馬 寧

（山西管理職業(yè)學(xué)院，山西 臨汾041051）

0 引 言

電力負(fù)荷預(yù)測是電網(wǎng)運行管理的重要工作，是科學(xué)安排電力系統(tǒng)備用容量，實現(xiàn)電力系統(tǒng)安全、優(yōu)質(zhì)、經(jīng)濟(jì)運行，以及進(jìn)行電力營銷基礎(chǔ)。電力負(fù)荷預(yù)測分為長期、中期和短期預(yù)測，其中，短期負(fù)荷預(yù)測涉及電網(wǎng)的發(fā)、輸、配、售等多個方面，做好短期負(fù)荷預(yù)測是電力負(fù)荷預(yù)測的重中之重。準(zhǔn)確預(yù)測短期電力負(fù)荷，才能制定合理的電網(wǎng)規(guī)劃方案，為中長期預(yù)測提供堅實的基礎(chǔ)。

影響電力負(fù)荷的因素眾多，由此帶來的問題也比較復(fù)雜。把預(yù)測方法分為一般經(jīng)典方法和人工智能方法。一般經(jīng)典方法包括時間序列預(yù)測、指數(shù)平滑預(yù)測、回歸分析等方法[1]。這類方法有兩個致命缺點。一是過分依靠歷史數(shù)據(jù)，如果歷史數(shù)據(jù)殘缺或壞數(shù)據(jù)比較多，預(yù)測結(jié)果會受嚴(yán)重的影響，所以有些研究嘗試用模糊或不確定的方法[2]進(jìn)行去噪處理。二是預(yù)測方法陳舊，只能反映時間變化規(guī)律，不能加入其它影響因素。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)方法[3-6]、支持向量機(jī)方法[7]、小波分析法[8]及綜合預(yù)測方法。在運用這些預(yù)測方法過程中，要建立復(fù)雜的模擬模型，實際應(yīng)用難度大。但是隨著科技進(jìn)步，人工智能方法能很好地模擬歷史，并預(yù)測未來，應(yīng)用前景更為廣泛。

人工神經(jīng)網(wǎng)絡(luò)是人工智能技術(shù)中的一種，過去幾十年，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到不斷發(fā)展。人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)的信息處理系統(tǒng)，通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式處理信息，它具有很好的自適應(yīng)性，克服了傳統(tǒng)的線性限制，在處理短期預(yù)報中，具有良好的模擬、優(yōu)化和預(yù)測效果。所以，神經(jīng)網(wǎng)絡(luò)預(yù)測方法能適應(yīng)電力負(fù)荷系統(tǒng)具有隨機(jī)性、非線性的特點。

粗糙集[9,10]理論是波蘭數(shù)學(xué)家Z.Pawlak 于1982年提出的分析不完整、不確定數(shù)據(jù)的數(shù)學(xué)理論。該理論運用于預(yù)測的最大特點是無需提供問題處理的數(shù)據(jù)集合之外的任何先驗信息，因此問題處理比較客觀，真正體現(xiàn)了“讓數(shù)據(jù)自己說話”的思想。采用粗糙集理論進(jìn)行決策分析，就是從給定的數(shù)據(jù)集中獲取有價值的信息，利用原始數(shù)據(jù)建立粗糙集模型，通過數(shù)據(jù)壓縮、約簡、屬性重要性分析等方法，產(chǎn)生合理的決策方案。

1 BP 人工神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart 和McCelland 為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ń⒍鄬忧梆伨W(wǎng)絡(luò)的方法，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP 網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入——輸出模式映射關(guān)系，無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。研究證明一個3 層BP 神經(jīng)網(wǎng)絡(luò)能無限逼近任何復(fù)雜函數(shù)，能實現(xiàn)多種類型的映射。圖1顯示一個設(shè)有輸入層、隱含層、輸出層的3 層BP人工神經(jīng)網(wǎng)絡(luò)。底層為輸入層La，元數(shù)為n；中間層為隱含層Lb，元數(shù)為p；輸出層Lc 為頂層。中間的連線代表各層之間的關(guān)系，每種關(guān)系上都對應(yīng)各層節(jié)點與節(jié)點之間的權(quán)重V。其中權(quán)重設(shè)定要不斷地對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，如果網(wǎng)絡(luò)的結(jié)構(gòu)穩(wěn)定性達(dá)到一個可接受的范圍時，就可以使用這個網(wǎng)絡(luò)進(jìn)行預(yù)測。

圖1 BP 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2 人工神經(jīng)網(wǎng)絡(luò)在預(yù)測短期電力負(fù)荷中的應(yīng)用

2.1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

在短期電力負(fù)荷預(yù)測中，有很多因素可以影響預(yù)測結(jié)果，比如氣象條件、自然災(zāi)害、特殊條件等因素。本文研究對象是典型居民區(qū)，這類地區(qū)電力負(fù)荷主要受溫濕度、天氣等氣候因素影響，設(shè)計人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過程如下。

（1）采用溫度、天氣、負(fù)荷作為輸入層數(shù)據(jù)。溫度采用日平均溫度、日最高溫度、日最低溫度三個數(shù)據(jù)量綱。天氣采用晴、多云、陰、小雨、中雨、大雨及以上六個維度。負(fù)荷采用日平均負(fù)荷、日最高負(fù)荷、日最低負(fù)荷三個數(shù)據(jù)量綱。

(2)電力負(fù)荷具有周期相關(guān)性，所以某日的負(fù)荷與前一日的負(fù)荷、氣溫、天氣之間有很大的關(guān)系，以毗鄰日的數(shù)據(jù)作為輸入數(shù)據(jù)。

(3)構(gòu)建全連接的3 層BP 網(wǎng)絡(luò)模型，其中激勵函數(shù)采用：

本網(wǎng)絡(luò)有11 個輸入神經(jīng)元，中間隱含層神經(jīng)元個數(shù)為11，3 個輸出單元。BP 神經(jīng)網(wǎng)絡(luò)輸入和輸出的定義如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)輸入和輸出定義

2.2 訓(xùn)練樣本的預(yù)處理

選擇某區(qū)2001年1月至2009年12月每天的負(fù)荷數(shù)據(jù)作為BP 網(wǎng)絡(luò)的學(xué)習(xí)樣本數(shù)據(jù)，作為2010年1月的數(shù)據(jù)。在數(shù)據(jù)預(yù)處理過程中，本文以權(quán)重處理過的歷史負(fù)荷作為建模數(shù)據(jù)，具體步驟如下。

（1）歸一化。因?qū)嶒灅颖局械闹笜?biāo)具有不同的量綱和量綱單位，如果使用原始數(shù)據(jù)則會影響數(shù)據(jù)的分析結(jié)果，需要進(jìn)行標(biāo)準(zhǔn)化處理。處理后，各指標(biāo)統(tǒng)一量綱，適合評價。本文以Z-score 方法進(jìn)行標(biāo)準(zhǔn)化，即：

其中μ 為所有樣本數(shù)據(jù)的均值，σ 為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

（2）模糊集方法去噪。首先將樣本數(shù)據(jù)中的氣溫指標(biāo)離散化，即區(qū)間化，分成[T〈Ti]、[Ti〈T〈Tj]、[T〉Tj]，構(gòu)建模糊評價決策表，表格中的每一行描述一個對象，每一列描述一個條件屬性和決策屬性，結(jié)果如表2所示。

表2 模糊集決策表

在表2中，通過對條件屬性的約簡，精簡出對決策屬性無影響的條件，得到最小條件屬性集及相應(yīng)的原始數(shù)據(jù)后，重新形成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本。

2.3 其他參數(shù)的確定

使用模糊集去噪后，對樣本數(shù)據(jù)進(jìn)行歸一化處理。BP 網(wǎng)絡(luò)中需要確定的參數(shù)包括最佳學(xué)習(xí)率η 和動量因子α 及可承受最小誤差E。網(wǎng)絡(luò)之間的傳遞函數(shù)采用Hyperbolic Tangent Sigmoid 函數(shù)。經(jīng)反復(fù)計算，本文設(shè)置學(xué)習(xí)率η 為0.7，動量因子α 為0.9，結(jié)果最小誤差設(shè)為0.0001，當(dāng)?shù)`差小于這個值時，訓(xùn)練停止。

3 結(jié)果及分析

本文對2010年1月的日平均負(fù)荷進(jìn)行預(yù)測，預(yù)測結(jié)果表3所示。

表3 2010年1月的日平均負(fù)荷預(yù)測結(jié)果表

結(jié)果表明，日平均負(fù)荷預(yù)測誤差基本維持在0.1%～0.2%左右，滿足實際的需要，達(dá)到了預(yù)期效果。

4 結(jié) 論

本文構(gòu)建了基于粗糙集的BP 神經(jīng)網(wǎng)絡(luò)電力短期負(fù)荷預(yù)測模型，并對電力系統(tǒng)短期電力負(fù)荷進(jìn)行了預(yù)測，得到誤差變化情況和預(yù)測結(jié)果，預(yù)測結(jié)果表明預(yù)測模型具有可行性。

[1] Larry D Paramann,Mohamed D Najar. Adaptive online load forecastin via time series modeling[J] .Electric Power Systems Research,1995.

[2] DU Song-huai,HOU Zhi-jian,JIANG Chuanwen. Grey forecasting price,utation and its simulation[J]. Journal of Grey System，2003(1):43-48.

[3] 閻平凡,張長水.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計算[M].北京:清華大學(xué)出版社，2000.

[4] 張國忠,熊偉等. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測電力負(fù)荷[J].電力自動化設(shè)備，2002（3）.

[5] 鮑正江,胡海兵.一種基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測方法[J].浙江電力，2004（3）.

[6] 劉薇.人工神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測中的應(yīng)用研究[D].南昌：南昌大學(xué)，2007.

[7] 沈梁玉,于欣.基于支持向量機(jī)的夏季電力負(fù)荷短期預(yù)測方法[J].華東電力，2007（5）.

[8] 于帆,董敏.小波變換與PAR 方法在負(fù)荷短期預(yù)測中的應(yīng)用[J].計算機(jī)與數(shù)學(xué)工程，2011（2）.

[9] 楊傳健,葛浩,汪志圣.基于粗糙集的屬性約簡方法研究綜述[J].計算機(jī)應(yīng)用研究，2012（3）.

[10] 王培吉,趙玉琳,呂劍峰. 粗糙集屬性約簡的方法[J].計算機(jī)工程與應(yīng)用，2012（4）.