摘要：基于人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)了一個(gè)三層的BP網(wǎng)絡(luò)來實(shí)現(xiàn)電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)。經(jīng)過仿真驗(yàn)證，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是可行和有效的，其預(yù)報(bào)結(jié)果準(zhǔn)確性很高。
　　關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；電力系統(tǒng)
　　中圖分類號(hào)：TM711
　　
　　0前言
　　 電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力生產(chǎn)部門的重要工作之一，通過準(zhǔn)確的負(fù)荷預(yù)測(cè)，可以經(jīng)濟(jì)合理地安排機(jī)組啟停，減少旋轉(zhuǎn)備用容量，合理安排檢修計(jì)劃，降低發(fā)電成本，提高經(jīng)濟(jì)效益。許多學(xué)者對(duì)此進(jìn)行了研究，提出了很多種預(yù)測(cè)方法，并且及時(shí)地將數(shù)學(xué)上的最新進(jìn)展應(yīng)用到預(yù)測(cè)中去，使預(yù)測(cè)的水平得到迅速提高，負(fù)荷預(yù)測(cè)研究取得了很大的進(jìn)展。
　　1負(fù)荷的分類及其短期預(yù)測(cè)的方法
　　1.1負(fù)荷的分類
　　 負(fù)荷預(yù)測(cè)按預(yù)測(cè)時(shí)間可以分為長(zhǎng)期、中期和短期負(fù)荷預(yù)測(cè)。其中，在短期負(fù)荷預(yù)測(cè)中，周負(fù)荷預(yù)測(cè)（未來7天）、日負(fù)荷預(yù)測(cè)（未來24小時(shí)負(fù)荷預(yù)測(cè)）及提前小時(shí)預(yù)測(cè)對(duì)于電力系統(tǒng)的實(shí)時(shí)運(yùn)行調(diào)度至關(guān)重要。因?yàn)閷?duì)未來時(shí)刻進(jìn)行預(yù)調(diào)度要以負(fù)荷預(yù)測(cè)的結(jié)果為依據(jù)，負(fù)荷預(yù)測(cè)的結(jié)果的準(zhǔn)確性將直接影響調(diào)度的結(jié)果，從而對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行和經(jīng)濟(jì)性帶來重要影響。
　　1.2負(fù)荷短期預(yù)測(cè)的方法
　　 電力系統(tǒng)負(fù)荷短期預(yù)報(bào)問題的解決辦法和方式可以分為統(tǒng)計(jì)技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)等3種。統(tǒng)計(jì)技術(shù)中所用的短期負(fù)荷模型一般可歸為時(shí)間系列模型和回歸模型。時(shí)間系列模型的缺點(diǎn)在于不能充分利用對(duì)負(fù)荷性能有很大影響的氣候信息等因素，但需要事先知道負(fù)荷與氣象變量之間的函數(shù)關(guān)系，這是比較困難的。而且為了獲得比較精確的預(yù)報(bào)結(jié)果，需要大量的計(jì)算，這一方法不能處理氣候變量和與負(fù)荷之間的非平衡暫態(tài)關(guān)系。專家系統(tǒng)法利用了專家的經(jīng)驗(yàn)知識(shí)和推理規(guī)則，使節(jié)假日或有重大活動(dòng)日子的符合預(yù)報(bào)精度得到了提高。但是，把專家知識(shí)和經(jīng)驗(yàn)等準(zhǔn)確地轉(zhuǎn)化為一系列規(guī)則是非常不容易的。
　　 眾所周知負(fù)荷曲線是與很多因素相關(guān)的一個(gè)非線性關(guān)系函數(shù)。對(duì)于抽取盒逼近這種非線性函數(shù)，神經(jīng)網(wǎng)絡(luò)是一種合適的方法。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量做復(fù)雜的相關(guān)假定的能力。它不依靠專家經(jīng)驗(yàn)，只利用觀察到的數(shù)據(jù)，可以從訓(xùn)練過程中通過學(xué)習(xí)來抽取和逼近隱含的輸入/輸出非線性關(guān)系。近年來的研究表明，相對(duì)于前兩種方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報(bào)可獲得更高的精度。本文主要采用BP神經(jīng)網(wǎng)絡(luò)來對(duì)電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測(cè)。
　　2BP神將網(wǎng)絡(luò)
　　2.1BP學(xué)習(xí)算法的思想
　　 BP算法的基本思想是，學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出（教師信號(hào)）不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行預(yù)先預(yù)定的學(xué)習(xí)次數(shù)為止。
　　2.2BP神經(jīng)網(wǎng)絡(luò)的組成及作用
　　 BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)生歸功于BP算法的獲得，它有一個(gè)輸入層、一個(gè)輸出層和一個(gè)或多個(gè)隱含層，同層神經(jīng)元間無關(guān)聯(lián)，各層神經(jīng)元間向前連接，根據(jù)對(duì)象的復(fù)雜程度，選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)，就可以實(shí)現(xiàn)從輸入空間到輸出空間的任意非線性函數(shù)的映射。
　　 BP神經(jīng)網(wǎng)絡(luò)主要用于：（1）函數(shù)逼近，即用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)；（2）系統(tǒng)辨識(shí)和預(yù)測(cè)，即用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來；（3）分類，即把輸入矢量以所定義的合適方式進(jìn)行分類；（4）數(shù)據(jù)壓縮，即減少輸出矢量維數(shù)以便于傳輸或存儲(chǔ)。
　　3短期負(fù)荷預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
　　3.1輸入/輸出向量設(shè)計(jì)
　　 在預(yù)測(cè)日的前一天中，每隔2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行1次測(cè)量，這樣一來，一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變。因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。
　　 此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，比如最高和最低氣溫等，因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高氣溫、最低氣溫和天氣特征值（晴天、陰天還是雨天）。以此形式表示天氣特征值：0——晴天，0.5——陰天，1——雨天。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)天的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此，輸入變量就是一個(gè)15維的向量。
　　 顯而易見，目標(biāo)向量就是預(yù)測(cè)日當(dāng)天的12個(gè)負(fù)荷值，即一天中每個(gè)整點(diǎn)的電力負(fù)荷。這樣一來，輸出變量就成為一個(gè)12維的向量。
　　 在獲得輸入和輸出變量后，要對(duì)其歸一化處理，將數(shù)據(jù)處理為區(qū)間[0,1]之間的數(shù)據(jù)。歸一化方法有很多種形式，本文主要采用如下公式（3.1）。
　　（3.1）
　　3.2BP網(wǎng)絡(luò)設(shè)計(jì)
　　 對(duì)于BP網(wǎng)絡(luò)的設(shè)計(jì)，一般的預(yù)測(cè)問題都可以通過單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)。由于輸入向量有15個(gè)元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有15個(gè)，根據(jù)Kolmogorov定理可知，網(wǎng)絡(luò)中間層的神經(jīng)元可以取31個(gè)。而輸出向量有12個(gè)，所以輸出層中的神經(jīng)元應(yīng)該有12個(gè)。網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig。這是因?yàn)楹瘮?shù)的輸出位于區(qū)間[0，1]中，正好滿足網(wǎng)絡(luò)的輸出要求。其相關(guān)的Matlab程序代碼為：
　　Threshold=[0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1;0,1]
　　Net=newff(threshold,[31,12],{‘tansig’,’logsig’},’trainlm’)
　　3.3網(wǎng)絡(luò)訓(xùn)練
　　 網(wǎng)絡(luò)經(jīng)過訓(xùn)練后才可以用于電力負(fù)荷預(yù)測(cè)的實(shí)際應(yīng)用。考慮到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜，神經(jīng)元個(gè)數(shù)比較多，需要適當(dāng)增大訓(xùn)練次數(shù)和學(xué)習(xí)速率。其訓(xùn)練參數(shù)及代碼如下：
　　Net.trainparam.epochs=1000;
　　Net.trainparam.goal=0.01;
　　Net.trainparam.lr=0.1;
　　Net=train(net,p,t)
　　4BP神經(jīng)網(wǎng)絡(luò)仿真及分析
　　 本文以河南省漯河市2008年7月11日到7月21日的整點(diǎn)有功負(fù)荷值，以及2008年7月12日到7月22日的氣象特征狀態(tài)量作為網(wǎng)絡(luò)的訓(xùn)練樣本，預(yù)測(cè)7月23日的電力負(fù)荷。利用Matlab仿真結(jié)果如圖1所示。
　　                        
　　                                              圖1BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果
　　 由仿真結(jié)果可以看出，經(jīng)過6次訓(xùn)練后，網(wǎng)絡(luò)的誤差已經(jīng)小于0.01，達(dá)到了要求。
　　5結(jié)論
　　 本文提出了用BP神經(jīng)網(wǎng)絡(luò)對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)，并且利用Matlab進(jìn)行仿真，其仿真結(jié)果與實(shí)際值非常接近。可見文中所使用方法可以很好的對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)，并且具有很好的實(shí)用價(jià)值。
　　參考文獻(xiàn)
　　1趙林明，胡浩云，魏德華等。多層前向人工神經(jīng)網(wǎng)絡(luò)[M]。北京：清華大學(xué)出版社，1998
　　2劉晨輝。電力系統(tǒng)負(fù)荷預(yù)報(bào)理論與方法。哈爾濱工業(yè)大學(xué)出版社，1987.12
　　3袁曾任。人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用。清華大學(xué)出版社，1990.1
　　4葛哲學(xué)，孫志強(qiáng)。神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)。電子工業(yè)出版社，2008.5。