陳金賽，張新波

(浙江工商大學(xué)信息與電子工程學(xué)院，浙江杭州310018)

0 引言

電力系統(tǒng)負(fù)荷預(yù)測(cè)［1－4，9］是根據(jù)電力負(fù)荷、經(jīng)濟(jì)、社會(huì)、氣象等歷史數(shù)據(jù)，探索電力負(fù)荷歷史數(shù)據(jù)變化規(guī)律對(duì)未來(lái)負(fù)荷的影響，尋求電力負(fù)荷與各種相關(guān)因素之間的內(nèi)在聯(lián)系，而對(duì)未來(lái)的電力負(fù)荷進(jìn)行科學(xué)的預(yù)測(cè)。負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)許多部門都起著重要的作用。例如以日負(fù)荷曲線為預(yù)測(cè)對(duì)象是制定日前發(fā)電計(jì)劃［5］的基礎(chǔ)。短期負(fù)荷預(yù)測(cè)是負(fù)荷預(yù)測(cè)的重要組成部分，他對(duì)于機(jī)組最優(yōu)組合、經(jīng)濟(jì)調(diào)度、最優(yōu)潮流、電力市場(chǎng)交易等都有著重要的意義。負(fù)荷預(yù)測(cè)精度越高，越有利于提高發(fā)電設(shè)備的利用率和經(jīng)濟(jì)調(diào)度的有效性。短期電力預(yù)測(cè)的研究已有很長(zhǎng)歷史，有各種預(yù)測(cè)方法。有基于同類型日的預(yù)測(cè)方法、一元線性回歸法、時(shí)間序列預(yù)測(cè)法、頻域分量預(yù)測(cè)法、基于小波分析的預(yù)測(cè)法、基于混沌理論的預(yù)測(cè)方法和人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法等。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)具有很強(qiáng)的自學(xué)習(xí)和復(fù)雜的非線性函數(shù)擬合能力，很適合用于短期電力負(fù)荷預(yù)測(cè)，是在國(guó)際上得到認(rèn)可的使用預(yù)測(cè)方法之一。由于傳統(tǒng)的ANN方法存在著學(xué)習(xí)速率慢和存在局部極小點(diǎn)問(wèn)題，為了克服該缺點(diǎn)，需要改進(jìn)ANN算法。

1 改進(jìn)的BP人工神經(jīng)網(wǎng)絡(luò)及同類型日思想的模糊映射

1.1 改進(jìn)的BP人工神經(jīng)網(wǎng)絡(luò)

針對(duì)傳統(tǒng)的ANN算法存在的缺陷為加快BP算法訓(xùn)練速度，避免陷入局部極小值和改善算法的有效性，有以下兩種方法:

(1)增加動(dòng)量法。為了提高網(wǎng)絡(luò)的訓(xùn)練速度，可以在權(quán)值調(diào)整公式中增加一動(dòng)量項(xiàng)。用W代表某層權(quán)矩陣，X代表某層輸入向量，則含有動(dòng)量項(xiàng)的權(quán)值調(diào)整向量表達(dá)式為:

增加動(dòng)量項(xiàng)即從前一次權(quán)值調(diào)整過(guò)程中取出一部分疊加到本次權(quán)值調(diào)整量中，?稱為動(dòng)量系數(shù)，?∈(0，1)。動(dòng)量項(xiàng)反映了以前積累的調(diào)整經(jīng)驗(yàn)，對(duì)于t時(shí)刻的調(diào)整起阻尼作用。當(dāng)誤差曲面出現(xiàn)驟然起伏時(shí)，可減小振蕩趨勢(shì)，提高訓(xùn)練速度;

(2)引入陡度因子。學(xué)習(xí)率η也稱為步長(zhǎng)，平坦區(qū)域內(nèi)，η太小會(huì)使訓(xùn)練次數(shù)增加，如果在調(diào)整進(jìn)入平坦區(qū)后，設(shè)法壓縮神經(jīng)元的凈輸入，使其輸出退出轉(zhuǎn)移函數(shù)的不飽和區(qū)，就可以改變誤差函數(shù)的形狀，從而使調(diào)整脫離平坦區(qū)。

本文網(wǎng)絡(luò)的訓(xùn)練算法是在增加動(dòng)量項(xiàng)的同時(shí)引入陡度因子的訓(xùn)練算法:在誤差反向傳播階段，在增加動(dòng)量項(xiàng)的同時(shí)，當(dāng)神經(jīng)元輸出進(jìn)入了轉(zhuǎn)移函數(shù)的飽和區(qū)時(shí)引入陡度因子，從而調(diào)整誤差函數(shù)的形狀使之脫離平坦區(qū)。

1.2 同類型日思想的模糊映射

1.2.1 同類型日思想

取基準(zhǔn)日之前的若干天為歷史樣本，則刻畫出的示意圖如圖1所示［6，7］。

以基準(zhǔn)日為起點(diǎn)，以7天為周期，可對(duì)歷史樣本分出第一周期、第二周期……。第一周期中，必有一個(gè)與待預(yù)測(cè)日相同類型的預(yù)測(cè)日(即同為星期一，或同為星期二，……)，稱為“同類型日”(或“相似日”)。這些同類型日歷史日的負(fù)荷與待測(cè)日的負(fù)荷具有較高的相關(guān)性。相反地，歷史日中與待測(cè)日具有不同星期類型的負(fù)荷日稱為“不同類型日”。

圖1 基于同類型日思想預(yù)測(cè)的整體描述

對(duì)于排序好的輸入數(shù)據(jù)，由于各個(gè)特征量的量綱不同，因此需要把各個(gè)物理量作相應(yīng)的映射，把不同量綱的值映射到一個(gè)特定的區(qū)間，使各個(gè)量之間可以有數(shù)值上的可比性，從而方便相似度的定量計(jì)算。

1.2.2 模糊映射處理方法

這里的模糊映射處理是指把每天的相關(guān)因素值經(jīng)過(guò)相關(guān)因素庫(kù)映射到(0，1)區(qū)間上，對(duì)輸入進(jìn)行一次模糊映射預(yù)處理。為了避免神經(jīng)元的飽和現(xiàn)象，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，這樣做將有利于訓(xùn)練過(guò)程的收斂。

2 基于改進(jìn)的算法進(jìn)行短期電力負(fù)荷預(yù)測(cè)的實(shí)現(xiàn)

2.1 數(shù)據(jù)的模糊映射處理

把對(duì)應(yīng)的神經(jīng)元進(jìn)行線性激活和映射處理。氣象類型(陰，晴，多云，雨，雪，風(fēng)等)，星期類型(周一，周二，……，周日等)，日期差(歷史日與預(yù)測(cè)日相差天數(shù)，1天，2天等)，日分類(正常日，元旦，國(guó)慶，春節(jié)等)，溫度(最高溫度，最低溫度等)。把這些值映射在一定的區(qū)間范圍內(nèi)，便于分析和計(jì)算。

將氣象數(shù)據(jù)最高溫度、最低溫度、天氣特征(天氣情況的語(yǔ)言表述)，也作為網(wǎng)絡(luò)的輸入變量［8，10］。其中，天氣特征用數(shù)值來(lái)度量晴為0.1，陰為0.4，多云為0.5，雨為0.6，雪為0.7來(lái)量化。日類型星期一、星期二到星期四、星期五、星期六和星期日的量化系數(shù)分別為0.2，0.4，0.6，0.8，1。日期差1天為0.1，2天為0.2等。

2.2 算法的執(zhí)行步驟

算法的執(zhí)行步驟為:

(1)對(duì)輸入層的424個(gè)神經(jīng)元根據(jù)同類型日思想進(jìn)行排序;

(2)對(duì)排序好的神經(jīng)元數(shù)據(jù)進(jìn)行模糊映射處理，使之全部映射到(－1，1)區(qū)間中;

(3)建立合適的ANN模型初始化。對(duì)權(quán)值矩陣賦隨機(jī)數(shù)，誤差E置0，網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度Emin設(shè)為一個(gè)正的小數(shù);

(4)將處理過(guò)的訓(xùn)練樣本輸入到網(wǎng)絡(luò)中;

(5)由網(wǎng)絡(luò)正向計(jì)算出各層節(jié)點(diǎn)輸出;

(6)計(jì)算網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差并畫出相應(yīng)誤差曲線;

(7)從輸出層起始反向計(jì)算到第一個(gè)隱層，在權(quán)值調(diào)整中增加動(dòng)量項(xiàng)，使誤差減小到最小。如果在輸出的誤差曲線中出現(xiàn)平坦區(qū)，則在原轉(zhuǎn)換函數(shù)中引入陡度因子;

(8)用改進(jìn)的算法修正權(quán)值Wij和閾值φ;

(9)對(duì)訓(xùn)練樣本集中的每一個(gè)樣本重復(fù)以上步驟，調(diào)整神經(jīng)元數(shù)目和權(quán)值，直到對(duì)整個(gè)訓(xùn)練樣本集的誤差達(dá)到要求為止并畫出相應(yīng)誤差曲線。

3 實(shí)例分析

應(yīng)用前述的算法組成神經(jīng)網(wǎng)絡(luò)，結(jié)合相關(guān)因素法設(shè)計(jì)一種基于BP人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)預(yù)測(cè)系統(tǒng)，搜集湖州市2010年6月3日到6月18日之間每天每個(gè)時(shí)刻的電力負(fù)荷數(shù)據(jù)以及當(dāng)天的溫度、天氣條件以及星期類型等，預(yù)測(cè)6月19日的每個(gè)時(shí)刻的電力負(fù)荷數(shù)據(jù)。把采集到的數(shù)據(jù)根據(jù)前面的方法進(jìn)行模糊映射處理。

對(duì)仿真結(jié)果進(jìn)行分析，用MATLAB對(duì)傳統(tǒng)的BP網(wǎng)絡(luò)和改進(jìn)的BP網(wǎng)絡(luò)進(jìn)行仿真結(jié)果符合預(yù)測(cè)的目標(biāo)如圖2、3所示:

圖2 BP標(biāo)準(zhǔn)算法誤差變化曲線

圖3 改進(jìn)后的算法誤差變化曲線

如表1所示，實(shí)現(xiàn)同樣訓(xùn)練目標(biāo)誤差精度，標(biāo)準(zhǔn)BP算法需要521步，而改進(jìn)的BP算法僅需要86步。由此可見(jiàn)，本文提出的改進(jìn)BP算法是一種合理的、有效的和可行的BP算法。

4 結(jié)束語(yǔ)

由于短期電力系統(tǒng)負(fù)荷的運(yùn)行規(guī)律非常復(fù)雜，并受到很多因素的影響如溫度、天氣情況、星期類型等。所以合理選擇應(yīng)用于短期負(fù)荷預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)至關(guān)重要，本文采用了改進(jìn)的BP人工神經(jīng)網(wǎng)絡(luò)和同類型日思想的模糊映射方法建立神經(jīng)網(wǎng)絡(luò)模型。由于傳統(tǒng)的BP算法存在著學(xué)習(xí)速度慢和存在局部極小點(diǎn)的問(wèn)題，為了克服這些困難本文采用了增加附加動(dòng)量項(xiàng)和陡度因子的方法進(jìn)行了仿真，結(jié)果表明有很好的可行性和有效性。

表1 24個(gè)神經(jīng)網(wǎng)絡(luò)6月18日預(yù)測(cè)值與實(shí)際值比較

［1］金海梅，熊信艮，胡耀武.基于相似性原理的短期負(fù)荷預(yù)測(cè)方法［J］.電力系統(tǒng)自動(dòng)化，2001，25(23):45－48.

［2］張明理，趙瑞.短期負(fù)荷中相似日的判別方法［J］.吉林電力，2005，32(1):19－21.

［3］趙宏偉，任震，黃雯瑩.考慮周期性的短期負(fù)荷預(yù)測(cè)［J］.中國(guó)電機(jī)工業(yè)學(xué)報(bào)，1997，17(3):211－216.

［4］徐進(jìn)東，丁曉群，鄧勇.基于相似日的線性外推短期負(fù)荷預(yù)測(cè)［J］.繼電器，2005，33(7):37－40.

［5］于爾鏗，劉廣一，周京陽(yáng)，等.能源管理系統(tǒng)［M］.北京:科學(xué)出版社，1998:587－592.

［6］清華大學(xué)電機(jī)系.電力市場(chǎng)預(yù)測(cè)理論及其應(yīng)用［M］.北京:清華大學(xué)，1997:276－280.

［7］劉梅，徐洪強(qiáng)，李真，等.基于周期性分析的短期負(fù)荷預(yù)測(cè)(下冊(cè))［C］.鄭州:全國(guó)高校電子專業(yè)第20屆學(xué)術(shù)年會(huì)論文集，2004:1 633－1 636.

［8］羅慧，巢清塵，李奇，等.氣象要素在短期電力負(fù)荷中的預(yù)測(cè)中的應(yīng)用［M］.北京:清華大學(xué)，1999:31－56.

［9］Yang Hong-Tzer，Huang Chao-Ming.A new shortterm load forecasting approach using self-organizing fuzzy ARMAX model［J］.IEEE Transaction on Power Systens，1998，13(1):217－255.

［10］Chow T W S，Eung C T.Neural Network Based Short-term Load Forecasting Using Weather Compensation［J］.IEEE Trans on Power Systems，1996，11(4):1 736－1 742.