一种对某地区电网短期负荷预测方法

马胜泉 程莹莹

（国家知识产权局专利局专利审查协作河南中心，河南 郑州 450002）

1 引言

短期负荷预测可对未来一周负荷进行预测， 是制定发电计划和发电厂报价的重要参考依据。 提高电力系统短期负荷预测的精度， 对于提高电网运行的安全性和电网运行的经济性具有重要意义。

人工神经网络是采用仿照生物神经系统形成的一种数学模型，具有可以模仿人脑的智能化处理、自适应能力强和容错性好的优点。 人工神经网络能以任意精度逼近任意非线性复杂问题，因而在电网预测中被广泛采用[1]。

2 基于人工神经网络的负荷预测

2.1 BP 神经网络

人工神经网络的BP 算法是一种监督学习算法，它首先输入学习样本，通过网络的学习，将学习后的输出值与目标矢量进行比较， 进而根据两者间误差来修改其连接权值和偏差，达到输出值与期望值尽可能接近，即使网络输出层的误差平方和达到最小[2]。

2.2 BP 算法数学描述

图1 BP 神经网络结构

BP 神经网络算法是在BP 神经网络现有算法的基础上提出的，它是通过任意选定一组权值，将给定的目标输出， 直接作为线性方程的代数和来建立线性方程组的算法[3]。

xj为输入层第j 个节点的输入，j=[1，…，M]；

wij为隐含层第i 个节点到输入层第j 个节点之间的权值；

θi为隐含层第i 个节点的阈值；

Φ（x）为隐含层的激励函数；

Wki为输出层第k 个节点到隐含层第i 个节点之间的权值，i=1，…，q；

ak 为输出层第k 个节点的阈值，k=1，…，L；

Ψ（x）表示输出层的激励函数；

Ok为输出层第k 个节点的输出；

信号的前向传播过程如下：

隐含层第i 个节点的输入neti，

隐含层第i 个节点的输出yi，

输出层第k 个节点的输入netk，

输出层第k 个节点的输出Ok，

3 负荷短期预测

3.1 预报日期划分

短期负荷预报中， 划分负荷预测日期类型对短期负荷预测有重要影响。 本文采用将一周中的工作日和休息日分为两组数据进行计算预测的方法[3-4]。

3.2 输入/输出向量设计

将得到的预测日前一天的24 组整点负荷数据即实时负荷数据作为网络的样本数据， 即作为网络的输入向量，相应最终得到24 组输出向量[5]。

同时，电力负荷受环境温度影响较为明显，因此，还需获得预测日的最高和最低温度，可从天气预报中获取。为了防止病态样本出现，可进行归一化处理，即将原始数据转换为区间[0，1]之间的数据，具体公式如下[6]：

3.3 BP 网络的设计

本设计主要基于三层神经网络数学模型。 由于是对24 小时进行预测， 所以输出的层节点数应该为24 个，同时加上天气温度即最高温度值与最低温度值，得到26 个输入层节点。 本次利用经验公式取常数[7]，其中H 表示隐含层的节点数，n 表示输入层的节点数，m 表示输出层节的点数。

利用BP 网络进行预测， 一般可以利用单隐层的BP网络实现[8]。 本设计由于输入向量有26 个，所以网络输入层的神经元也有26 个。 经数次训练后，网络中间层神经元可选取53 个，输出向量有24 个，所以输出层的神经元个数也为24 个。

4 负荷预测实例

4.1 工作日负荷数据

通过MATLAB 程序，将20 天工作日的负荷数据及每日最高温度与最低温度值进行归一化处理， 代入到程序中，得到如下预测数据曲线。

图2 负荷实际值与预测值曲线

图3 负荷实际值与预测值误差曲线

21 个点的相对误差小于5%， 平均相对误差为2.77%，均方根误差Rmse=17.5638。 经过18 次训练后，网络误差即达到要求。 图4 给出了训练结果，图5 给出了相对误差曲线，图6 给出了预报误差曲线，图7 为第20日24 小时各点的实际历史负荷与预测负荷的曲线， 由该曲线可知利用BP 神经网络建模取得了较满意的预测结果。

图4 训练结果

图5 相对误差曲线

图6 工作日预报误差图

图7 工作日实际负荷与预测负荷比较

图8 负荷实际值与预测值曲线

图9 负荷实际值与预测值误差曲线

4.2 休息日负荷数据

图9 中24 个小时段中22 个点的相对误差小于5%，最小相对误差0.08%，平均相对误差为2.48%，均方根误差RMSe=13.6926。如图10 所示，经过14 次训练即达到训练误差要求。 图11 为相对误差曲线，图12 为预报误差曲线， 图13 为第10 天24 小时整点的历史负荷数据和BP网络预测负荷数据曲线。 通过BP 神经网络建模预测，取得了较满意的结果。

5 结论

电力短期负荷预测的影响因素较多， 而人工神经网络超强的自适应能力和容错能力使得这一问题得到了较好的解决。 通过预测数据与真实值的对比分析，验证了利用该方法对某地区的网络短期负荷进行预测取得了较为理想的效果，因此，人工神经网络预测方法对今后的电力系统工作有重要的指导意义，对人工神经网络的研究也将是以后研究的重点。

图10 休息日训练结果

图11 休息日相对误差曲线

图12 休息日预报误差图

图13 休息日实际值和预测值对

［1］吴军基，倪黔东，孟绍良.基于人工神经网络的日负荷预测方法的研究［J］.继电器，1999，27（3）：27-28.

［2］牛晓东，曹树华，赵磊，等.电力系统负荷预测［M］.北京：中国电力出版社，2007.

［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］李艳芳．电力负荷预测［D］.南昌：南昌大学，2007.

［5］吴军基，倪黔东，孟绍良.基于人工神经网络的日负荷预测方法的研究［J］.继电器，1999，27（3）：27-28.

［6］杨立成.电力系统短期负荷预测方法研究分析［J］.企业科技与发展，2010，11（2）：57-58.

［7］张德玲.电力系统短期负荷预测方法的研究［D］.郑州：郑州大学，2007.

［8］高强.电力系统短期负荷预测［D］.沈阳：沈阳工业大学，2003.