基于BP神经网络的电力系统负荷预测研究

基于BP神经网络的电力系统负荷预测研究摘要:通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于bp神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。关键词:电力负荷预测神经网络bp算法引言电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件及社会影响等条件下,研究和应用一套系统处理过去负荷与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的电力负荷值。电力系统的正确调度、规划和运行都离不开电力负荷预报,准确的负荷预报不仅对电力系统的安全、可靠、经济运行起着重要作用,同时也是潜在节约能源的方法[1]。电力系统负荷数据预测的研究在近些年来有了很大的发展,预测的方法由过去的人工方式逐步转换成软件干预方式。电力系统负荷预测问题的研究也越来越引起人们的注意,己经成为了现代电力系统运行研究中的重要课题之一。早在1990年d.c.park等人就采用人工神经网络(artificialneuralnetworks,ann)方法对电力负荷进行预测[2]。人工神经网络技术可以模仿人脑做智能化处理,对大量非结构性、非确定性规律具有自适应功能。1个3层的bp神经网络就可以直接实现输入参数与电力负荷状态之间的非线性映射,无需建立系统的模型,而且这种映射结果的精度可由足够的训练样本来保证。1电力负荷预测的原理、步骤中期负荷预测通常是指预测未来一年(12个月)之内的电力负荷,它是电力系统运行调度中一项非常重要的内容,预测的结果将对发电机组生产计划的制定、水火电的合理配置、燃料配置、安全分析设备的维护以及电网能量的传播有着很大的影响,对于电力系统运行与控制有着非常重要的意义。1.1负荷预测的基本原理负荷预测工作是根据电力负荷的发展变化规律,预计或判断其未来发展趋势和状况的活动,因此必须科学地总结出预测工作的基本原理,用于指导负荷预测工作。主要有以下几个方面:不准确性,条件性,时间性,多方案性,可知性原理,可能性原理,连续性原理,相似性原理,反馈性原理,系统性原理[3]。1.2负荷预测的基本步骤对电力负荷的预测,一般可按下列步骤进行:收集和分析历史数据,对电力系统的历史数据及有关信息加以整理,排除偶发事件的有关信息,为电力负荷预测提供可靠的原始资料;建立预测模型,根据预测目标和资料,选择合适的电力负荷预测方法,建立相应的数学模型;对预测结果进行分析,评价各因素对电力负荷预测结果的影响及预测结果的可信度。2bp神经网络模型bp网络(back-propagationnetwork),即反向传播网络,是一种具有三层或三层以上神经元的神经网络,包括输入层、中间层(隐层)和输出层。上下层之间实现全连接,而每层神经元之间无连接。它利用误差反向传播算法对网络进行训练。隐层的神经元数目选择是一个十分复杂的问题,往往需要根据设计者的经验和多次实验来确定,因而不存在一个理想的解析式来表示。隐单元的数目与问题的要求、输入/输出单元的数目都有着直接关系。隐单元数目太多会导致学习时间过长、误差不一定最佳,也会导致容错性差、不能识别以前没有看到的样本,因此一定存在一个最佳的隐单元数。以下4个公式可以用于选择最佳隐单元数时的参考公式。(1),其中,k为样本数量,为隐单元数,n为输入单元数。如果i＞n1,。(2),m为输出神经元数,n为输入单元数,a为[1,10]之间的常数。(3)n1=log2n,n为输入单元数。(4)n1=2n+1,n为输入层神经元个数。3工程应用表1是岳阳县电网2008年1月-2010年3月的月最大电力负荷及月平均气温,我们用2008年1月-2009年12年的样本数据值来预测2010年前3个月的电力负荷,并与实际用电量进行比较。3.1bp神经网络模型网络类型:采用bp网络可以直接实现输入参数与电力负荷之间的非线性映射。网络层数:单隐层的bp网络可以以任意精度实现任意复杂的由n维输入空间到m维输出空间的非线性映射。输入输出向量的确定:将岳阳县地区2008年1月至2009年9月的每月最大电力负荷和月平均气温值作为训练样本,且将第1月负荷、第2月负荷、第3月负荷、第4月气温、第5月气温以及第6月气温作为神经元的输入因子。隐层神经元个数:隐层节点数的确定采用“试凑法”,先按经验公式确定一个较少的隐单元数,学习到一定次数后,如果不成功则再增加隐单元的数目,直至达到比较合理(网络收敛精度较高)的隐单元数目为止。传递函数:输入层与隐层之间的传递函数采用s型双曲正切函数(tansig),隐层与输出层之间传递函数采用logsig。训练算法:采用levenberg-marquardt(l-m)规则训练网络,可大大减少训练时间。该网络的输入层的神经元个数为6,根据隐含层设计经验公式,以及考虑本问题的实际情况,网络的隐层神经元个数应该在6～25之间。因此设计一个隐含层神经元数目可变的bp网络,通过误差对比,确定最佳的隐含层神经元个数,并检验隐含层神经元个数对网络性能的影响。在样本中,网络的输入是一个6维的向量,这些数量具有不同的单位和量级,所以在输入神经网络之前应该首先进行归一化处理,将数据处理为区间[0,1]之间的数据。输入向量:p=[0.5775,0.6386,0.5770,0.1680,0.2150,0.25700.5380,0.5456,0.6071,0.2910,0.2850,0.23700.6889,0.7137,0.6911,0.1820,0.1130,0.06700.6092,0.6221,0.7250,0.0440,0.0590,0.10500.7558,0.6941,0.6857,0.1700,0.2200,0.25600.6941,0.6017,0.7188,0.2890,0.2860,0.2360]’,输出向量:t=[0.5380,0.5456,0.6071;0.6889,0.7137,0.6911;0.6092,0.6221,0.7250;0.7558,0.6941,0.6857;0.6941,0.6017,0.7188;0.8387,0.8149,0.8071]’。在经过2000次训练之后,隐含层神经元为17的神经网络对函数的逼近效果最好,因为它的误差最小,而且网络经过17次训练就达到了目标误差。当隐含层神经元数目为17时,网络的逼近误差为0.0060。训练好的网络还需要进行测试才可以判定是否可以投入实际应用。现将2009年7月至12月的每月最大电力负荷和月平均气温值作为测试样本,对网络进行检验。程序代码如下:p_test=[0.8387,0.8149,0.8071,0.1810,0.1210,0.0650]’;t_test=[0.7129,0.8734,0.8363]’;y=sim(net,p_test)。运行结果y=[0.7299,0.8712,0.8534],可见网络诊断值和真实值之间的误差是非常小的。按照欧式范数理论,计算网络测试误差为0.0242,可以看出,该误差是非常小的。因此,可以判定,经过训练后,网络是完全可以满足中期电力负荷预测要求的。3.2负荷预测对岳阳县2010年前3个月的电力负荷进行预测,输入向量为:p’=[0.7129,0.8734,0.8363,0.0450,0.0610,0.1070]’这里利用仿真函数sim来计算网络的输出,得到的结果为[0.8592,0.8109,0.7689]。对比这一季度的实际用电负荷,发现神经网络的预测结果与实际值相差很小,可以认为该网络模型达到了满意的精度。4结语本文探讨了人工神经网络技术应用于电力系统中期负荷预测的基本原理,利用matlab编制了相应的程序,提出一种基于bp网络的负荷预测方法,通过工程应用对岳阳县地区2010年第一季度的用电负荷进行较准确的预测,进一步验证了采用该方法对电力负荷预测的可行性及可靠性。参考文献[1]高强,王胜,徐建源.基于人工神经网络的中期电力负荷预测研究[j].沈阳工业大学学报.2004,26(1):41～43.[2]d.c.park,m.a.el-sharkawi,r.j.marks,etal.electricloadforecastingusinganartificialneuralnetwork[j].ieeetransonpowersystem,1991,6(2):442～449.[3]吕彬,曾洁.基于bp神经网络的电力负荷预测研究[j].现代现代商贸工业.2009,21:253～254.[4]赵宇红,胡玲,刘旭宁.人工神经网络在电力负荷预测上的分析与探讨[j].科技创新导报,2011,2.[5]储琳琳,郭纯生.浅析bp神经网络算法的改进和优化[j].科技创新导报,2009,12.