外文翻译-伊朗国家电网利用人工神经网络的短期负荷预测

英文原文ShortTermLoadForecastingofIranNationalPowerSystemUsingArtificialNeuralNetworkGenerationTwoR.Barzamini,M.B.Menhaj,Sh.Kamalvand,A.TajbakhshAbstractThispaperpresentsaneuro-basedshorttermloadforecasting(STLF)methodforIrannationalpowersystem(INPS)anditsregions.Thisisanimprovedversionoftheonegivenin1.Thearchitectureoftheproposednetworkisathree-layerfeedforwardneuralnetworkwhoseparametersaretunedbyLevenberg-MarquardtBP(LMBP)augmentedbyanEarlyStopping(ES)methodtriedoutforincreasingthespeedofconvergence.Insteadofseasonaltraining,aninputasamonthindicatorisaddedtotheinputvectors.TheshorttermloadforecastingsimulatordevelopedsofarpresentssatisfactoryandbetterresultsforonehouruptoaweekpredictionofINPSloadsandregionofINPS,BakhtarRegionElectricCo(BREC).I.INTRODUCTIONLoadforecastinghasalwaysbeentheessentialpartofanefficientpowersystemplanningandoperation.Generallytherearetwogroupsofforecastingmodels,traditionalmodels(model-basedtechniques)andmoderntechnique(knownasmodel-freetechniques).Traditionalloadforecastingmodelsaretimeseriesandregressionanalysis.Inrecentyears,computationalintelligencemethodsaremorecommonlyusedforloadforecasting2-10.Multilayerfeedforwardneuralnetworksasuniversalapproximatesareverysuitableforloadforecastingbecausetheyhaveremarkableabilitytoapproximatenonlinearfunctionswithanydesiredaccuracy.Selectionoftheinput-outputtrainingdataandinputvectoroftheneuralnetworkplaysacrucialrole.Essentiallyinourcase(loadforecastingproblem)theMLP-basednetworksaregreatlyaffectedbyselectionofinputs.Daytype,Monthtype,historicalloaddataandweatherinformation.Howtochoosethehourlyloadinputsforeachweeklygroupplaysanimportantroleinimprovingnetworksperformance(sectionII).ThesecondNirooResearchInstitute(NRI)STLF(NSTLFII)programisbasedonathree-layerfeedforwardneuralnetworkbuildingblock.ForthetrainingofthisMLP,insteadofconventionalbackpropagation(BP)methods,theLevenberg-MarquardtBP(LMBP)andEarlyStopping(ES)methodswasemployedinordertoreachtheoptimumnetworksparametersfaster,andalsoinsteadofseasonaltrainingthemonthinputwasaddedtotheinputvectors(sectionIII).SomeexamplesoftheNSTLFIIperformancearepresentedusingINPSactualloadandtemperaturedataoftheyear2000andregionofINPS,BakhtarregionelectricalCo(BREC)actualloadandtemperaturedataoftheyear2002(sectionIV).Futureworkscanaddressthefuzzysystemapplicationforspecialconditionsandreshapingtheloadshapesbychargingthepeakload(sectionV).II.INPUTSELECTIONSelectionofproperandoptimalnumberofinputswouldresultahigheraccuracyandconvergencespeedinamultiplayerfeedforwardneuralnetwork.Mostofloadforecastingmethodsuseweatherinformation,loadpowerofthedaysbeforeforecastday,monthdayanddayforinputvariables.Daytypeisjustifiedbycorrelationanalysisonthehistoricalloadinformation.BycorrelationanalysistheloadshapesofINPS,anditsregionsaweekisdividedinto4groups:Saturdays(firstdayoftheweek),SundaystoWednesdays(workdays),ThursdaysandFridays(weekends).Foreachgroup,mosteffectivelags(loadoftheprevioushours)onhourlyloadwereselectedbycorrelationanalysis11.Table1showstheselectedlagsforeachweeklygroup.Forexamplefirstrowintable1saysthatforGroup“Saturdays”loadsofonehour,twohours,andfinally169hoursearlierareusedtopredictthefutureload.Temperatureisthemosteffectiveweatherinformationonhourlyload.Inthiswork,temperatureofthreecities,representinghot,moderateandcoldcitiesoftheregionofinterestconstituteapartoftheMLPsinputvector.Forexample,theselectedcitiesofBakhtarregionareHamedan(cold),Arak(moderate)andKhoramabad(hot)andInsteadofusingtemperaturesofallcitiesinIran,temperaturesofAhvaz,TehranandTabrizwereselected,bycorrelationanalysis,asrepresentativesofhot,moderateandcoldregiontemperatures,respectively11.Thenumberofmonthisthelastinputused.TABLE1SELECTEDLOADLAGSFORWEEKLYGROUPSIII.NSTLFIIInthefirstgenerationofNSTLF(NSTLFI),MLPsofeachweeklygroupweretrainedforeachseasonseparately,whileintheNSTLFIIbyusingmonthnumberinput,onlyoneMLPperaweeklygroupisneeded.TheselectedtrainingmethodisLMBPusingES.LMBPmethodincreasesthespeedofconvergencefromtentoonehundredtimesfaster16.ESmethodisusedforimprovinggeneralization.Inthistechniquedataisdividedintothreesubsets:training,validationandtestsets.TrainingsetisusedforcomputingandupdatingtheMLPweightsandbiases.Forthevalidationsets,whenitserrorincreasesforaspecifiednumberofiteration,thetrainingisstoppedandtheweightsandbiasesarereturned.ThetestsetsisusedtoverifytheMLPdesign.ByusingtheEStechniqueforincreasingthespeedofconvergence,instatedofafourlayerfeedforwardMLP,athree-layerfeedforwardMLPbuildingblockhasbeenused.Generally,neuralnetworkswithahiddenlayerhavetheremarkableabilitytoapproximatemostnonlinearfunctionswithadesiredaccuracyifthereareenoughhiddenneurons.Therefore,themodelshowninFig.1iscomposedofthreelayers,andeachlayerhasafeedforwardconnection.Inthismodel,inputsforeachweeklygroupareseparatelytrainedbyanMLP.Theinputlayerforhourlyloadforecastofeachweeklygroup,Saturdays,workdays,ThursdaysandFridays,hasrespectively13,19,16and19neurons(consistingofselectedloadlagsand3representativesforecastedtemperaturesand1nodetoindicatemonth).Throughadeepinvestigationwefoundthatahiddenlayerwith5neuronsworksquitewell.Ofcourse,thenetworkhasoneoutputneuron(Theforecastedload).TovalidatethequalityofthedevelopedMLP,werunitwithyear2000loaddataofINPSandyear2002loaddataofBREC,inordertobeabletojudgethemeritofthemethod.Neuronsinthehiddenandoutputlayershavenonlineartransferfunctionknownasthetangentsigmoid(tansig)function:Fig.1.TheMLParchitectureforeachweeklygroupTheweightedinputsreceivedbyatansignodearesummedandpassedthroughthisnon-linearfunctiontoproduceanoutput.Thetansigfunctiongeneratesoutputsbetween1and+1anditsinputsshouldbeinthesamerange.Asaresult,itisnecessarytolimittheMLPinputsandtargetoutputs.Mean-standarddeviationandminimum(min)-Maximum(max)normalizationmethodshavebeentestedandmin-maxMethodhasbeenselected:Thisnormalizationmethodhasalsotheadvantageofmappingthetargetoutputtothenon-saturatedsectoroftansigfunction.Thisprocesshelpsinimprovingtheaccuracyofboththelearningandforecastingmodes.TheMLPscanbetrainedforeachweeklygroupofayearandtherelatedweightsandbiaseswillbegainedandusedforforecasting.Auser-friendlyinterfacehasalsobeendesignedforNSTLFIIwhichgivestheuserstheabilitytoconvenientlytune,constructandutilizetheMLPs.Itcanbeusedforonehouruptoaweekloadforecasting.ThefirsthourloadisforecastedandthenitisusedasoneoftheMLPinputsforthepredictionofthenexthoursload.Consequently,theerrorofeachhourloadsforecastwillinfluencethepredictionofnexthoursload.However,theproposedmethodeventuallypredictsthefutureloadseffectively.IV.PERFORMANCEThissectionpresentsexamplesoftheNSTLFIIperformanceusingactualloadandtemperaturedataofINPSintheyear2000andBakhtarregionofINPSintheyear2002.Tocomparetheactualloadwithforecastedload,weusemeanabsolutepercentageerror(MAPE).TheMAPEisdefinedasfollows:Whereistheactualload,istheforecastedload,andNisthenumberofpredictedhours.Theperformanceoftheproposedmethodhasbeendepictedusingsomeexamples.Fig.2showsloadforecastingresultsforINPSfromAug.12toAug.18,2000byNSTLFIandNSTLFII.Thecorrespondingerrorsare2%and0.96%respectively.Fig.3showsloadforecastingresultsforINPSfromSep.23toSep.30,2000byNSTLFIandNSTLFIIthattheirforecastingerrorsare1.89%and1.3%,respectively.Table2presentsthedifferencesbetweenthenewgenerationandthepreviousgenerationerrorratesinthesameperiodoftimedepictedinfigures2and3,inmoredetails.Itisclearthattheperformanceofthenewgenerationisbetterthattheoldgeneration.Fig.4andfig.5showexamplesofNSTLFIIforecastingperformancewithBRECloaddata.Fig.4showsweeklyloadforecastingofBRECfromOct.27toNov.3,2002byNSTLFIIthatitsforecastingerrorisabout2.1%.Fig.5showsanexampleofdailyloadforecastingofBRECforJul.21,2002byNSTLFIIthatitsforecastingerrorisabout1.5%.V.CONCLUSIONSOneofthemostsuccessfulapplicationsofMLPtorealworldproblemshasbeenelectricalloadforecasting.Inthispaper,NSTLFIIprogramdevelopedforINPSanditsregionwaspresented,whichisbasedonathree-layerfeedforwardMLPbuildingblock.Theprogramhasfastconvergence,duetotheuseofLMBPtrainingmethod,whileESmethodimprovesgeneralizationanditsperformanceissatisfactoryforonehouruptoaweekloadforecasting.Toimprovetheaccuracyoftheprogramforspecialconditionssuchasholidaysloads,timechanging,andalsoforsuddenloadchangescausedbyweatherfrontandetc.fuzzyexpertsystemsandreshapingtheloadshapesbychargingthepeakloadcanaddressforfuturework.Fig.2.(a)Actual,NSTLFIandNSTLFIIforecastedhourlyloadsofINPSfromAug.12toAug.18,2000.Fig.2.(b)Actual,NSTLFIandNSTLFIIforecastedhourlyloadsofINPSforAug.15,2000.Fig.3.(a)Actual,NSTLFIandNSTLFIIforecastedhourlyloadsofINPSfromSep.23toSep.30,2000.Fig.3.(b)Actual,NSTLFIandNSTLFIIforecastedhourlyofINPSforSep.24,2000.TABLE2COMPARISONOFTHEFIRSTANDTHESECONDGENERATIONNSTLF,FORECASTERRORS(MAPE).Fig.4.ActualandNSTLFIIforecastedhourlyloadsofBRECfromOct.27toNov.3,2002(MAPE=2.1%).Fig.5.ActualandNSTLFIIforecastedhourlyloadsofBRECforJul.21,2002(MAPE=1.5%),withNSTLFII.中文译文伊朗国家电网利用人工神经网络的短期负荷预测第二代R.Barzamini,M.B.Menhaj,Sh.Kamalvand,A.Tajbakhsh摘要本文对伊朗国家电网及其相关区域提出了一种神经网络为基础的短期负荷预测方法。这是第一代中的一个改进的版本，该架构拟议的网络是一个三层前馈神经网络,这个神经网络的参数是通过由一个提前停止方法尝试提高收敛速度而优化了的BP算法来调整的。替代季节性输入指标的是月输入指标被添加为输入向量。短期负荷预测模拟技术目前的发展是如此地令人欣慰和完善，以至于一个小时就可以预测到伊朗国家电网及其该领域的巴赫塔地区电气公司（BREC）在未来一周的负荷走向。引言负荷预测一直是电力系统规划和运行必不可少的组成部分。一般有两组的预测模型，传统模型（以模型为基础的技术）和现代技术（也称为无模型技术）。传统的负荷预测模型是时间序列和回归分析。近年来，计算机智能方法也被普遍用于负荷预测2-10。多层前馈神经网络非常适合负荷预测因为它们具有普遍近似性，它们让人值得注意的优点，就是用近似非线性函数来满足任何想要的精确度。神经网络的输入输出数据和输入向量的选择对负荷预测起着至关重要的作用。我们这种方案的本质（负荷预测问题），是以MLP为基础的神经网络受输入量的影响大。日预测类型，月预测类型，受历史负荷数据和气象资料的影响大。如何选择每小时负荷输入量对周负荷预测发挥着重要的作用（第二部分）。NSTLFII计划是基于三层前馈神经网络的。为调正MLP网络的性能，采用LMBP和ES方法，因为它们可以使达到最佳神经网络参数的速度更快。而没有采用传统的反向传播（BP）的方法，也没有季节性训练本月投入增加输入向量（第三部分）。2000年伊朗国家电网的实际负荷和温度数据和2002年该领域的巴赫塔地区电力公司（BREC）实际负荷和温度数据就是NSTLFII使用性能的实例。（第四部分）未来的工作着重于用模糊专家系统在特殊条件下的应用和利用通过改变高峰负荷来改变负荷类型的方法去解决问题（第五部分）。输入选择在一个多层前馈神经网络，选择适当的和最佳数目的输入将会有更高的精度和收敛速度。大部分的负荷预测方法，利用气象资料，预测前的一天的负载功率，一个月中每天的输入变量。在历史负荷信息的相关分析上日预测类型是被认为相当合理的。通过相关分析，伊朗国家电网及其领域的周负荷预测曲线被分为四组：星期六（每周的第一天），星期日到星期三（工作日），周四和周五（周末）。对于每一个组，在时负荷预测最有效的滞后（在该时之前的负荷）可以由相关性分析的方法来选定11。表1显示了周负荷预测中每组的的滞后选定。例如表1第一列表示为分组“星期六”负荷的一个小时，两个小时，直到最后一百六十九小时之前是用来预测未来负荷。在时负荷预测中气温是最有效的天气资料。在这项工作中，这三个城市的气温分别是代表该区域热，温和的和冷的城市，它们构成了MLP输入向量。例如，在选定城市中的巴赫塔地区Hamedan（冷），Arak（中度）和Khoramabad（热），而不是使用伊朗国家所有城市的气温，Ahvaz,Tehran和Tabriz三个城市的气温被选中，通过相关分析，分别作为代表热的，温和的和寒冷地区的气温11。这个月的数据是上个月的输入量。表1周负荷预测中负荷滞后的选定周负荷预测组负荷滞后的选择星期六1，2，3，23，24，25，167，168，169工作日1，2，3，23，24，25，47，48，49，147，148，149，167，168，169星期四1，2，3，23，24，25，47，48，49，167，168，169星期五1，2，3，23，24，25，167，168，169，191，192，193，335，336，337NSTLFII在第一代NSTLF（NSTLFI），MLP网络中足够负荷预测中的每个组分别为每个季节都进行了预处理，而在NSTLFII利用月数据输入，只有一组是必要的。选定的数据预处理训练方法是LMBP。LMBP方法使收敛速度提高了10到100倍的速度16。专家系统方法是用于改善泛化。在这种技术的数据分为三个子集：数据预处理，检验和测试。数据与处理是用于计算和更新网络中不合理的数据。对检验来说，其误差由于一定数量的迭代而增加，数据与处理将会阻止这种情况的发生。测试是用来验证该网络的设计。利用ES技术，提高收敛速度，一个三层前馈神经网络已被使用，而不是四层前馈神经网络。一般来说，带有隐层的神经网络如果有足够隐藏神经元的能力，那么在近似非线性函数与理想的准确性就有突出的优点。因此，该模型如图1，它是由三个层次组成的，每一层有一个前馈连接。在这个模型中，每周组的输入量都是分别通过MLP网络进行数据与处理的。每周组时负荷预测的输入层，每周周六，工作日，周四和周五，分别有13，19，16和19个神经元（包括选定的负载滞后的3个预测温度和1个节点，以显示一个月）。通过深入调查，我们发现，带有五个神经元的隐层网络的预测效果是相当不错的。当然，网络有一个输出神经元（预测负荷）。为了使成熟的MLP网络的特性更为有效，我们与2000年伊朗国家电网的数据和2002年该区域的巴赫塔地区电气公司的数据来运行它，以便能够判断的这种方法的优点。神经元的隐藏和输出层的非线性传递函数称为切线函数：(1)1)2(1)(xepxf图1.周负荷预测每组的MLP网络结构图输入负荷被切节点接受并加以总计，并通过这种非线性函数产生一个输出。函数产生输出值介于-1和+1之间并且输入值也应在同一范围内。因此，有必要限制MLP网络的输入值和目标输出值。平均标准偏差和最小最大值标准化的方法已经通过测试，而且最小最大值正常化的方法已选定：(2)12最小最大最小实际标准化XX这种标准化方法对切函数的非饱和部分目标输出的绘图也是很有利的。这个过程有助于改善学习和预报模式准确性。MLP网络可以提供一年中周负荷预测的每组数据而相关异常数据的也将获得并用于预测。用户友好界面