人工神经网络在电力系统短期 负荷预测中的应用

1/10人工神经网络在电力系统短期负荷预测中的应用广东电力GUANGDONGELECTRICPOWER1999年第2期1999人工神经网络在电力系统短期负荷预测中的应用欧建平李丽娟摘要提出了基于多层前馈神经网络误差反向传播BP模型的电力系统短期负荷预测的方法，根据电力系统短期负荷变化的特性建立了既反映电力系统负荷连续性、周期性及其负荷的变化趋势，又包含天气变化对系统负荷的影响的日负荷模型，以此作为对BP神经网络进行训练的向量样本集。通过实例表明ANN应用于电力系统短期负荷预测是可行的，有效的，其预报结果比传统的负荷预测方法更准确。关键词多层前馈神经网络BP算法负荷预测ABSTRACTONTHEBASISOFTHEBPMODELOFMULTILAYERFEEDFORWARDNEURALNETWORKMLFNN,THISPAPERPRESENTSASHORTTERMLOADFORECASTMETHODFORPOWERTOTHEVARIATIONCHARACTERISTICSOFSHORTTERMSYSTEMLOAD,ADAYLOADMODELWHICHNOTONLYREFLECTSTHECONTINUITY,PERIODICITYAND2/10VARIATIONTRENDOFSYSTEMLOADBUTALSOINCLUDESTHEEFFECTSOFWEATHERONTHELOADISSETUPASTHEVECTORSAMPLESETFORTRAININGTHEBPNEURALEXAMPLESINDICATETHATTHEAPPLICATIONOFANNTOSHORTTERMLOADFORECASTISFEASIBLEANDEFFECTIVE,ANDCANPRODUCEMOREACCURATERESULTSTHANCONVENTIONALMETHODKEYWORDSMLFNN,BPALGORITHM,LOADFORECASTING电力系统负荷预测无论是对于制订电力系统规划还是实现电力系统运行自动化、安全发供电等都有着十分重要的意义。应用人工神经网络ARTIFICIALNEURALNETWORK，简称ANN解决时间序列平稳随机过程预报问题，克服了传统的电力负荷预测方法主要是把负荷预报的不确定性归为随机性，用线性或分段线性表达作为负荷预报函数，运用概率及数理统计方法进行处理所存在的缺点如模型的定阶、求解、识别困难，模型适应性不强，建模所需的数据量大、运算速度慢以及预测精度不高等。1日负荷模型的构成电力系统负荷变化有明显的周期性和周日性每周的同一天，天气变化引起的负荷波动是电力负荷变化的主要因素，N时刻负荷的变化量在某种程度上反映了天气的变3/10化情况。将负荷型以向量每小时的负荷量的方式表示，所有的自变量相对神经网络都是输入量中的分向量，这样，自变量在一定种度上隐含了天气变化与负荷之间的函数关系。因此对于日负荷模型可由日基础负荷型和负荷影响因子模型两部分构成。日基础负荷模型日基础负荷反映的是负荷自身变化的基本规律，具有周期性和周日性的特征，代表负荷的连续性。MLN,T1WWI1LN,T式中MLN,T日基础负荷；LN,T第N天T时刻的实际负荷；W加权系数，取0W1；I负荷模型应用历史数据长度，I1,2,。负荷影响因子模型实际上，实际负荷量包括了随机因素影响负荷变化的结果，故可用近期的历史负荷数据作为未来负荷变化的随机变化因子。EN,TLNX,TT0,1,，23；X1,2,，6ELN,TEN,TMLN,T式中EN,T未来负荷变化的随机变化因子；4/10ELN,T负荷变化量。日负荷模型另外，考虑到T时刻的负荷对TI时刻负荷变化存在影响，则可取第N1天中最后的J个小时的负荷LN1,J作为第N天日负荷模型的关联补充量。故日负荷模型可表示为MN,TMLN,T，ELN,T，LN1,T式中MN,T第N天第T小时的负荷模型。利用日基础负荷模型及取近期的实际负荷生成新的日负荷模型既反映了电力系统负荷连续性，周期性及其负荷的变化趋势，同时又包含了天气变化对系统负荷变化的影响。2用于负荷预报的BP神经网络拓扑结构用于负荷预报的神经网络采用3层BP神经网络，分为输入层、输出层和隐含层，如图1所示。其中输入层有N个元素，隐含层有M个元素，输出层有L个元素。网络响应函数为图1三层前馈网络结构5/10设NETX节点X的输入；OX节点X的输出；WXY节点X和节点Y的连接权；J隐含层的校正误差；K输出层的校正误差；J隐含层的阈值；K输出层的阈值；YT期望输出；下标I输入层节点I,1IN；下标J隐含层节点J,1JM；下标K输出层节点K,1KL。模式正向传播将样本集中的输入信号由输入层经隐含层传向输出层。输入层NETIAI，OINETI隐含层,OJFNETJ输出层,6/10OKFNETK误差反向传播网络的期望输出与网络的实际输出之差的误差信号由输出经隐含层向输入层修正连接权值。校正误差输出层KOK1OKYKOK,隐含层修正权值WPJKKOJWPIJJOIWJKWPJKWIJWPIJWJKN1WJKNWJKWJKNWJKN1WIJN1WIJNWIJWIJNWIJN1以上各式中学习速率；冲量，以此来加快学习的收敛速度；N迭代次数。BP网的训练过程由“模式正向传播”与“误差反向传播”反复交替7/10进行的网络学习过程，即根据教师示教的期望输出与网络实际输出的误差调整连接权值的过程。随着训练进行，网络的实际输出逐渐向各自对应的期望输出逼近。取P个学习样本构成训练网络的输入矩阵A11A1N，Y11Y1LA21A2N，Y21Y2LAP1APN，YP1YPL学习过程的具体步骤A对样本数据进行规一化处理。B初始化。置权矩阵WIJ,WJK的全部元素和阈值向量J,K为随机小数，给冲量、学习速率赋予0，1的初始值。C输入1个样本向量，网络向前计算节点输出1读入样本集第P个样本向量AII1，N和YKK1，L；2计算隐含层的输入和输出；3计算输出层的输入和输出；4计算学习样本的输出误差；5若所有的样本计算完毕，转到下一步骤D，否则返回步骤C继续输入新的一个样本向量。8/10D修正权值，网络逐级往后计算权值增量。E返回步骤C重复计算，直至误差充分小为止。BP网络经训练后，可按步骤C中13步进行网络回想，即输入N时刻的样本向量AII1，N，网络根据已训练的连接权和阈值分别计算隐含层的输入和输出，输出层的输入和输出。而输出层的输出则为N1时刻的负荷预报值。从以上可以看出，给定模式对AII1，N和YKK1，L，要求网络通过调节所有的连接权和神经元的阈值，使得网络实际输出逼近我们所期望的目标输出；一旦完成这种调节，再给出另一模式对AII1，N和YKK1，L,要求网络继续完成这对样本的学习。直至达到要求的误差精度。实际上是要求网络寻找单一的一组连接权和偏置，以满足人为给定的输入、输出模式对。由于3层BP网络具有逼近任意复杂连续函数关系的能力，因而非常适用于对时间序列进行预测。基本思想多层前馈网络用于时间序列预测的基本思想是将过去时间序列的样点值作为网络的输入，而将以后的序列值作为网络的输出，以此来训练这个网络。网络的训练过程即是权值和阈值的调整过程。当训练成功后，此网络即9/10可作为非线性预测器。对于新的时间序列样点值，网络经计算得到相应的输出即为其预测值。3预报实例采集某地区近期的实际历史负荷数据生成负荷模型向量样本集。网络的初始权值为0，1的随机小数，训练步长选为，利用已生成的负荷模型向量样本集对BP神经网络进行训练。BP神经网络负荷预测模式如下YNFWN,MLN,ELN,YN1式中YN第N天的预测负荷向量，YNYN,TT0,1,，23YN，T第N天第T小时的预测负荷；WN神经网络的权向量矩阵；MLN第N天日基础负荷模型向量，MLNMLN,TT0,1,，23；ELN第N天负荷影响因子模型向量，ELNELN,TT0,1,，23；FANN非线性向量函数。BP网络经训练后，进行负荷预测输出，与实际负荷比较，其结果如表1。表1负荷预测结果时间实际负荷/预测负荷/相对误差时间实际负荷10/10/预测负荷/相对误差0时12时1时13时2时14时3时15时4时16时5时17时6时18时7时19时8时20时9时21时10时22时11时23时4结论本文提出了对短期负荷预测的神经网络方法，并进行仿真计算，其结果表明本文的方法是一种较好的预测方法。对于神经网络而言，只要给出具体的数据样本和学习方法，它就可以据此进行训练，从而给出所期望的目标输出。各种各样的负荷，它都认为是输入输出的数据对，即具体的对象相对神经网络是抽象的和透明的。神经网络只是根据给定