蔡金明，紀 濤，周方琪

（國網(wǎng)浙江德清縣供電公司，浙江德清313200）

基于神經(jīng)網(wǎng)絡與綜合氣象因素的短期負荷預測

蔡金明，紀 濤，周方琪

（國網(wǎng)浙江德清縣供電公司，浙江德清313200）

建立每日96點的負荷預測綜合模型.引入人工神經(jīng)網(wǎng)絡（ANN）模型，將人體舒適度和歷史負荷數(shù)據(jù)共同作為人工神經(jīng)網(wǎng)絡的輸入，建立人工神經(jīng)網(wǎng)絡（ANN）模型，對浙江某市每日96點負荷進行分段預測.每日96點預測值的平均相對誤差絕對值可以達到1.3%以下，達到了短期負荷預測精度要求.

負荷預測；神經(jīng)網(wǎng)絡；氣象因素；人體舒適度；歷史數(shù)據(jù)；預測模型

0 引言

隨著國家經(jīng)濟的進步，居民擁有空調的數(shù)量越來越多.而在夏天，氣象因素很大程度上決定了電網(wǎng)負荷的大小和波動規(guī)律.有學者對負荷與各個氣象因子的相關性進行了研究，并且有文獻總結出了氣象敏感負荷與各個氣象因子之間的相關性系數(shù).也有文獻采用回歸理論建立了各時段氣象敏感負荷與各氣象因素的關系模型，但回歸分析方法存在自身的缺陷，多元非線性方程組的求解十分困難，容易出現(xiàn)不收斂的情況；有時無法滿足實時性的要求［1］.人工神經(jīng)網(wǎng)絡具有很好的學習能力，而且非線性映射能力較強.它的學習、預測過程可以通過計算機完成，可以做到工作量小、精度高和實時性.

基于以上問題，本文綜合各個氣象因子對負荷的影響提出了“人體舒適度”這一綜合氣象指標，將人體舒適度指數(shù)和歷史電網(wǎng)數(shù)據(jù)一起作為神經(jīng)網(wǎng)絡單元的輸入，建立綜合考慮各種氣象因子的短期負荷預測人工神經(jīng)網(wǎng)絡（ANN）模型.

1 考慮綜合氣象指數(shù)的負荷預測

1.1 氣象因素對人體的影響［2］

氣象包含的因素較多，有降雨量、氣壓、氣溫、風速、相對濕度等.電網(wǎng)負荷會受溫度、濕度等各種氣象因素的共同作用，盡管我們?nèi)粘Ｖ挥脷鉁氐拇笮肀硎井斕斓睦渑?，但是氣象因素對電網(wǎng)負荷的影響必須考慮各個氣象因素的綜合影響.氣溫、濕度、輻射、氣壓、風速等氣象因素都會對電網(wǎng)負荷造成相應的影響，導致負荷的增加或減少［3］.

1.2 人體舒適度指數(shù)的引入

人體對周圍環(huán)境的感受一般會受風力、氣溫和濕度等因素的影響，“人體舒適度”概念的引入也因此而來.所謂“人體舒適度”是指在不特別采取防暑降溫或防寒保暖措施的條件下，人體在自然環(huán)境中感受到舒適程度的一種綜合表達形式.為了準確、科學地總結、歸納天氣條件對人體生理的影響程度，提出了人體舒適度指數(shù)的概念［4］.

風速大小、相對濕度和氣溫的高低是影響人體舒適程度的主要氣象因素，但是各個氣象因子在評價人體舒適度時所占的比重是不一樣的.人體舒適度指數(shù)就是為了從氣象角度來評價在不同氣象條件下人的不同舒適度感覺，是根據(jù)人體與周圍環(huán)境相互作用而歸納的生物氣象指標［5］.具體計算公式為：

式中：DI是人體舒適度指標；T是溫度（℃）；U是相對空氣濕度（%）；V是風速（m/S）.

夏季環(huán)境溫度很高，人體舒適度指數(shù)的變化將直接作用于空調和制冷負荷的改變.因此，人體舒適度同夏天電網(wǎng)負荷的關聯(lián)性要強于風速、日照時間、氣溫等單一氣象因子與負荷的關聯(lián)性［5］.

1.3 浙江地區(qū)人體舒適度公式

結合浙江地區(qū)實際的氣象條件和夏季負荷特性.本文擬定浙江地區(qū)夏季的人體舒適度計算公式為：

式中：各參數(shù)的含義與式（1）相同.

2 預測模型的建立與數(shù)據(jù)處理

2.1 預測模型的總體結構

由于要預測的是預測日全天96個點的負荷值，它們的幅度各相不同；而且更為關鍵的是如果采用一個網(wǎng)絡來同時預測96點的負荷值，訓練時的輸入量非常多，網(wǎng)絡結構異常龐大，訓練所需時間長，且精度下降.因此有必要用96個不同的神經(jīng)網(wǎng)絡來進行分時段訓練和預測.預測模型的總體結構如圖1.

Fig. 1 Overall structural diagram of Prediction model

2.2 樣本數(shù)據(jù)的選擇與處理

2.2.1 樣本數(shù)據(jù)的選取

在本文中，選擇某市某年夏天（7月1日至8月31日）的負荷數(shù)據(jù)和氣象數(shù)據(jù)作為神經(jīng)網(wǎng)絡學習和預測的樣本數(shù)據(jù).其中7月1號至8月25日作為訓練樣本數(shù)據(jù)，8月26日至8月31日作為預測用數(shù)據(jù).在數(shù)據(jù)中，已經(jīng)剔除節(jié)假日數(shù)據(jù).對于工作日樣本和雙休日樣本數(shù)據(jù)，在訓練和預測時，針對不同的日期類型進行賦值，工作日（周一至周五）取0.2，雙休日（周六至周日）取0.6.氣象部門給出的氣象數(shù)據(jù)為每日24點，所以需要采用插值法獲取每日96點氣象數(shù)值.

2.2.2 數(shù)據(jù)歸一化處理

如果用收集的數(shù)據(jù)直接對構建的神經(jīng)網(wǎng)絡進行訓練，容易導致神經(jīng)元飽和，從而影響神經(jīng)網(wǎng)絡的預測精度.為了消除這一現(xiàn)象，需要對數(shù)據(jù)做歸一化處理.研究表明，以恰當?shù)姆绞綄?shù)據(jù)進行歸一化處理可以加快神經(jīng)網(wǎng)絡的收斂.在歸一化處理之后，需在輸出層反歸一化換算回原始值［6］.

其中，xmax、xmin分別為訓練數(shù)據(jù)輸入變量的最大值和最小值，xi、yi分別為輸入樣本歸一化前后的值.

3 預測實例及其結果

3.1 MATLAB程序實現(xiàn)

使用循環(huán)語句逐次對每日96個時段的模型進行訓練、預測，最后得到預測日的96點負荷值.其中日期類型的工作日取0.2，雙休日取0.6；隱含層的神經(jīng)元數(shù)目選擇75個；隱含層和輸出層的激活函數(shù)取雙曲正切型Sigmoid函數(shù)；學習速率取LP.lr=0.02；訓練誤差取net.trainParam.goal=0.001；最大訓練次數(shù)取net.trainParam.epochs=1 000；數(shù)據(jù)歸一化到（-1，1）.

3.2 不同神經(jīng)網(wǎng)絡算法下的預測結果

3.2.1 有動量和自適應學習速率的梯度下降法

基于有動量和自適應學習速率的梯度下降法的預測結果見圖2.

Fig. 2 Prediction based on momentum and adaptive learning rate of the gradient descent method

3.2.2 彈性梯度下降法

基于彈性梯度下降法的預測結果見圖3.

3.2.3 非線性阻尼最小二乘法（Levenberg-Marquardt）

基于Levenberg-Marquardt法的預測結果見圖4.

Fig. 3 Prediction based on elastic gradient descent method

Fig. 4 Prediction based on Levenberg-Marquardt method

4 基于神經(jīng)網(wǎng)絡和綜合氣象因素的負荷預測評價

通過以上實例發(fā)現(xiàn)，在引入“人體舒適度”的綜合氣象因素后，在不同神經(jīng)網(wǎng)絡算法下，預測結果都達到了較高的預測精度.采用有動量和自適應學習速率的梯度下降法時96點平均相對誤差絕對值為1.231 1%，采用彈性梯度下降法時平均相對誤差絕對值為1.386 9%，采用非線性阻尼最小二乘法時平均相對誤差絕對值為1.149 6%，且96個預測點的最大誤差控制在3%以內(nèi).

在夏季最熱的時間，同時又是負荷變化最劇烈的時期，達到上述預測精度，說明神經(jīng)網(wǎng)絡應用于負荷預測的可行性.同時，在預測過程中也發(fā)現(xiàn)BP網(wǎng)絡的不同算法對預測的收斂速度、預測的精度都有很大的影響.彈性梯度下降法的收斂速度很快，但是預測的精度不高；非線性阻尼最小二乘法的預測精度相對較高，從表4可以發(fā)現(xiàn)，96個預測點的最大誤差小于3%，但是非線性阻尼最小二乘法的訓練速度比較慢，該方法適用于對中小型網(wǎng)絡的預測，且計算機的內(nèi)存足夠，否則無法滿足實時性的要求；有動量和自適應學習速率的梯度下降法的收斂速度和預測精度都介于兩者之間.因此，在實際預測時，具體采用何種訓練算法要依具體的實時性和精度要求而定.

另外，在預測過程中發(fā)現(xiàn)，預測結果的準確與否，與樣本數(shù)據(jù)的選擇有很大的關系，如何選擇有代表性的樣本數(shù)據(jù)直接關系到最后預測的精度.在訓練神經(jīng)網(wǎng)絡時，隱含層的神經(jīng)元數(shù)選取、學習速率的選取、期望誤差的選取都沒有一個確定的規(guī)則，需要不斷地嘗試和調整.一個具體的網(wǎng)絡對某一地區(qū)的負荷預測是有效的，而對另一地區(qū)的負荷預測可能誤差會非常大.因此，選擇合適的神經(jīng)網(wǎng)絡結構和參數(shù)也十分重要.

5 結語

本文提出了“人體舒適度”這一綜合氣象指標，并且引入人工神經(jīng)網(wǎng)絡（ANN）模型.將人體舒適度指數(shù)和歷史負荷數(shù)據(jù)共同作為人工神經(jīng)網(wǎng)絡的輸入，建立人工神經(jīng)網(wǎng)絡（ANN）模型，對浙江某市每日96點負荷進行分段預測.人體舒適度不僅與夏季負荷的相關性要強于溫度、濕度等單個氣象因子，而且把人體舒適度作為神經(jīng)網(wǎng)絡的輸入，減少了人工神經(jīng)網(wǎng)絡的輸入單元，加快了網(wǎng)絡收斂速度，并且可以突出與負荷相關性強的因素，弱化與負荷相關性弱的因素，有效地提高預測的精度.

［1］朱振偉.氣象因素對電網(wǎng)負荷特性影響的研究［D］.杭州：浙江大學碩士學位論文，2008：8-11.

［2］康重慶，周安石，王鵬，等.短期負荷預測中實時氣象因素的影響分析及其處理策略［J］.電網(wǎng)技術，2006，30（7）：5-10.

［3］莫維仁，張伯明，孫宏斌，等.短期負荷預測中選擇相似日的探討［J］.清華大學學報，2004，44，（1）：106-109.

［4］秦海超，王瑋，周暉.人體舒適度在短期電力負荷預測中的應用［J］.電力學報，2006，21（2）：143-145.

［5］袁飛，肖晶，盧毅.基于人體舒適度指數(shù)的夏季負荷特性分析［J］.江蘇電機工程，2005，24（6）：5-7.

［6］劉凱.基于改進BP神經(jīng)網(wǎng)絡的短期負荷預測研究［D］.南京：河海大學，2005：2-3.

Short-term Load Forecasting Based on Neural Networks and Comprehensive Meteorological Factors

CAI Jinming，JI Tao，ZHOU Fangqi
（State Grid Zhejiang Deqing County power supply Corporation，Deqing 313200，China）

The paper proposes a comprehensive model for load forecasting of daily 96-points combined with artificial neural network（ANN）model which takes human comfort and historical load data as an input.The model executes segmented load forecasting for daily 96-point of a city in Zhejiang，and it has been found that the daily 96 points average absolute value of the relative error of the predicted values can be controlled under 1.3%，and it meets the requirements of the short-term load forecasting.

load forecasting；neural network；meteorological factors；human comfort；historical load data；prediction model

TM744

A

1009-1734（2016）04-0089-05

［責任編輯 吳志慧］

2015-09-10

蔡金明，助理工程師，研究方向：配電網(wǎng)負荷預測、配電網(wǎng)技術.E-mail：120424514@qq.com