基于BP神经网络的安阳县电力负荷预测

袁德强，赵贝贝，王亚琳，彭桐辉

(安阳师范学院 数学与统计学院，河南 安阳 455000)

0 引言

电力负荷预测开始于20世纪80年代，40多年来国内外电力系统工作者已经积累了相当多的经验[1]。在电力系统建设中，电力负荷预测是电网运行过程中安全性、经济性、可靠性的重要保障，同时关乎电力系统投资的经济合理性[2]。合理的电力系统规划可以获得较好的经济效益和社会效益，因此，寻求有效的电力负荷预测方法，提高预测结果的准确度具有重要的意义。电力负荷受到许多复杂因素的共同影响[3]，例如农业生产活动、工业用电情况、居民日常生活以及天气气候等，它们在不同维度上影响着电力负荷的波动。研究表明，电力负荷的变化与气象因子间存在着很强的非线性关系，所以使用传统的多元线性回归模型预测电力负荷会存在很大的局限性，而BP神经网络能够建立复杂的非线性模型，在进行电力负荷预测时很好地弥补了传统多元线性回归模型的不足。

1991年国外学者Park第一次将神经网络应用于负荷预测，展示了神经网络的优异预测能力[4]。学者Bakirtzis利用人工神经网络的短期负荷预测模型来预测其电力控制中心的负荷，该模型可以预测每日负荷曲线变化[5]。在国内，电力系统国家重点实验室的康重庆、周安石等学者分析了短期电力负荷预测中不同阶段天气因素的影响，建立了有关天气因素的神经网络短期负荷预测模型，该模型可以得到短期精确的预测结果[6]。

尽管已有的研究成果分析了短期电力负荷预测中不同阶段天气因素的影响，但利用BP神经网络理论进行电力系统负荷预测并对模型进行检验方面介绍的却比较少。因此，本文利用BP神经网络理论，首先通过MATLAB神经网络工具箱建立预测电力负荷的BP神经网络模型。然后以安阳县为例，利用所获得的数据进行预测，通过预测的数据和已知数据进行比较，检验模型的可行性和准确性。最后推广到实际应用中，对未来数据进行预测。

1 基于安阳县电力负荷预测

1.1 数据的来源及分类

1.1.1 数据的来源

本文的数据来源于国家电网有限公司，简称国家电网。通过申请，得以摘取了2014-2018年安阳市6个观测点(安阳县、林州市、滑县、汤阴县、内黄县、市区)的各时刻点用电负荷量。

1.1.2 数据的分类

在本次预测中，构建了一个训练样本和一个测试样本。通过训练样本来建立模型，用测试样本来检验模型的预期效果，具体的划分如下：

训练样本：把从2014年1月1日0：00到2018年11月30日23：00的数据划分为训练样本，其中把从2014年1月1日0：00到2018年11月29日23：00各时间点的电力负荷作为输入数据，把从2014年1月2日0：00到2018年11月30日23：00各时间点的电力负荷作为期望输出数据。

测试样本：把从2018年12月1日0：00到2018年12月31日23：00的数据划分为测试样本，其中把从2018年11月30日0：00到2018年12月30日23：00各时间点的电力负荷作为输入数据，把从2018年12月1日0：00到2018年12月31日23：00各时间点的电力负荷作为期望输出数据。

1.2 模型的建立

在BP神经网络中最重要的是设置输入层、输出层、隐藏层的神经元个数和传递函数[7]。本文利用MATLAB中神经网络工具箱建立安阳县电力负荷的神经网络预测模型，主要包括三个步骤：创建BP神经网络、训练神经网络、网络仿真模拟。

1.2.1 输入数据

将分类后的训练数据导入MATLAB软件，作为输入层。

1.2.2 建立BP神经网络

BP神经网络需要设置输入层、输出层、隐藏层的神经元个数和传递函数[8]。其中，输入层指输入的数据，包括时间和对应的电力负荷，是二维数据，有两个节点。输出层指输出的数据，它是与输入层同一时间上的预测电力负荷，是一维数据，仅有一个节点。然后，调用MATLAB中的newff函数建立BP神经网络，选择对数函数logsig作为输出层和隐藏层的传输函数，设置学习率为0.1、训练目标误差为0.0001。如果结果不予收敛，适当调整学习率使其最终达到收敛。

1.2.3 训练样本和网络仿真模拟

调用训练函数train对网络进行训练，并用测试数据进行检验。网络仿真时，首先需加载出网络，然后再调用函数sim，最后输入需要模拟的输入数据进行仿真。

1.3 模型的检验

图1 BP神经网络预测值与实际值的逼近效果折线图

此次研究旨在建立合适的模型对安阳县的用电负荷进行预测，从而给国家电网有限公司电力配置提供建议。为了检验模型的有效性，利用2018年12月31日采集的真实数据与预测数据进行比较，绘制出24小时预测值与实际值的电力负荷逼近效果如图1所示。

由图1可看出，一天中各时间点的电力负荷实际值与预测值相差较小，只有十一点时误差接近于6%，除此之外，其余各时间点误差均很小，由此说明所建立的模型较为准确，可用于实际电力负荷预测。

1.4 预测结果

我们以安阳县为例进行预测，其它地区按照同样的方法更换训练数据即可。借助MATLAB预测出2020年10月1日的结果如下表所示：

表1 2020年10月1日的电力负荷预测结果

为了对预测数据进一步分析，绘制出用电负荷随时间的变化趋势如图2所示：

图2 2020年10月1日的电力负荷预测结果

从电力负荷预测结果的曲线走向看出一天中各时间点的电力负荷数变化较大。

用电较多的时间点为中午12点和傍晚18点到20点。主要原因是中午和傍晚为下班和放学用电高峰期，因此在这个时间国家电力供应部门应加大电力的供给从而来满足居民用电的需求。

电力负荷从22点以后急剧下降。主要原因是晚上22点到早上7点期间很多用电设施处于休息状态，工厂用电减少，因此在这个时间国家电力供应部门应减少电力的供给。

为了能既不造成电力的过多浪费，又可以满足用电需求，达到良好的经济效益和社会效益，电力供应部门应根据一天中用电量的变化情况提前做好规划。

2 结论

由于电力的生产和使用具有特殊性，运用传统的数学模型进行电力负荷预测准确性较低，因此本文通过MATLAB的神经网络工具箱建立预测电力负荷的BP神经网络模型。首先，本文对采集到的观测点数据进行预处理。然后，建立BP神经网络预测模型，利用2018年12月31日各时间点的用电负荷对模型进行检验，结果表明误差均在6%以下，验证了模型的可行性和准确性。最后，对河南省安阳县2020年10月1日各时间点的电力负荷进行了预测。