基于连云港市的电力系统短期负荷预测研究

刘 明

（国网江苏省电力公司连云港供电公司，江苏 连云港 222004）

基于连云港市的电力系统短期负荷预测研究

刘 明

（国网江苏省电力公司连云港供电公司，江苏 连云港 222004）

对连云港市负荷特性深入分析后进行了短期负荷预测的研究，简要介绍了误差反向传播算法即BP算法的结构和原理，并将BP算法用于短期负荷预测，简单高效可行，但由于该算法收敛的时间较长、且容易陷入局部极小点，故在后文提出了用粒子群算法优化BP神经网络的新型算法，该算法能够有针对性地优化网络结构中的权值和阈值，在不断迭代的情况下，使得预测误差向减小的方向训练。实例表明，优化后的模型预测结果准确率有了较大程度提高，满足了负荷预测的基本要求。

负荷预测；负荷特性；BP算法；粒子群算法；模型；优化

负荷预测工作是电力企业调度、用电、计划、规划等部门的重要工作内容之一，电力负荷预测水平的高低也是衡量现代电力发展程度的重要标志。提高电力系统负荷预测水平，有利于计划用电管理，节约一次能源和降低发电成本，提高电力系统的经济效益和社会效益。电力系统短期负荷预测具有重要的意义，对电网在城市中的负荷预测进行了深入的研究之后，概括了电网负荷预测目前的研究状况，总结了研究方法的特性［1－3］。

根据连云港市2012年8～12月的电网实时负荷，研究该地区的负荷特点，进行了细致全面的分析，将应当考虑的相关因素尽可能考虑到位，考虑因素包含了对天气情况、日期种类和负荷数据的分析。负荷预测前，需要做原始数据、天气和日期样本的整合和归一化处理。负荷预测中使用的方法是较完善的误差反传（BP）神经网络算法。在明确网络结构时，需要对所有相关因素进行分析。进行了足够多的试验之后，可以明确神经网络中最好的BP算法训练函数、隐含层节点数和节点传递函数。当有了电网实时的数据之后，可以通过确立24个预测模型来预估24个整点的负荷。

为了使BP神经网络更加完善，在对其权值和阈值进行初始化，经过粒子群优化算法之后，参照降低预测误差的方法进行，这样得到了更佳的预测参数和结论。

1 短期负荷预测的基础

对地区电网做负荷预测，要考虑到其具有很突出的周期性和随机性，要做好全面掌握地区负荷客观存在的长期周期性变化情况的准备。电网负荷按照某种规律随季节、天气、温度的变更而变化。所用的模型要综合考虑不同因素的影响，同时参照负荷序列的变化，才可以获得理想的短期负荷预测结果［4－7］。

1.1 负荷变化年周期性

图1是连云港市全年每天的用电负荷平均值，其负荷变化遵循某种规律。

图1 连云港市2012年日平均用电负荷曲线

全年的日电网负荷峰值和最低值出现在7月30日和1月27日，分别为175.8万kW和93.2万kW。全年的用电高峰期出现在夏季的6～9月，相对夏季而言，冬季的负荷要稍低，春秋两季的用电水平相对稳定。用电负荷水平不仅与气候因素相关，和人们自身生活习惯也有紧密的联系。在连云港，用电最高峰往往是7月，这个时候天气最为炎热，空调等制冷设备的使用十分频繁；12月的用电量同样紧张，因为此时天气比较寒冷，大量的取暖设备被使用。相比这2个月，其他10个月的用电相对稳定，因为没有极端天气的出现。

1.2 负荷变化周周期性

图2是连云港市2012年9月4～10日的电网负荷曲线，2012年9月4日是星期三，根据曲线，可以知道，工作日的变化曲线很接近，周六的负荷会相对降低一些，周日会有一个显著的跌幅。出现这种情况的原因主要是，工作日时整个社会处于正常运转状态，工业和商业用电负荷比较平稳。周末大部分工厂都停产休息，所以负荷出现了很大下跌。

图2 连云港市2012年1周用电负荷曲线

1.3 负荷变化日周期性

图3是2012年9月6日的负荷曲线。从图中曲线可以得到，1天的负荷变化很有规律性。负荷变化的整个流程大概是夜间2时以后，大部分人都入睡了，此时负荷量开始缓慢下跌。随着时间的推移，早晨到来，负荷随之相应地增加，上午9、10时，负荷量达到了1天的第1个高峰；10～12时的负荷量小幅下跌。中午12时后是大部分人的午饭和午休时间，此时负荷会迎来1个低谷。下午1时后负荷量呈稳定变化趋势。下午3时是1个调整期，此时用电负荷会迎来第2个低谷，此后，随着工作的继续开展，负荷缓慢回升，下午6～8时，负荷量迎来1天的第2个高峰；负荷量一直到凌晨12时左右才会慢慢回落，双休日和法定假日的作息与以上规律基本相同。

图3 连云港市2012年1天用电负荷曲线

2 基于误差反传算法的负荷预测

2.1 BP算法预测模型的建立

误差反传算法简称BP算法，其具有非常强的非线性映射能力，通常被用于建立系统模型，且结构简明，工作状态稳固，方便于硬件表现；通过对BP网络的训练使其能够像人的大脑一样具有足够的经验和依据过去的经验来识别判断的能力，从而进行负荷预测［8－10］。

基于BP神经网络的短期负荷预测有3个步骤，如图4所示。第一步，设计BP神经网络的模型，按照实际的输入输出矩阵确定网络的内部结构；第二步，用尽可能多的历史数据训练建立的BP神经网络，增进网络精准度，使网络性合格；第三步，应用BP神经网络进行短期负荷预测。

图4 BP神经网络算法流程

BP神经网络的建立依据影响电网负荷数据的输入因素和要预测的输出负荷数据来确定，短期电网负荷的变化受气象、节假日和春、夏、秋、冬四季更替变化等多重因素的影响。选择连云港市2012年8～12月的短期电网负荷数据作为训练以及预测数据，对选取的原则说明如下，考虑到“近大远小”的原则，即对要预测的负荷影响最大的因素是靠近预测日的日期的负荷数据，影响较小的因素则是远离预测日的日期的负荷数据，因此预测12月负荷只采用前面的9～11月负荷数据足够训练出较精确的预测模型，另外考虑到节假日、不同季节条件下负荷的变化趋势不同，因此选取没有节假日且同属于秋季的9～11月负荷作为训练数据。随着连云港市经济的快速发展，大用户不断增加，平均负荷一直在逐年上升，因此短期负荷预测不考虑往年的历史负荷数据，在中长期负荷预测中需要考虑往年的历史数据。

对每天的24 h负荷分别建立24个不同的神经网络预测模型，每个神经网络都对应地预测出其中一个整点时刻的负荷值，这样每一个网络预测出的负荷值都能够更加合理地反映出该时刻的负荷特性，预测的准确率也会有很大程度的提高。

在模型中以l（h，n）表示负荷预测中的原始负荷序列，以T（s，n）表示影响负荷变化的最高温度、最低温度，以D（n）表示负荷预测中每一天的日期类型如周一、周二等，以W（n）表示负荷预测日的天气情况如阴、晴、小雨等，其中h＝1，2，3，24，表示每天的24个时刻；s＝L，H，表示一天中的最低温度、最高温度；n＝1，2，3，…，N，表示负荷数据、温度数据、日期类型、天气情况取自第n天，如表1所示，建立的网络模型输入节点有14个，分别为不同情况下的负荷数值、温度等，输出节点则为预测日的某个时刻负荷预测值［11－12］。

表1 网络的参数模型

由此得出，预测模型设定的输入量为相关的影响因素合计14个，输出量为预测时刻的负荷数据只有1个，表示输入层有14个节点，输出层有1个节点。

BP神经网络训练数据是连云港市2012年9～11月共3个月的每天24 h整点电网负荷数据，预测12月1～7日的电网负荷数据。

2.2 算例和结果

对隐含层节点数进行了试验，相对误差以12月1～7日7天的负荷预测平均相对误差的平均值（取10次结果的平均值）为标准，当隐含层节点数取1时，此时的预测误差最小，因此，BP神经网络的隐含层节点数取1。

确定BP神经网络的结构为14－1－1，通过试验，传递函数采用正切S型tan sig传递函数，输出层节点传递函数采用purelin线性传递函数，训练函数采用traingda梯度下降BP算法，效果较好。

算法经过MATLAB实现，24：00程序运行时显示的网络结构如图5所示，图中的几个进度条可以反映训练的终止条件：训练次数达到预设的次数Epoch或者训练时间达到Time；表示函数达到指定的范围Performance＜theta；表示函数的梯度小于一个极小的数（接近0），表示Performance再训练变化也不会很大；训练过程中多次达到要求，虽然尚未稳定的时候，但已经是第n次达到要求时也会停止训练［13－14］。

图5 BP神经网络结构

经过24个网络的训练预测，得到12月1～7日的预测负荷结果如图6所示，其相对误差曲线如图7所示。

图6 预测负荷与实际负荷对比曲线

图7 预测误差曲线

3 基于粒子群优化算法的负荷预测

3.1 粒子群算法概述

粒子群优化算法简称PSO算法，来源于鸟类的捕食现象，鸟类在捕食时，每只鸟为了更快地用最小的路径寻觅到食物，就只需要寻找距离食物最近的鸟群即可。粒子群优化算法就是从鸟类捕食这种生物种群的行为特征中得到了启发并且应用于优化问题的求解上面。

粒子群优化算法类似于模拟退火算法，每个优化问题的解都看作是搜寻捕食的鸟群中的一只鸟，所以称其为粒子。它是从随机解出发，经过迭代寻优，并通过适应度来评价解的性质，从而不断地寻找个体中的最优解及群体中的最优解［15］。

3.2 粒子群算法步骤

粒子群算法步骤如图8所示。

图8 PSO算法步骤

首先要对每个粒子初始化，再设定粒子数为n，然后随机产生n个初始解，并且随机产生n个初始速度；求得当前粒子的适应度值，并且依据适应度值确定个体极值和群体极值；依据速度以及方向产生各个粒子的新位置，假如新产生的粒子位置的适应度比原来的个体极值好，就把新的适应度值当作个体极值，通过比较各个粒子的个体极值，以便找到种群中的全局极值；迭代更新，可以得到新的粒子的速度以及位置。若满足了终止的条件，则得到足够好的适应值或者已经达到预定的最大迭代次数，就会输出最好极值和其适应值并终止计算［16］。

基于PSO算法的特点，将PSO算法和BP神经网络进行了整合处理，从而形成一种混合处理的优化算法。其主体思想是构建一个初始的BP神经网络，使用负荷数据来训练模型以产生基本的参数如BP神经网络中的连接权值和阈值；将得到的初始权值、阈值通过粒子群算法的不断迭代优化（包括设置粒子群算法中的各项参数，如惯性权值、加速度因子、进化代数、种群规模、粒子的最大速度、最大位置等）找到能使得BP算法预测误差尽快满足设定要求的最佳权值阈值；然后将最佳的权值和阈值直接赋给BP神经网络中的参数，这样更具有针对性，是对BP网络中权值和阈值“优胜劣汰”的过程，可以很大程度提高参数迭代寻优的效率。

3.3 算例和结果

用PSO算法优化BP神经网络的方法训练连云港市2012年9～11月共3个月的每天整点负荷数据，用训练得到的预测模型预测12月1～7日的负荷数据，得到预测结果如图9所示，其相对误差曲线如图10所示。

图9 预测负荷与实际负荷对比曲线

图10 预测误差曲线

将BP算法和PSO优化BP算法对负荷预测的结果放在一起进行比较，得到2012年12月1～7日的实际负荷和预测负荷情况对比如图11所示。

图11 两种方法预测结果对比图

两种方法预测负荷的总体误差分析如表2所示。

从表2可以看出，分别采用BP、PSOBP算法对连云港市2012年12月1～7日负荷进行预测，总体取得了很满意的预测效果。采用BP算法时，7天的预测相对误差的平均值为3.463 3%，最大相对误差为12月7日的7.059 6%，最小相对误差为12月1日的1.414 6%；采用PSOBP进行预测时，7天的预测相对误差的平均值为1.939 1%，不仅较BP算法预测有很大的优势，在该类算法中的预测结果的准确率依然是有了很大的提升；在邻近的预测数量级下，由于预测模型等诸方面的影响因素，很难再有较大幅度的提升，但这样的预测准确率已经较高了。

表2 两种方法预测结果对比

4 结论

短期负荷预测是电力系统中一项非常重要的工作，其涉及到调度、用电、计划和规划等多个管理部门。据估算，1%的预测误差将会导致1年上千万元的经济损失，因此对于如何提高预测的准确率、减小预测误差能够直接影响到电力系统的经济效益，意义重大。

在连云港市2012年负荷数据的基础上，应用BP神经网络算法和PSO算法模型分别对负荷进行了预测。

a.BP神经网络具有较好的拟合能力，在短期负荷预测中取得的效果显著，该算法迭代寻优的次数多、过程冗杂；随之引入了PSO算法，优化BP网络的权值和阈值，结果表明PSO优化算法的预测准确率高于BP神经网络。

b.统计学对于算法的研究不断深入，虽然PSO优化算法取得了相对比较好的预测结果，但负荷预测的精度还需进一步提高。

c.对负荷数据、天气状况等样本的预处理非常重要，各种预测模型使用的好坏在很大程度上并不仅仅取决于模型本身的建立质量，因此在训练和预测之前对负荷数据样本以及其他影响因素的样本分析预处理也显得格外重要。

参考文献：

［1］ 赵希正.中国电力负荷特性分析与预测［M］.北京：中国电力出版社，2002.

［2］ 何仰赞，温增银.电力系统分析［M］.武汉：华中科技大学出版社，2002.

［3］ 刘晨晖.电力系统负荷预报理论与方法［M］.哈尔滨：哈尔滨工业大学出版社，1987.

［4］ 牛东晓，曹树华，卢建昌，等.电力负荷预测技术及其应用［M］.北京：中国电力出版社，2009.

［5］ Pnadit，S.M（美），吴宪民（美）著，李昌琪等译.时间序列及系统分析与应用［M］.北京：机械工业出版社，1998.

［6］ T⁃Masters.Neural，Novel Hybrid Algorithms for Time Series prediction［M］.New York：John Wiley＆Sons，Inc.，1995.

［7］ 许睿超，罗卫华.基于人工神经网络与主分量分析的短期电力负荷预测方法［J］.东北电力技术，2011，32（1）：1－4.［8］ 孟 懿，钟兆欣.基于RAN网及小波神经网电力系统短期负荷预测［J］.东北电力技术，2010，31（6）：19－23.

［9］ 吕 婵.基于BP神经网络的短期负荷预测［D］.武汉：华中科技大学，2007.

［10］ 刘 明.基于小波和神经网络理论的电力系统负荷预测研究［D］.南京：南京理工大学，2012.

［11］ 康丽峰，王敬成.一种新型RBF短期负荷预测模型［J］.东北电力技术，2008，29（7）：23－25.

［12］ 刘 玲.基于粒子群BP神经网络的短期负荷预测研究［D］.南京：河海大学，2005.

［13］ 燕 洁.神经网络在电力负荷预测中的应用［J］.东北电力技术，2007，28（4）：47－48.

［14］ 刘 玲，严登俊，龚灯才，等.基于粒子群模糊神经网络的短期电力负荷预测［J］.电力系统及其自动化学报，2006，18（3）：47－50.

［15］ 陆 宁，周建中，何耀耀.粒子群优化的神经网络模型在短期负荷预测中的应用［J］.电力系统保护与控制，2010，38（12）：65－68.

［16］ 周 野.基于粒子群优化算法的短期电力负荷预测［D］.长沙：湖南大学，2009.

Research on Lianyungang⁃based Short⁃term Load Forecasting of Power System

LIU Ming
（State Gird Jiangsu Electric Power Company Lianyungang Power Supply Company，Lianyungang，Jiangsu 222004，China）

Research is made on short⁃term load forecasting based on analysis on characteristics of load in Lianyungang，the structure and principle of error back propagation algorithm（BP algorithm）is introduced.The BP algorithm is used in load forecasting，which is simple，efficient and feasible，but since it takes a long time due to the convergence of the algorithm，and it often falls into local mini⁃mum points easily，so new optimization algorithm of particle swarm algorithm to optimize the BP neural network is used.The algorithm can be targeted to optimize the weight value and threshold value of the network structure，in case of constant iteration，it works in the direction of reducing the forecast error.The example shows that the prediction accuracy is improved greatly so that it can satisfy the basic requirements for load forecasting.

Load forecasting；Load characteristic；BP algorithm；Particle swarm algorithms；Model；Optimization

TM715

A

1004－7913（2015）02－0029－06

刘 明（1986—），男，硕士，从事电力系统调度运行、电力系统负荷预测等方面的工作。

2014－11－25）