劉進(jìn)波　+陳鑫　+李新花

摘 要 通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)輸入負(fù)荷值的歸一化處理，同時(shí)采用LevenbergMarquardt（LM）算法，建立了一個(gè)改進(jìn)了的BP神經(jīng)網(wǎng)絡(luò)，同時(shí)用它來(lái)對(duì)電力系統(tǒng)進(jìn)行短期負(fù)荷預(yù)測(cè).LM算法有效地提高了BP神經(jīng)網(wǎng)絡(luò)的收斂速度和負(fù)荷的預(yù)測(cè)精度.仿真結(jié)果表明，改進(jìn)了的BP神經(jīng)網(wǎng)絡(luò)具有很高的預(yù)測(cè)精度和較強(qiáng)的適用能力.

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò)；電力負(fù)荷預(yù)測(cè)；LM算法

中圖分類號(hào) F224 TP183 文獻(xiàn)標(biāo)識(shí)碼 A

Power System ShortTerm Load Forecasting Based

on LevenbergMarquardt Algorithm BP Neural Network

LIU Jinbo， CHEN Xin， LI Xinhua

（School of Mathematics and Computational Science， Changsha University

of Science And Technology， Changsha，Hunan 410004，China）

Abstract By utilizing the normalization for the input load values of BP neural network and adopting LevenbergMarquardt algorithm， this paper established an improved BP neural network and investigated the power system shortterm load forecasting. LevenbergMarquardt algorithm improves the convergence speed and the load forecast accuracy. The simulation results show that the improved BP neural network can offer higher forecast precision and has greater applicability.

Key words BP neural network； Power load forecasting； LevenbergMarquardt algorithm

1 引 言

電力負(fù)荷預(yù)測(cè)是以電力負(fù)荷為對(duì)象進(jìn)行的一系列預(yù)測(cè)工作.從預(yù)測(cè)對(duì)象來(lái)看，電力負(fù)荷預(yù)測(cè)包括對(duì)未來(lái)電力需求量（功率）的預(yù)測(cè)和對(duì)未來(lái)用電量（能量）的預(yù)測(cè)以及對(duì)負(fù)荷曲線的預(yù)測(cè).其主要工作是預(yù)測(cè)未來(lái)電力負(fù)荷的時(shí)間分布和空間分布，為電力系統(tǒng)規(guī)劃和運(yùn)行提供可靠的決策依據(jù).電力系統(tǒng)短期負(fù)荷預(yù)測(cè)能夠預(yù)測(cè)提前一天至一周的電力負(fù)荷值，它不僅對(duì)確定日運(yùn)行方式有十分重要的作用，而且也是確定負(fù)荷調(diào)度方案、地區(qū)間功率輸送方案和機(jī)組組合方案所不可或缺的.電力負(fù)荷預(yù)測(cè)的結(jié)果，不僅對(duì)大中型電力用戶來(lái)說(shuō)，在安排生產(chǎn)計(jì)劃、估算經(jīng)濟(jì)成本和效益、以及規(guī)劃近、中期的生產(chǎn)規(guī)模都具有十分重要的意義，而且對(duì)地方政府在資源配置、產(chǎn)業(yè)布局等經(jīng)濟(jì)決策中有重要的參考價(jià)值[1].

人們經(jīng)過(guò)長(zhǎng)期的研究與實(shí)踐開(kāi)發(fā)了多種電力負(fù)荷預(yù)測(cè)方法，主要分為定量預(yù)測(cè)技術(shù)及定性的經(jīng)驗(yàn)預(yù)測(cè)技術(shù).常用的定性經(jīng)驗(yàn)預(yù)測(cè)方法有主觀概率法、專家預(yù)測(cè)法（專家會(huì)議法、德?tīng)柗品ǖ龋?、類比法等方?常用的定量預(yù)測(cè)技術(shù)有人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)、經(jīng)典技術(shù)（彈性系數(shù)法、負(fù)荷密度法、單耗法、比例系數(shù)增長(zhǎng)法等）、模糊預(yù)測(cè)技術(shù)、回歸模型預(yù)測(cè)技術(shù)、專家系統(tǒng)預(yù)測(cè)技術(shù)、趨勢(shì)外推預(yù)測(cè)技術(shù)、灰色模型預(yù)測(cè)技術(shù)、優(yōu)選組合預(yù)測(cè)法、時(shí)間序列預(yù)測(cè)技術(shù)等[1，2].

經(jīng) 濟(jì) 數(shù) 學(xué)第 32卷第2期

劉進(jìn)波等：基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測(cè)

目前利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)電力負(fù)荷進(jìn)行短期預(yù)測(cè)是國(guó)際上公認(rèn)為比較有效的方法[3，5-11]，但傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)技術(shù)因收斂速度比較慢，學(xué)習(xí)效率低，泛化能力差等缺陷而有待進(jìn)一步的改進(jìn)和完善，正因于此，本文研究了基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測(cè)問(wèn)題，在總結(jié)現(xiàn)有理論成果的基礎(chǔ)上主要對(duì)BP神經(jīng)網(wǎng)絡(luò)的算法、網(wǎng)絡(luò)結(jié)構(gòu)、輸入數(shù)據(jù)的預(yù)處理等方面進(jìn)行了研究，并應(yīng)用到電力負(fù)荷的短期預(yù)測(cè)上.仿真結(jié)果表明，改進(jìn)了的BP神經(jīng)網(wǎng)絡(luò)具有很高的預(yù)測(cè)精度和較強(qiáng)的適用能力.

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

在電力系統(tǒng)負(fù)荷預(yù)測(cè)中，目前應(yīng)用較多的是反向傳播網(wǎng)絡(luò)（Back Propagation Neural Networks），簡(jiǎn)稱BP網(wǎng)絡(luò).它是由Rumelhart等研究者為了解決多層網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)題于1986年提出來(lái)的.BP網(wǎng)絡(luò)由輸入層、隱含層、輸出層這三個(gè)神經(jīng)元依次組成，各層次之間的神經(jīng)元按照一定的權(quán)重相互連接，但同一層次之間的神經(jīng)元沒(méi)有形成反饋連接.

1989年，Robert HechtNielsen證明了對(duì)于任何閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱含層的BP網(wǎng)絡(luò)來(lái)逼近（擬合），因而，一般選用一個(gè)三層的BP網(wǎng)絡(luò)來(lái)進(jìn)行訓(xùn)練學(xué)習(xí)[3].

2.2 標(biāo)準(zhǔn)BP算法

BP算法是一種有監(jiān)督的學(xué)習(xí)算法.其基本思想是學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成.信號(hào)正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)過(guò)各隱藏層逐層處理后，傳向輸出層.若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段.誤差反向傳播是將輸出誤差以某種形式通過(guò)隱藏層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的每個(gè)單元，從而獲得各層每個(gè)單元的誤差信號(hào)，這種誤差信號(hào)將作為修正各單元權(quán)值的依據(jù).此種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程，是不斷重復(fù)地進(jìn)行的.權(quán)值不斷調(diào)整的過(guò)程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程.這種過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[1-3].