基于神经网络模型对扬州市电力负荷预测研究

陆 炜 胡钧剑

1.华北电力大学经济管理学院

2.华东交通大学土木建筑学院

0 引言

电力发展水平是一个国家发展水平的重要指标之一，电力负荷预测可以有效规划电力系统。高效准确地预测电力负荷，不仅可以保证人民群众日常生产生活的需要，同时对电力行业自身的健康发展也有重要的意义[1]。

传统的电力负荷预测通过构建数学模型来寻求电力负荷与影响因素之间的关系，建立一个直观的函数表达式。由于影响电力负荷的因素较多，在实际应用中，众多因素与其自身关系又较为复杂，通过简单、基础的模型构建出函数表达式几乎无法做到。因此处理复杂信息的独特优势以及拥有将连续函数任意逼近的能力对于处理需要同时考虑多个因素融合以及不精确、信息较模糊的问题是相当适合的，所以利用BP神经网络模型预测电力负荷的变化走势是合适的。在研究电力负荷预测的过程中，数据变化的趋势以及影响数据变化的诸多要素是本文关注的重点，因此对电力系统进行负荷预测采用BP神经网络模型在理论上是可行的[2]。

1 电力负荷预测种类及影响因素

最高负荷、平均负荷和最低负荷为电力负荷预测特征中的三个指标。如果按预测周期性来划分，一般情况下将电力负荷预测分为短期和中长期预测。中长期的电力负荷预测一般是为了对整个电力系统进行长远的发展规划，对未来的几个月甚至数年进行电力负荷预估，通常情况下中长期的电力负荷预测以年为单位。短期的电力负荷预测是用来预测未来数小时或者未来一天的负荷，主要用于协调各地区的负荷调配，保障人民群众的日常生活以及工业发展的需要和保障电力成交量的准确性[3]。

在日常的生产生活中，影响电力负荷的因素有很多种，大致可以分为内在因素以及外在因素。外在因素一般包括地区的经济条件、气候因素以及节假日等因素；内在因素则包括电力负荷预测的数据管理、电力企业内部管理等因素。由于这些因素自身所具有的不可控性以及复杂的非线性问题，因此如何解决好这些问题成为电力负荷预测的难点所在。鉴于BP神经网络能够对非线性复杂问题进行有效解决，因此该模型在电力负荷预测中的应用较为广泛。

2 BP神经网络模型

2.1 BP神经网络模型的构建

BP神经网络作为多层前馈神经网络模型，该网络的最主要特征是通过信号向前输送，实际与预测输出产生的偏差又被传输回去[4]。在向前传递时，输入变量由输入层经过隐藏层到输出层进行处理。每层中的神经元仅仅影响到下面一层神经元的活动。根据实际与预期的偏差，不断优化调整网络权重，直到网络的最终输出结果无限接近实际输出为止[5]。BP神经网络的拓扑结构如图1。

图1 BP神经网络拓扑图

2.2 BP人工神经网络模型的基本算法

设该网络共有L+1层，第1层为输入层，第L+1层为输出层，为隐含层。第1层的神经元个数为，训练样本总个数为M，训练样本号用 p表示。第1层第 j个神经元的输出变量用表示，由第1层的第 j个神经元到第l+1层的第Ⅰ个神经元的权系数用表示，则各神经元的输入—输出关系为:

3 实验仿真与负荷预测

3.1 电力系统负荷数据

通过分析得知电力系统用电负荷的影响因素主要包括第一、二、三产业用电以及居民日常生活用电。在经济学中，通常使用第一、二、三产业的增加值作为第一、二、三产业的负荷指标。城市的居民用电负荷通常用常住人口这一指标来表示。江苏省扬州市历年社会经济指标与全社会用电量的数据见表1。

表1 扬州市历年社会经济指标与全社会用电量

3.2 预测结果及误差分析

本文用扬州市2005-2017年的数据作为历史样本进行训练，最后用训练好的网络对扬州市2018年的负荷进行预测，得到结果见表2，与实际负荷值的对比图见图1。

表2 神经网络负荷拟合和预测结果

图1 拟合预测结果与实际负荷对比图

通过观察BP神经网络预测误差频率分布直方图（如图2），我们可以清楚地看出相对误差主要分布在-0.025到0.02之间，实验结果表明，BP神经网络具有较好的预测精度。

图2 BP神经网络预测误差频率分布直方图

4 结论

本文通过使用BP神经网络对扬州市电力负荷进行预测，通过大量实际仿真计算验证，BP神经网络预测精度较高，且需要的数据量并不大，预测的结果较为准确，对扬州市未来电力系统调度与规划具有一定的意义。