基于神经网络BP算法的局部电网短期负荷预测系统

邹治锐，高坤，朱伟，姚境，唐伟斌

(国网湖南省电力有限公司常德供电公司，湖南常德415000)

短期电网负荷受天气变化、节日类型、社会生活方式等各种因素影响，这些因素大部分看似呈现随机性，长期看却有一定规律可循[1]。随着科学技术的发展，天气预报准确率逐步提高，加之电力系统大数据信息的逐步完善，选择合适的短期负荷预测模型将有利于提高短期负荷预测的准确率，极大方便调度机构的短期负荷预测工作。常德电网在夏大、冬大运行方式下，负荷增长迅猛，可能对其供电局部区域即局部电网的主变、线路造成运行风险，相关主变、线路面临过载风险。为了确保设备安全运行，负荷增长不超过其承载力，需要提前对局部电网的主变、线路负荷进行智能预判，根据预判结果及时调节局部电网方式，保证主变、线路运行方式能随负荷变化做相应合理的变更，更好地提高设备利用率和供电可靠性，确保安全生产。因此，通过局部电网短期负荷预测，对常德电网迎峰度夏、迎峰度冬以及重要保电时期工作开展具有重要指导意义。

1 局部电网短期负荷预测基本原理

BP(Back Propagation)算法人工神经网络(Artificial Neural Networks，简写为ANNs)模型是一种按误差逆传播算法训练的多层前馈网络数学模型，利用反向传播的方式不断调整网络的权值，将网络的误差平方和调整至最小[2]。模型通过自组织、自学习，不断调整内部大量节点之间相互连接的关系，适应环境、总结规律、完成某种运算、识别或过程控制，从而达到处理信息的目的[3]。BP神经网络模型拓扑结构有三层，分别为输入层、隐层和输出层，关系如图1所示。

图1 BP神经网络结构

局部电网短期负荷预测就是基于人工神经网络BP算法，将对局部电网负荷产生影响的历史负荷、气温、节假日等因素作为因子，并结合未来天气预报，达到预测局部电网负荷甚至单个变电站或线路负荷的效果。

2 局部电网短期负荷预测功能实现

2.1 系统结构

局部电网短期负荷预测系统采用多层体系架构，如图2所示，具体体现为五个层次。

图2 体系架构图

展现层:包含了用户视图页面，嵌入式API，视图和服务通过底层的SDK和后端服务进行交互。整体架构基于MVVM＋思想设计。

业务逻辑层:作为View层和ViewModel层中间层对上提供数据给View层展示，对下负响应用户的交互。

对象持久化层:负责系统业务数据封装，对上层提供业务封装后的接口提供数据实体支撑。

数据层:采用SQLITE数据库。

服务层:通过MATLAB工具包，对数据进行拟合计算，从而获得最佳拟合公式。

软件框架基于成熟的SpringBoot架构，性能稳定、效率。数据接入采用持久化架构，能够接入多种主流数据库。

2.2 BP神经元网络设计

利用MATLAB编写BP神经元网络算法[4]，使用历史负荷数据、气温数据作为训练数据，不断训练BP神经元网络，从而训练出误差最小、符合预期范围内的BP神经元网络。设计过程分为六个步骤实现。

步骤一:采集具有典型意义的且足够多的历史负荷数据，对历史负荷数据进行预处理，从中选出经过处理后的数据作为数据样本。对于常德电网每天最大、最小负荷数据用归一化处理后，加上后一天的天气特征值这样就形成一组历史数据样本，样本格式如:(常德电网某某变或设备X月W日最大负荷、最小负荷，常德电网某某地区X月Y日最高温度、最低温度，星期几或节假日)。

步骤二:创建BP神经网络模型，确定好学习速率、学习速率下降比例因子及训练次数等。

步骤三:将上述一组数据样本分别代入到隐藏层的输出方程和输出层的输出向量方程，求出隐藏层输出量和输出层输出向量的值，完成人工神经网络的顺序传播过程。

步骤四:由误差函数得出实际输出值与期望输出值之间的误差，再利用反向传播函数，对人工神经网络各层的连接权值进行校正，而后刷新所有的连接权值，完成人工神经网络的误差反向传播过程。

步骤五:重新另取一组数据样本，重复步骤三和四的过程，直到所选的历史数据样本全部学习完毕，得到经过历史负荷数据样本训练和学习后的人工神经网络最终权重值。

步骤六:检验学习后的误差是否满足要求。若不满足则重复上述过程，满足则保存人工神经网络经过训练与学习后的各层权重值，并形成最终的负荷预测模型，过程如图3所示。

图3 人工神经网络训练与学习过程

2.3 B/S软件集成BP神经元网络设计

局部电网短期负荷预测系统采用B/S集成模式，安装在服务器端上，负荷预测人员只要管理维护服务器即可，简单方便。将MATLAB训练完成的 BP神经元网络集成进 JAVA软件[5]。用MATLAB编写function函数，调用训练完成的BP神经元网络mat文件，将function函数打包为jar包，集成进JAVA软件，以供调用。

2.4 功能实现

结合局部电网或变电站或线路历史负荷数据、历史气温数据、节假日等因素，综合运用文字，图表等手段，使信息展现具有良好的可视化效果。首页集中展现神经网络负荷以及历史负荷等方面信息，作为数据引导，其中包括:

1)以电站为条件筛选。

2)过去10天的负荷实际值与预测值。

3)过去10天的气温实际值。

4)未来5天的负荷预测值。

5)未来5天的气温预测值 (数据来自手动导入天气预报数据)。

6)以k线图的方式展示过去10天以及未来5天的数据 (其中包括预测负荷值)，图表导出。

根据近10天的负荷数据，调用MATLAB神经网络算法预测未来5天的负荷，历史负荷、气温数据、预测值数据查询均可用图表化展示。

3 应用效果

以常德电网110 kV中区变电站为例，利用局部电网短期负荷预测工具的BP神经元网络对历史负荷以及最高、最低气温进行因果关系训练，得到相应的控制因子，同时考虑节假日、工作日、休息日对负荷的影响，有针对性地调整节假日对负荷的影响力，针对每个变电站均需训练一个模型，保证负荷预测测的准确率。通过使用最近10天的的负荷数据及气象数据，在根据未来的天气以及节假日信息，进过神经网络计算后，得到未来5天的负荷预测曲线，如图4所示。

图4 负荷预测流程

如图5所示，通过负荷预测工具的节假日管理模块提前录入节假日信息，选择所要预测的日期(如2019年8月6日)，读取该预测日期前10天的历史实际负荷数据及历史实际气温数据，输入查询日期未来5天的最高、最低气温 (手动导入天气预报数据)。

图5 读取历史数据及输入预测气温值(底纹部分)

点击神经网络预测按钮，程序会搜索该日期是否为节假日并将日期自动转化为星期用以区分工作日与休息日。通过神经网络算法计算后，获得预测日期5天负荷预测数据。如图6所示，实线表示预测负荷数据，虚线表示已经产生的实际负荷数据，通过对比发现预测数据与实际数据比较接近。当然也存在一定误差，这种误差没有严格的规律性，但从图中可以看出一般情况下越靠前的预测日期负荷预测相对精准写，误差相对较小，图中预测数据符合常德电网实际 (一般情况下，工作日气温越高负荷相对越高，休息日在同等气温下负荷低于工作日)，从而检验了局部电网短期负荷预测工具具有实际可用性。

图6 负荷预测数据图表展示

4 结语

基于神经网络BP算法的局部电网短期负荷预测系统对于气象预测的准确度依赖较大，在预测气温相对精准的情况下能较准确预估小区域电网内的负荷情况。若负荷预测区域的气温预测不够精准，将可能导致预测负荷误差较大。

虽然该系统存在一些不完善的地方，但对调度机构人员日常工作仍有一定使用价值。该工具通过对于局部电网负荷甚至一个变电站或一条线路负荷变化趋势开展预测，可以方便调度机构人员提前预估设备是否存在重过载风险，为调度机构合理安排检修计划、及时调整电网方式提供参考，从而有效预控可能带来的风险，保障电网安全经济运行。