鞏曉鋒

（大連市城市規(guī)劃設(shè)計研究院，遼寧 大連116012）

1 人工神經(jīng)網(wǎng)絡(luò)原理

目前，人工神經(jīng)網(wǎng)絡(luò)的研究領(lǐng)域，有代表性的網(wǎng)絡(luò)模型達(dá)數(shù)十種，并且隨著應(yīng)用研究的不斷深入，新的模型也在不斷推出。人工神經(jīng)的研究和應(yīng)用多是以下4種基本模型及其改進(jìn)型：Hopfield神經(jīng)網(wǎng)絡(luò)、多層感知器、自組織神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)。在電力等系統(tǒng)負(fù)荷預(yù)測中，應(yīng)用最多的是帶有隱層的前饋型神經(jīng)網(wǎng)絡(luò)。它通常具有輸入層、輸出層和若干隱層組成。假如某一前饋型神經(jīng)網(wǎng)絡(luò)，有m層，每一層有若干個神經(jīng)元，第k層第j個神經(jīng)元具有下列輸入輸出關(guān)系：

Nk為第k層神經(jīng)元數(shù)目；m為總層數(shù)。

利用上式可以求出網(wǎng)絡(luò)總輸入y1(0),y2(0),……,yN(0),與輸出 y1(m),y2(m),……,yN(m),之間的關(guān)系式。實際上，代表輸入輸出的有關(guān)信息主要分布在神經(jīng)元之間的連接上，不同的連接強度反映不同的輸入輸出關(guān)系。在對結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，一般是通過一定算法逐步修改各神經(jīng)元之間的權(quán)重等參數(shù)而使計算結(jié)果趨近于實際目標(biāo)，當(dāng)計算結(jié)果與實際目標(biāo)之間的誤差達(dá)到允許值時，則稱對該網(wǎng)絡(luò)的訓(xùn)練結(jié)束。

2 預(yù)測結(jié)果分析

2.1 課題背景

在本項目中，筆者采用Matlab神經(jīng)網(wǎng)絡(luò)工具箱建模，以7天為周期組織2005年—2009年的小時負(fù)荷及各天相關(guān)數(shù)據(jù)作為樣本神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在滿足訓(xùn)練精度要求后，將到的人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于2010年的小時負(fù)荷預(yù)測工作。

2.2 預(yù)測結(jié)果及分析

為使數(shù)據(jù)的預(yù)測結(jié)果更具直觀性，編程輸出 “誤差數(shù)據(jù)”并研究其特點，為提取這些數(shù)據(jù)所包含的信息，筆者分別以天、周等作為周期重新組織數(shù)據(jù)組織，對比對應(yīng)時間點誤差變化的特點，考慮燃?xì)馓峁┥痰倪\作特點，分析誤差產(chǎn)生的原因并提出可能的改進(jìn)方向。

2.2.1 全年小時負(fù)荷預(yù)測結(jié)果統(tǒng)計

筆者將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)用于預(yù)測2006年-2010年小時負(fù)荷，并分析預(yù)測誤差的分布情況：整體看2010年的小時負(fù)荷預(yù)測結(jié)果與其他年預(yù)測結(jié)果相似，且略好于其他各年.具體表現(xiàn)在2010年預(yù)測誤差大于30%的數(shù)據(jù)總量明顯小于其它各年，誤差在10～30%之間的數(shù)據(jù)大量增加。總結(jié)起來，2005年數(shù)據(jù)好于其他各年的原因可能有以下兩點：

（1）用氣戶數(shù)的增加：總用氣戶數(shù)增加，更好地表現(xiàn)居民的用氣規(guī)律，增強負(fù)荷的“日周期”規(guī)律，減小用氣量的隨機(jī)波動，從該市的用戶統(tǒng)計中可以得到證明。

（2）工業(yè)用氣量的增加：工業(yè)用戶生產(chǎn)連續(xù)，用氣穩(wěn)定，因而工業(yè)用氣量的增加可以使總用氣波動相對減小，有利于提高預(yù)測精度。該市近兩年來工業(yè)投資大量增加，工業(yè)用戶持續(xù)增長，為穩(wěn)定用氣、提高負(fù)荷預(yù)測精度發(fā)揮了積極作用。

2.2.2 全年誤差分布圖

為分析燃?xì)庑r負(fù)荷預(yù)測全年的誤差分布，筆者統(tǒng)計1月至12月的各月誤差分布，從數(shù)據(jù)中我們可以總結(jié)出各月數(shù)據(jù)有以下特點：

（1）各誤差區(qū)間內(nèi)，全年各月誤差分布相似，誤差波動小。

（2）全年1月份誤差在30～100%間的數(shù)據(jù)明顯比其它各月高，其超過一月份總數(shù)據(jù)量的20%。

（3）在誤差大于100%的區(qū)間上，11月誤差占其總數(shù)據(jù)量的10%(明顯大于其它各月)。

筆者分析產(chǎn)生以上現(xiàn)象的原因可能有以下幾點：

1）從整體上來看，全年中用戶的用氣規(guī)律基本保持一致，或者說用氣規(guī)律保持緩慢、連續(xù)的變化，因而預(yù)測精度沒有出現(xiàn)大變化；

2）1月小時負(fù)荷預(yù)測精度低，這種現(xiàn)象的出現(xiàn)可能是由于重大節(jié)日(如元旦)期間用氣規(guī)律突變所致。

3）現(xiàn)象(3)的產(chǎn)生從數(shù)據(jù)上原因未確定，可能由于操作失誤或有工業(yè)大用戶增減等原因。

3 結(jié)論及改進(jìn)方向

3.1 建立有效的數(shù)學(xué)模型

針對每天凌晨預(yù)測誤差大的現(xiàn)象，建議以此為課題，考慮以管網(wǎng)的儲氣容積、城市夜間燃?xì)庀牧俊⑷細(xì)夤鹃g歇供氣量作為邊界條件建立數(shù)學(xué)模型，用于研究燃?xì)庳?fù)荷預(yù)測。

3.2 細(xì)致分析一月份誤差大的真實原因

針對春節(jié)、元旦等重大節(jié)日編寫相對獨立的預(yù)測程序，預(yù)期此工作可能進(jìn)一步提高重大節(jié)日的負(fù)荷預(yù)測精度。

3.3 加強與燃?xì)夤炯夹g(shù)合作

信息溝通，將第一手的負(fù)荷資料、工程管理信息與研究人員的預(yù)測理論相結(jié)合，有助于深入研究燃?xì)庳?fù)荷的規(guī)律。

3.4 關(guān)注人工神經(jīng)網(wǎng)絡(luò)方面的動態(tài)信息

提取燃?xì)庳?fù)荷的波動特性，考慮改造人工神經(jīng)網(wǎng)絡(luò)，同時關(guān)注人工神經(jīng)網(wǎng)絡(luò)與其它預(yù)測工具融合的可能性。

［1］林錦順，姚儉.基于BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測及在電力負(fù)荷的應(yīng)用[J].上海理工大學(xué)學(xué)報，2005，27(5)：451-455.

［2］周中明，李建平，張鑫，等.ANN在電力系統(tǒng)中期負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報，2003，15(2)：157-160.