基于小波分解的短期电力负荷智能预测

王源

摘要：电力负荷的准确预测可以提高电力系统的经济效益和社会效益，有利于降低发电成本。电力负荷预测已经成为实现电力系统管理和智能电网发展的重要内容。本文采用一种小波分解方法及BP网络对短期电力负荷进行预测，并与传统BP网络预测比较。仿真实验表明，本文方法比传统BP网络预测结果更准确。

关键词：小波分解；神经网络；电力负荷；预测

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）24-0200-03

Abstract： Accurate prediction of power load can improve the economic and social benefit of power system， which is beneficial to reduce the cost of power generation. Power load forecasting has become an important content of power system management and smart grid development. In this paper， a wavelet decomposition method and BP network are used to predict the short-term power load and compare with the traditional BP network prediction. The simulation results show that the method is more accurate than the traditional BP network prediction.

Key words： wavelet decomposition； neural network； power load； prediction

短期电力负荷预测是电力系统调度运营部门的一项重要工作，它在现代电力系统工程学科中占有重要作用，其预测精度的准确性直接影响电力系统运行的安全性、经济性和供电质量。

电力负荷预测中，关键是收集大量历史数据，建立科学有效的预测模型以及合理有效的算法，在历史数据的基础上进行大量的试验研究，总结规律，对模型和算法进行不断地修正，以此反应负荷变化的内在规律。目前电力负荷预测方法主要有：弹性系数法、回归分析法、灰色预测法、神经网络法等。神经网络法以其預测精度高且不需要构造关系式等优点得到越来越广泛的应用。

针对电力负荷具有周期性、增长性和波动性等规律，本文采用一种基于小波分解的神经网络预测法来预测短期电力负荷。该方法是通过小波变换把负荷分解为不同频段的子序列，各个子序列有其各自的特点，因此在不同尺度上分别用神经网络进行预测，将预测结果进行重构，得到最终的预测结果。

1 BP神经网络

BP神经网络是迄今为止应用最广泛的一种神经网络，它是一种误差反向传播算法，人们习惯把多层感知器直接称为BP网络。

1.1 网络结构

图1所示为一种单隐层BP网络，其应用最为普遍。一般将单隐层前馈网络称为三层感知器，即输入层、隐层和输出层，分别用i、j和k层表示。

2 短期电力负荷的预测模型及仿真

数据来源：采用欧洲电力负荷预测竞赛数据进行预测研究。对1998年1月份的1488个时序数据进行试验。即按照每天24小时每隔30分钟采集一个数据，一天产生48个数据，31天共计1488个数据，样本时序数据如图2所示。

2.1 BP网络预测模型设计及仿真

常规BP神经网络预测模型的建立：在1488个样本数据中取前1440个作为训练样本，后48个样本数据作为预测样本。用BP神经网络工具箱进行预测，其优点，程序编写简单、收敛速度快。

实验时对时序数据前7个数记忆第8个数据，依次递推构成数据样本，故输入层神经元个数为7，隐层神经元个数为15，输出层神经元个数为1，即BP网络结构为7-15-1，训练精度设置为0.00001。在MATLAB2009a环境中，利用上述网络预测模型进行仿真实验，预测结果如图3和图4所示。

图3为网络误差训练曲线，图4为实际值与预测值对比，程序运行后的结果：绝对平均误差精度为2.2504%，最大预测误差精度为6.9990%，经过2步达到精度要求。

2.2 基于小波分解的BP网络预测模型设计及仿真

与常规BP神经网络预测结果比较可知，采用小波分解的神经网络预测结果精确度明显提高。

3 结论

本文对短期电力负荷时间序列采用传统的BP神经网络与小波分解的神经网络进行预测，结果表明，小波分解后再进行BP神经网络预测比直接利用BP神经网络预测的精度得到明显提高，平均误差精度由2.2054%提高到0.6314%，最大预测误差精度由6.9990%提高到1.8967%。经小波分解后的特征信息作为神经网络的输入，该预测模型同时具有抗干扰能力强、收敛快、预测准确等特点。

参考文献：

[1]韩力群，施彦.人工神经网络理论及应用[M].北京：机械工业出版社，2016.

[2]郭广颂.智能控制技术[M].北京：北京航空航天大学出版社，2014.

[3]刘金琨.智能控制[M].2版.北京：电子工业出版社，2009.

[4]李登峰，杨晓慧.小波基础理论和应用实例[M].北京：高等教育出版社，2010.

[5]刘涛，曾祥利，曾军.实用小波分析入门[M].北京：国防工业出版社，2006.

[6]张德丰.MATLAB小波分析[M].2版.北京：机械工业出版社，2011.

【通联编辑：唐一东】