崔艷艷，程亞維

(濟(jì)源職業(yè)技術(shù)學(xué)院a.電氣工程系;b.信息工程系，河南濟(jì)源 459000)

0 前言

近年來隨著競爭機(jī)制的不斷引入，我國的電力系統(tǒng)正由壟斷經(jīng)營階段逐步向發(fā)電競爭階段過渡，負(fù)荷預(yù)測(cè)工作也隨之逐步發(fā)生轉(zhuǎn)變［1］。負(fù)荷預(yù)測(cè)的重要性已經(jīng)得到普遍重視，負(fù)荷預(yù)測(cè)的手段已由先前的人工預(yù)測(cè)方式逐步被軟件預(yù)測(cè)方式所代替，負(fù)荷預(yù)測(cè)軟件己成為能量管理系統(tǒng)(EMS)的重要組成部分［2］。另外，由于計(jì)算機(jī)的普及，使大量適用于電力市場(chǎng)環(huán)境下的負(fù)荷預(yù)測(cè)理論算法和預(yù)測(cè)模型的采用成為可能，為提高預(yù)測(cè)精度創(chuàng)造了有利條件。

目前，短期負(fù)荷預(yù)測(cè)的方法有很多種，神經(jīng)網(wǎng)絡(luò)和模糊理論預(yù)測(cè)方法受到國內(nèi)外廣大研究人員的高度重視，被認(rèn)為是比較有效的方法［3］。在此背景下，本文針對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)系統(tǒng)中的各種問題，進(jìn)行了深入的探討，建立基于模糊控制理論和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的短期負(fù)荷預(yù)測(cè)模型，并對(duì)歷史負(fù)荷數(shù)據(jù)及影響負(fù)荷的因素進(jìn)行處理，通過實(shí)例驗(yàn)證了該預(yù)測(cè)模型的準(zhǔn)確性。

1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括3層，依次按左、中、右的順序分別為輸入節(jié)點(diǎn)、隱節(jié)點(diǎn)、輸出點(diǎn)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。每一層都有著完全不同的作用:輸入層由信號(hào)源節(jié)點(diǎn)構(gòu)成，其作用只是接受輸入信號(hào)并將其傳遞到隱含層;隱含層由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，是RBF網(wǎng)絡(luò)中最重要的一層;輸出層通常是對(duì)隱含層節(jié)點(diǎn)非線性基函數(shù)輸出的線性組合，從而得到最后的結(jié)果［4－5］。

對(duì)于RBF網(wǎng)絡(luò)的數(shù)學(xué)描述可表達(dá)為:在n維空間中，給定N個(gè)輸入樣本xi=(i=1，2，…，N)，則網(wǎng)絡(luò)隱含層的第k個(gè)節(jié)點(diǎn)的輸出可以表示為:

其中，xi表示有n維輸入向量;Tk表示第k個(gè)隱層節(jié)點(diǎn)的中心，k=1，2，…，l;· 通常為歐式范數(shù); R(·)也表示RBF函數(shù)，它具有局部感受的特性，體現(xiàn)了RBF網(wǎng)絡(luò)的非線性映射能力。而網(wǎng)絡(luò)輸出層的第j個(gè)節(jié)點(diǎn)的輸出，則為隱含層節(jié)點(diǎn)到輸出層的線性映射，即:

圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖

其中，wkj表示隱含層到輸出層的權(quán)值;θj是第j個(gè)輸出節(jié)點(diǎn)的閾值;m則是輸出層的節(jié)點(diǎn)數(shù)。

2 基于模糊控制的RBF神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)短期負(fù)荷算法

隨著電力系統(tǒng)負(fù)荷的變化，RBF神經(jīng)網(wǎng)絡(luò)的內(nèi)在關(guān)系也應(yīng)發(fā)生變化，如果用原有的神經(jīng)元網(wǎng)絡(luò)參數(shù)進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，往往會(huì)產(chǎn)生較大的誤差，但是模糊調(diào)整可以改變這種現(xiàn)象，提高負(fù)荷預(yù)測(cè)的精度。本文在進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)時(shí)，可以在RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基礎(chǔ)上再進(jìn)行一個(gè)在線自調(diào)整的模糊控制。假設(shè)RBF神經(jīng)網(wǎng)絡(luò)的輸出為U，模糊調(diào)整的輸出為ΔU，則該網(wǎng)絡(luò)預(yù)測(cè)的最后輸出是Y=U+ ΔU，其預(yù)測(cè)流程如圖2所示。

圖2 模糊控制RBF網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)工作流程

3 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)實(shí)例分析

為了驗(yàn)證該方法的有效性和精確性，選取河南省某地區(qū)某天24小時(shí)內(nèi)的電力負(fù)荷進(jìn)行預(yù)測(cè)。本文建立24個(gè)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，每個(gè)神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為12個(gè)，隱含層節(jié)點(diǎn)為16個(gè)，輸出層節(jié)點(diǎn)為1個(gè)。該算法并與傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較，其負(fù)荷預(yù)測(cè)曲線如圖3所示，相對(duì)誤差曲線如圖4所示。RBF和模糊控制RBF模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果如表1所示。

圖3 RBF和模糊控制RBF模型的負(fù)荷預(yù)測(cè)曲線

圖4 RBF和模糊控制RBF模型負(fù)荷預(yù)測(cè)相對(duì)誤差曲線

表1 RBF神經(jīng)網(wǎng)絡(luò)和模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)數(shù)據(jù)對(duì)比

續(xù)表1

從表1中可知，RBF網(wǎng)絡(luò)預(yù)測(cè)的最大相對(duì)誤差為3.639 0%，最小相對(duì)誤差為－2.759 5%;而模糊控制的RBF網(wǎng)絡(luò)預(yù)測(cè)的最大相對(duì)誤差為2.573 5%，最小相對(duì)誤差為－2.605 2%。

4 結(jié)論

在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中，傳統(tǒng)的RBF網(wǎng)絡(luò)會(huì)產(chǎn)生較大的誤差。本文提出模糊控制與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)算法，該算法是在RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基礎(chǔ)上進(jìn)行在線自調(diào)整的模糊控制。結(jié)果表明，該方法與傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)方法相比，具有較高的預(yù)測(cè)精度。

［1］王黎明.電力系統(tǒng)中短期負(fù)荷預(yù)測(cè)的研究［D］.東營:中國石油大學(xué)，2008.

［2］王聰.基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)［D］.保定:華北電力大學(xué)，2004.

［3］張寧.基于模糊推理和神經(jīng)網(wǎng)絡(luò)的日負(fù)荷預(yù)測(cè)的研究［D］.太原:太原理工大學(xué)，2006.

［4］劉昊，張艷，高鑫，等.基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的短期負(fù)荷預(yù)測(cè)［J］.電網(wǎng)與清潔能源，2009，25(10):62－66.

［5］李楊，李曉明，黃玲，等.基于人工神經(jīng)網(wǎng)絡(luò)和模糊集的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法［J］.華中電力，2007，20(2):1－4.