电网安全 优质 高效 低耗运营以及实现社会 效益 环境效益 企业效益协调发展的有力保证 1 人工神 经网络具有人脑的联想记忆功能 能充分逼近任意复杂的非 线性关系 有很好的实用性 目前国际上已经公认了人工神 经网络在电力系统短期负荷预测上的应用 2 其有效性得到 了证实 但是由于 BP算法本身存在容易陷入局部最小 收 敛速度慢和迭代时间长等缺点 所以会影响预测精度 为了 提高精度 笔者采用 L2 M算法来改进 BP网络 1 预测模型 农村电力系统负荷变化受多方面因素影响 如气候变化 和自然灾害 能源市场经济变化以及过高的估计发展速度 等 会使负荷变化出现差异 另一方面 负荷变化又具有周期 变化的规律性 这也使得负荷曲线具有相似性 电力系统负 荷曲线是一个非线性函数 对于抽取和逼近这种非线性函 数 神经网络是一种合适的方法 3 神经网络的优点在于它 具有模拟多变量而不需要对输入变量作复杂的相关假定的 能力 它不依靠专家经验 只利用观察到的数据 可以从训 练过程中通过学习来抽取和逼近隐含的输入 输出非线性关 系 所以神经网络技术对电力系统进行负荷预报可以使精度 大幅度提高 在对短期负荷进行预报前 一个特别重要的问题是如何 划分负荷类型和日期类型 该研究选择把 1周 7 d每天当作 一种类型 共 7种类型 另外 天气因素也考虑在其中 把一 天测得的负荷值和第二天的天气特征值作为输入量 预测日 当天的负荷值作为目标向量来进行预测建模 并把预测结果 进行了验证 得到测量值和真实值之间的误差曲线 取得了 较为理想的预测结果 2 BP神经网络及基于 L2 M 算法的网络 2 1 传统 BP神经网络 4 BP神经网络是目前应用最为广 泛和成功的神经网络之一 该网络是一种有教师并且单向传 播的多层前向网络 其结构一般包括 3层或 3层以上 由输 入层 中间层 隐层 和输出层组成 它使用 逆推0学习算 法 其基本思想是学习过程有信号的正向传播和误差的反向 传播两部分组成 当 i 1层分别为输出层和隐层时 其权值 调整公式如下 Wijk G dk yk yk 1 yk Oij G O i 1 k 1 O i 1 k r Ni 2 h 1D i 1 h X i 1 kh Oij 1 其阈值调整公式如下 H ik G 5E 5H ik G dk yk yk 1 yk G O i 1 k 1 O i 1 k r Ni 2 h 1D i 1 h X i 1 kh 2 D ik O i 1 k 1 O i 1 k r Ni 2 h 1D i 1 h X i 1 kh 3 式中 yi表示神经网络实际输出 di表示网络期望输出 Xijk 表示第 i层第 j个神经元到 i 1层第 k个神经元连接权值 Oij表示第 i层第 j个神经元输出 Hij表示第 i层第 j个神经元 阈值 2 2 基于 L2 M 算法的神经网络 5 L2 M优化算法是高斯 牛顿法的改进形式 既有高斯 牛顿法的局部特性 又具 有梯度法的全局特性 非常适合于性能指数是均方误差的神 经网络训练 高斯 牛顿算法表达式为 xk 1 xk J T xk J xk 1JT xk v xk 4 其中 xk表示第 k次迭代的权值和阈值所组成的向量 xk 1表 示新的权值和阈值组成的向量 高斯 牛顿算法较标准牛 顿算法的优点是不需计算二阶导数 但是算法中 J T xk J xk 可能不可逆 所以高斯 牛顿法可能不收敛 L2 M算法 是高斯 牛顿法的改进 其表达式为 xk 1 xk JT xk J xk LkI 1JT xk v xk 5 责任编辑 张彩丽 责任校对 张士敏安徽农业科学 Jour nal ofAnhuiAgr i Sc i 2009 37 30 14892 14893 14922 式中 I为单位矩阵 Lk为阻尼因子 L2 M算法通过增加 LkI 使得 J T xk J xk LkI 必可逆 保证了网络的收敛 L2 M算法能够根据迭代的结果动态调整阻尼因子来动 态地调整迭代的收敛方向 可使每次的误差函数值都有所下 降 算法开始时 Lk取小值 如果某一步不能减少 F x 的 值 则将 Lk乘以一个因子 H 1后再重复这一步 由于 Lk增 加 它接近于有小的学习速率的梯度下降法 因此 F x 会下 降 如果产生了更小的 F x 则 Lk在下一步被除以 H 这样 算法就接近于高斯 牛顿法 当 Lk下降到 0时 算法就变 成了高斯 牛顿法 由此可见 L2 M算法是梯度下降法和高 斯 牛顿法的结合 同时具有梯度下降法的保证收敛性和高 斯 牛顿法的快速收敛性 3 建模预测 3 1 建立输入输出矩阵 为了提高精度 可以增加网络训 练样本的数目还有增加输入向量的维数 笔者把预测日前 1 周的电力负荷值进行了统计 在每天中每隔 2 h进行 1次测 量 一天共测得 12组数据 此外 电力负荷还与环境因素有关 如最高 最低气温 等 所以还需要通过天气预报等手段获得预测日当天的天气 特征 用 0表示晴天 0 5表示阴天 1表示雨天 这里将电力 负荷预测日当天的天气特征也作为输入向量 共 15维 而目 标向量就是预测日当天的 12个负荷值 获得输入输出变量 后 要对其进行归一化处理 将数据处理为区间 0 1 之间的 数据 归一化方法有很多公式 研究中采用如下公式 x x xmin xmax xmin 6 以北方某农村 2007年 4月 10 17日的整点有功负荷 值 以及 2007年 4月 11 18日的气候特征状态量作为网络 的训练样本 预测 4月 18日的电力负荷 结果如表 1所示 其 中所有的数据都已经归一化 表 1 用电负荷和气象特征 Table1 The po wer load andm eteorological characteristic 日期 Date 电力负荷 Power load 气象特征 Meteorological characteristic 042100 105 9 0 082 4 0 094 1 0 376 5 0 800 0 0 717 6 0 388 2 0 588 2 0 823 5 0 800 0 0 388 2 0 058 8 042110 112 0 0 089 8 0 098 8 0 387 0 0 810 0 0 726 5 0 390 1 0 590 0 0 839 6 0 805 8 0 396 6 0 065 00 258 9 0 267 4 0 5 042120 126 5 0 090 6 0 100 2 0 389 0 0 820 0 0 735 4 0 409 4 0 610 0 0 849 7 0 897 8 0 420 0 0 085 40 256 9 0 276 4 0 042130 134 5 0 102 0 0 120 0 0 399 8 0 890 0 0 801 2 0 487 0 0 689 7 0 921 0 0 954 0 0 459 7 0 102 10 260 1 0 287 9 0 042140 134 0 0 100 5 0 119 8 0 398 9 0 884 0 0 801 0 0 482 0 0 680 0 0 920 8 0 949 8 0 457 8 0 100 80 231 4 0 294 0 0 042150 128 5 0 091 0 0 110 0 0 390 2 0 824 6 0 770 2 0 410 0 0 650 6 0 890 0 0 904 8 0 446 8 0 094 20 254 8 0 287 1 0 5 042160 110 5 0 082 1 0 096 7 0 380 5 0 806 6 0 702 2 0 385 3 0 587 3 0 836 7 0 809 6 0 394 0 0 062 40 262 4 0 279 9 1 042170 108 6 0 080 2 0 095 4 0 375 8 0 800 0 0 698 3 0 380 1 0 576 8 0 830 1 0 800 0 0 390 3 0 059 80 234 0 0 289 7 0 042180 121 0 0 091 8 0 102 2 0 395 9 0 945 8 0 710 7 0 415 0 0 621 2 0 824 3 0 829 8 0 416 5 0 082 00 241 0 0 296 1 0 3 2 网络设计与训练 由于输入向量有 15个元素 所以网 络输入层的神经元有 15个 至于中间层可经过反复试验取 31个 而输出向量有 12个 所以输出层中的神经元应该有 12 个 网络中间层的神经元传递函数采用 S型正切函数 tan2 sig 输出层神经元传递函数采用 S型对数函数 logsig 网络经 过训练后才可以用于电力负荷预测的实际应用 考虑到网 络的结构比较复杂 神经元个数比较多 需要适当增大训练次 数 训练参数的设定为 训练次数 5 000次 训练目标 0101 利用传统 BP和 L2 M算法来进行训练 训练结果表明基于 L2 M算法的训练误差曲线明显优于传统 BP算法 图 1 图 2 图 1 基于传统 BP算法的训练误差曲线 Fig 1 Training error curve based on traditional BP algorithm 图 2 基于 L2 M 算法的训练误差曲线 Fig 2 Training error curve based on L2 M algorithm 训练好的网络还需要进行测试才能判定是否可以投入实 际应用 这里的测试数据利用表 1中的 17日的电力负荷和 18 日的气象特征数据来预测 18日的电力负荷 检验预测误差是 否满足要求 由预报误差曲线可以看出 L2 M算法只有一个点 的预报误差相对比较大 较之传统 BP算法有较高的预算精度 图 3 图 4 4 小结 神经网络独特的结构和强大的信息处理能力为电力系统 负荷预测提供了一个有效的方法和思路 该研究针对传统神经 网络存在学习速度慢 容易陷入局部最优等缺陷 提出了基于 L2 M算法的神经网络方法 通过仿真试验验证了基于 L2 M算 法的神经网络能够有效地提高预测精度 在农村电力系统短期 下转第 14922页 14893 37卷 30期 张师玲等 基于改进神经网络的农村电力系统短期负荷预测 从协整结果可以看出 该模型拟合优度较高 但是 DW 值为 0 58 小于 5 水平下的临界值 1 30 所以该模型序列 存在自相关 消除自相关得到的协整方程为 DLRJXFZC 0 95 DLRJCSR 0 06 0 71AR 1 t 35 24 0 32 5 11 R2 0 998 Adj R2 0 998 D W 1 56 F 8 389 2 DW 值为 1 56 小于 1 57 可知模型已消除自相关 对 回归结果进行 EG两步法的第 2步 对残差进行单位根检验 ADF检验其残差 结果如表 2所示 由于残差的 ADF值 4 24 小于 1 临界值 2 65 这意味着 2变量是协整的 因此 山东省农村居民人均纯收入与其消费支出之间存在长 期的均衡关系 表 2 LR JXFZC与 LR JCSR协整关系的残差检验 ADFP 值 4 235 671 2 647 120 1 1 952 910 5 1 610 011 10 D et 0 78 et 1 t 4 24 R2 0 39 Adj R2 0 39 2 4 建立误差修正模型 通过协整分析 得到山东省农村 居民人均年纯收入与人均年消费支出之间的长期均衡关系 但如果要知道他们之间的短期动态均衡关系 即这 2个变量 偏离它们共同的随机趋势时的调整速度 必须通过建立误差 修正模型来解决 误差修正模型既考虑了长期均衡关系 又 有短期调节作用 根据以上分析 建立误差修正模型如下 D LRJXFZC 0 90 D LRJCSR 0 009 0 59ET 1 0 49AR 1 t 5 92 0 36 0 47 0 41 R2 0 76Adj R2 0 73 模型拟合度较高 其中变量的符号与长期均衡关系的符 号基本一致 误差修正项系数均为负值 符合反向修正机制 且 LRJCSR的回归系数通过了显著性检验 误差修正模型 反映山东省农村居民人均年纯收入与人均年消费支出之间 的短期动态均衡关系 3 结论 1 1978 2008年 山东省农村居民人均年纯收入和人 均年消费支出之间存在着协整关系 即存在着长期稳定的均 衡关系 从长期看 收入增长是影响农村居民消费的根本因 素 但收入增长的不确定性预期 农村居民原有的消费传统 和概念 农村居民的预期性储蓄心理等也会相应影响到农村 居民的总消费 2 在短期内 山东省农村居民的消费是不可逆转的 主 要原因是其习惯效应较大 这种习惯效应 使消费取决于相 对收入 即相对于自己过去的高峰收入 消费者易于随收入 的提高而增加消费 但不易于随收入降低而减少消费 这一 消费倾向可表现为有正截距的短期消费函数 3 山东省作为一个大省 二元经济结构突出 城乡发展 不协调 农村居民收入水平低 农村消费市场不发达 因此 在积极推进城乡统筹 建设社会主义新农村的进程