田懷源，張 峰，王新庫，周步祥

（1.國網(wǎng)山東省電力公司德州供電公司，山東 德州 253008；2.國網(wǎng)山東省電力公司濟(jì)南供電公司，濟(jì)南 250012；3.四川大學(xué)，成都 610000）

基于灰色關(guān)聯(lián)度和BP神經(jīng)網(wǎng)絡(luò)的最大負(fù)荷同時(shí)率預(yù)測(cè)方法研究

田懷源1，張 峰2，王新庫1，周步祥3

（1.國網(wǎng)山東省電力公司德州供電公司，山東 德州 253008；2.國網(wǎng)山東省電力公司濟(jì)南供電公司，濟(jì)南 250012；3.四川大學(xué)，成都 610000）

電力系統(tǒng)最大負(fù)荷同時(shí)率是電力系統(tǒng)規(guī)劃中的一個(gè)重要參數(shù)，對(duì)其分析要考慮眾多影響因素的疊加效用，并在預(yù)測(cè)模型中體現(xiàn)這些影響因素的關(guān)聯(lián)程度。在負(fù)荷特性分析的基礎(chǔ)上，充分利用灰色關(guān)聯(lián)度分析方法能夠定量地描述各因素之間相互變化的相對(duì)性特點(diǎn)和BP神經(jīng)網(wǎng)絡(luò)在非線性映射方面的能力，揭示負(fù)荷同時(shí)率與電力、經(jīng)濟(jì)和需求側(cè)管理等方面的內(nèi)在聯(lián)系，有效凸顯了影響負(fù)荷同時(shí)率變化的主導(dǎo)因素。用MATLAB對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，并通過應(yīng)用灰色關(guān)聯(lián)度分析對(duì)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的逐步優(yōu)化，使網(wǎng)絡(luò)結(jié)構(gòu)達(dá)到最優(yōu)化。仿真結(jié)果表明改進(jìn)后的BP算法能夠有效提高網(wǎng)絡(luò)的預(yù)測(cè)精度、學(xué)習(xí)效率和實(shí)用性，能夠?yàn)殡娋W(wǎng)規(guī)劃中負(fù)荷同時(shí)率預(yù)測(cè)提供有益的指導(dǎo)。

電網(wǎng)規(guī)劃；負(fù)荷同時(shí)率；負(fù)荷特性；灰色關(guān)聯(lián)度；BP神經(jīng)網(wǎng)絡(luò)

0 引言

電力系統(tǒng)負(fù)荷變化是一個(gè)受氣候、政策和經(jīng)濟(jì)等多方面不確定和不可控因素綜合影響的非線性動(dòng)態(tài)過程，使得用電需求存在一定的隨機(jī)性。由于電力系統(tǒng)中各類用戶負(fù)荷達(dá)到最大值的時(shí)刻不同，系統(tǒng)的最大負(fù)荷總是小于各用戶最大負(fù)荷之和，電力系統(tǒng)最大負(fù)荷同時(shí)率描述了用電性質(zhì)不同的負(fù)荷在時(shí)間上的這種特性，在電網(wǎng)規(guī)劃和設(shè)計(jì)中，可以幫助規(guī)劃人員進(jìn)行更準(zhǔn)確的負(fù)荷預(yù)測(cè)?；趯哟畏治觥⒒谝蛩赜成?、基于負(fù)荷特性、基于專家系統(tǒng)的4種計(jì)算電力系統(tǒng)最大負(fù)荷同時(shí)率的方法是目前比較常用的研究成果，但是普遍缺乏對(duì)非線性系統(tǒng)的動(dòng)態(tài)描述，因此，如何用復(fù)雜度更高的參數(shù)組來表述負(fù)荷同時(shí)率在這些因素影響下的變化趨勢(shì)，分析參數(shù)間的聯(lián)系就成了研究重點(diǎn)［1-2］。

首次提出基于灰色關(guān)聯(lián)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)電力系統(tǒng)最大負(fù)荷同時(shí)率方法，在對(duì)負(fù)荷特性調(diào)研和分析的基礎(chǔ)上，以一個(gè)實(shí)際電力系統(tǒng)負(fù)荷實(shí)測(cè)數(shù)據(jù)曲線為依據(jù)，對(duì)影響同時(shí)率的因素進(jìn)行深入分析，進(jìn)而建立電力系統(tǒng)最大負(fù)荷同時(shí)率預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型，提高了負(fù)荷預(yù)測(cè)結(jié)果的可信度，為電網(wǎng)的評(píng)估、改造、規(guī)劃、建設(shè)工作提供客觀的依據(jù)［3］。

1 電力系統(tǒng)最大負(fù)荷同時(shí)率的變化分析

1.1 影響因素的選取

同時(shí)率的變化主要受負(fù)荷特性的影響，所以可以選取負(fù)荷特性的主要指標(biāo)及其影響因素組成影響同時(shí)率變化的影響因素特征序列［4］。

年最大負(fù)荷。年最大負(fù)荷表征一個(gè)電力系統(tǒng)需要的發(fā)電、輸變電系統(tǒng)的容量，在電力規(guī)劃設(shè)計(jì)、基建計(jì)劃、供電計(jì)劃、燃料計(jì)劃和財(cái)務(wù)收支計(jì)劃中，年最大負(fù)荷是一個(gè)極其重要的參數(shù)，它的預(yù)測(cè)值決定著系統(tǒng)的裝機(jī)容量、電源結(jié)構(gòu)和投資規(guī)模。

年最大峰谷差。年最大峰谷差是電網(wǎng)運(yùn)行的一個(gè)重要參考指數(shù)，其大小直接反映了電網(wǎng)所需要的調(diào)峰能力，有助于調(diào)度人員合理安排調(diào)峰的備用容量，提高電網(wǎng)的經(jīng)濟(jì)運(yùn)行。

年負(fù)荷率。年負(fù)荷率是年平均日負(fù)荷率、年平均月負(fù)荷率和季負(fù)荷率的一個(gè)綜合反映，也可以由其數(shù)值大小計(jì)算最大負(fù)荷利用小時(shí)數(shù)。年負(fù)荷率受用電結(jié)構(gòu)的影響較大。

用電結(jié)構(gòu)及電價(jià)。用電量與年最大負(fù)荷的比值Tmax是年最大負(fù)荷利用小時(shí)數(shù)，用電結(jié)構(gòu)的變化通常對(duì)它影響很大，工業(yè)用電比重增大時(shí)，Tmax增大，工業(yè)用電比重小時(shí)，Tmax減小。電價(jià)是影響電力負(fù)荷的直接因素，因?yàn)殡娏σ彩且环N商品，在一定的范圍內(nèi)，電價(jià)和負(fù)荷的關(guān)系能夠滿足商品價(jià)值規(guī)律，電價(jià)高時(shí)，負(fù)荷下降，電價(jià)低時(shí)，負(fù)荷上升。但電力是一種特殊的商品，人們生活離不開它，因此電價(jià)和負(fù)荷的關(guān)系不是簡單的商品價(jià)值規(guī)律所能描述，制定合理的電價(jià)結(jié)構(gòu)與電價(jià)形成機(jī)制是電力行業(yè)的當(dāng)務(wù)之急。

產(chǎn)業(yè)結(jié)構(gòu)。產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整對(duì)負(fù)荷也有很大影響，一個(gè)地區(qū)經(jīng)濟(jì)結(jié)構(gòu)由以農(nóng)業(yè)為主轉(zhuǎn)向以工業(yè)為主時(shí)，往往導(dǎo)致負(fù)荷增長很快。經(jīng)濟(jì)結(jié)構(gòu)對(duì)負(fù)荷的影響還體現(xiàn)在對(duì)負(fù)荷曲線的影響上，以工業(yè)為主的地區(qū)負(fù)荷曲線一般比較平坦，而以農(nóng)業(yè)為主的地區(qū)負(fù)荷曲線波動(dòng)比較大。這些經(jīng)濟(jì)因素對(duì)同時(shí)率影響的時(shí)間比較長，一般至少為7天。在同時(shí)率預(yù)測(cè)時(shí)，根據(jù)這些因素對(duì)同時(shí)率預(yù)測(cè)值進(jìn)行相應(yīng)的修正，是十分重要的。

氣候變化因素。對(duì)于電網(wǎng)而言，都存在大量的氣候敏感負(fù)荷，如電磁爐、電熱器、空調(diào)和農(nóng)業(yè)排灌等，因此氣候條件對(duì)負(fù)荷模式變化有顯著的影響［5］。

總之，充分分析事物發(fā)展的前提條件，就是努力尋找事物發(fā)展的限制性因素，在預(yù)測(cè)同時(shí)率時(shí)是很有用的。國民經(jīng)濟(jì)發(fā)展經(jīng)常在變，對(duì)未來的看法也經(jīng)常會(huì)變，要防止高時(shí)常看高、低時(shí)?？吹偷那闆r。因此，從電力和社會(huì)經(jīng)濟(jì)兩個(gè)方面進(jìn)行影響因素的選取，以年最大負(fù)荷、年最大峰谷差、年負(fù)荷率、用電結(jié)構(gòu)和電價(jià)作為電力影響因素，以產(chǎn)業(yè)結(jié)構(gòu)、氣溫作為社會(huì)經(jīng)濟(jì)影響因素，并構(gòu)成影響同時(shí)率變化的影響因素子序列。

1.2 灰色關(guān)聯(lián)度排序

對(duì)影響負(fù)荷同時(shí)率變化因素進(jìn)行灰色關(guān)聯(lián)度分析的主要目的就是綜合定量評(píng)估這些因素對(duì)同時(shí)率變化的影響。根據(jù)一個(gè)實(shí)際電力系統(tǒng)2009—2014年現(xiàn)狀數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)度的定量分析［6］。

由關(guān)聯(lián)度的數(shù)值可看出，對(duì)電力系統(tǒng)最大負(fù)荷同時(shí)率的關(guān)聯(lián)程度排列順序?yàn)椋簹鉁?、年?fù)荷率、第三產(chǎn)業(yè)用電比重、第一產(chǎn)業(yè)用電比重、第二產(chǎn)業(yè)用電比重、居民生活用電比重、第二產(chǎn)業(yè)GDP比重、第三產(chǎn)業(yè)GDP比重、電價(jià)、GDP、年最大峰谷差、用電量、年最大負(fù)荷。

通過對(duì)一個(gè)實(shí)際電力系統(tǒng)灰色關(guān)聯(lián)度定量分析，總結(jié)影響負(fù)荷同時(shí)率變化的主要因素，并且大部分?jǐn)?shù)據(jù)與該地區(qū)實(shí)際情況相吻合，另外在分析與計(jì)算過程中也發(fā)現(xiàn)了一些隱藏的信息，這些信息可以幫助營銷、調(diào)度和規(guī)劃等部門更深入地掌握該地區(qū)的負(fù)荷同時(shí)率的變化規(guī)律。應(yīng)用灰色關(guān)聯(lián)度分析方法對(duì)影響負(fù)荷同時(shí)率的變化因素定量分析的研究尚處于初步的探索階段，因此只能得到一般性的正確結(jié)論，有些影響因素關(guān)聯(lián)性還需要人為主觀去判斷［7-8］。

2 最大負(fù)荷同時(shí)率預(yù)測(cè)模型建立

2.1 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化

針對(duì)BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的節(jié)點(diǎn)個(gè)數(shù)難以確定問題，考慮神經(jīng)元對(duì)輸出層節(jié)點(diǎn)的影響大小以及在網(wǎng)絡(luò)中所處的地位和重要性，隱含層節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)的輸出影響大的，定義為合理地可以使用的節(jié)點(diǎn)；影響小的，定義為冗余的節(jié)點(diǎn)，在網(wǎng)絡(luò)學(xué)習(xí)中刪除；這種理念體現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)的良好容錯(cuò)性［9］。此種理論的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程如圖1所示。

圖1 基于灰色關(guān)聯(lián)分析法的BP網(wǎng)絡(luò)學(xué)習(xí)過程

2.2 輸入層單元數(shù)和樣本數(shù)量的確定

運(yùn)用灰色關(guān)聯(lián)度分析確定最大負(fù)荷同時(shí)率主要影響因素，選取12個(gè)輸入?yún)?shù)，即輸入層單元數(shù)為12，輸出層單元數(shù)為1。網(wǎng)絡(luò)的輸入量為

式中：x1為GDP，億元；x2為第一產(chǎn)業(yè)GDP比重，%；x3為第二產(chǎn)業(yè)GDP比重，%；x4為第三產(chǎn)業(yè)GDP比重，%；x5為氣溫，℃；x6為年最大峰谷差，MW；x7為年負(fù)荷率；x8為第一產(chǎn)業(yè)用電比重，%；x9為第二產(chǎn)業(yè)用電比重，%；x10為第三產(chǎn)業(yè)用電比重，%；x11為居民生活用電比重，%；x12為電價(jià)，元／kWh。

2.3 隱含層及其單元數(shù)的確定

電力系統(tǒng)最大負(fù)荷同時(shí)率的預(yù)測(cè)是一個(gè)非線性關(guān)系較為復(fù)雜的問題，從預(yù)測(cè)精度、學(xué)習(xí)費(fèi)用和網(wǎng)絡(luò)性能等各個(gè)方面出發(fā)，選擇隱含層的個(gè)數(shù)為1個(gè)。

隱含層單元數(shù)的確定是一個(gè)極其復(fù)雜的問題，它沒有明確的解析式表達(dá)式，并且與隱含層個(gè)數(shù)、輸入層單元數(shù)、輸出層單元數(shù)和問題的要求等方面有相應(yīng)的關(guān)系。如果隱含層單元數(shù)選擇過多，則網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間太長，誤差難以保證；如果隱含層單元數(shù)選擇過少，則網(wǎng)絡(luò)學(xué)習(xí)能否通過難以預(yù)料，容錯(cuò)性也較差。

因此，考慮眾多因素，首先采用“試錯(cuò)法”初步確定隱含層單元的個(gè)數(shù)，構(gòu)造一個(gè)結(jié)構(gòu)相對(duì)合理的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。隱含層單元數(shù)初步計(jì)算公式為

式中：m為隱含層單元數(shù)；i為輸入層單元數(shù)；n為輸出層單元數(shù)；φ為常數(shù)。

取φ=10，由公式（2）計(jì)算得m=14，也就是隱含層單元數(shù)初步確定為14個(gè)。

其次，根據(jù)灰色關(guān)聯(lián)分析法對(duì)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)調(diào)整，以確定隱含層節(jié)點(diǎn)數(shù)并優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)［10］。

2.4 同時(shí)率預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型

針對(duì)電力系統(tǒng)最大負(fù)荷同時(shí)率的預(yù)測(cè)是一個(gè)非線性關(guān)系較為復(fù)雜的問題，建立一個(gè)含有12個(gè)輸入層單元，14個(gè)隱含層單元，1個(gè)輸出層單元的BP神經(jīng)網(wǎng)絡(luò)模型［11］，如圖2所示。

圖2 負(fù)荷同時(shí)率預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型

3 實(shí)例計(jì)算

3.1 樣本數(shù)據(jù)

根據(jù)一個(gè)實(shí)際電力系統(tǒng)2009—2014年的各項(xiàng)數(shù)據(jù)進(jìn)行分析，6年的樣本數(shù)據(jù)如表1所示。

3.2 樣本歸一化

由于2009—2014年電力系統(tǒng)各項(xiàng)數(shù)據(jù)包含各種不同的單位，因此，需要對(duì)樣本數(shù)據(jù)進(jìn)行初始化的處理，以使輸入和輸出變量都處于［-1，1］區(qū)間之內(nèi)，采用的歸一化處理公式為［12］

歸一化后的樣本數(shù)據(jù)如表2所示。

3.3 樣本學(xué)習(xí)訓(xùn)練

根據(jù)圖1所描述的基于灰色關(guān)聯(lián)分析法的BP網(wǎng)絡(luò)學(xué)習(xí)過程，用MATLAB構(gòu)造初始結(jié)構(gòu)，輸入層、隱含層和輸出層的神經(jīng)元激發(fā)函數(shù)分別取purelin、tansig和 tansig函數(shù)，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)取trainscg［13］。

灰色關(guān)聯(lián)度分析計(jì)算時(shí)，選取的分辨系數(shù)ρ=0.5。

首先根據(jù)圖2所示的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)選取的前4個(gè)樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，在程序運(yùn)行的學(xué)習(xí)過程中，根據(jù)各隱含層節(jié)點(diǎn)對(duì)4個(gè)樣本數(shù)據(jù)的輸出序列相對(duì)于輸出層節(jié)點(diǎn)的輸出序列的灰色關(guān)聯(lián)度并進(jìn)行分析，隱含層節(jié)點(diǎn)第一次調(diào)整時(shí)的灰色關(guān)聯(lián)度如表3所示。選擇刪除5、6、11和13共4個(gè)節(jié)點(diǎn)，從而隱含層的節(jié)點(diǎn)優(yōu)化為10個(gè)［14］。

其次在初次隱含層節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整的基礎(chǔ)上進(jìn)行訓(xùn)練，第二次調(diào)整選擇刪除的隱含層節(jié)點(diǎn)為1、2、7和14共4個(gè)，各隱含層節(jié)點(diǎn)相對(duì)于輸出層節(jié)點(diǎn)的輸出序列的灰色關(guān)聯(lián)度如表4所示［15］。

表1 樣本數(shù)據(jù)表

表2 歸一化后的樣本數(shù)據(jù)

表3 隱含層節(jié)點(diǎn)第一次調(diào)整時(shí)的灰色關(guān)聯(lián)度

表4 隱含層節(jié)點(diǎn)第二次調(diào)整時(shí)的灰色關(guān)聯(lián)度

進(jìn)行了兩次隱含層節(jié)點(diǎn)的刪除后，BP神經(jīng)網(wǎng)絡(luò)達(dá)到了穩(wěn)定，并得到了最優(yōu)化的結(jié)構(gòu)。此時(shí)，各隱含層節(jié)點(diǎn)相對(duì)于輸出層節(jié)點(diǎn)的輸出序列的灰色關(guān)聯(lián)度如表5所示。

表5 最優(yōu)化結(jié)構(gòu)時(shí)的灰色關(guān)聯(lián)度

BP神經(jīng)網(wǎng)絡(luò)達(dá)到了最優(yōu)化結(jié)構(gòu)時(shí)，對(duì)訓(xùn)練樣本的訓(xùn)練輸出和期望輸出利用MATLAB中的postreg函數(shù)進(jìn)行線性回歸分析，訓(xùn)練結(jié)果較好。

3.4 預(yù)測(cè)結(jié)果

利用BP神經(jīng)網(wǎng)絡(luò)經(jīng)過對(duì)隱含層節(jié)點(diǎn)進(jìn)行灰色關(guān)聯(lián)度分析后的優(yōu)化網(wǎng)絡(luò)，對(duì)第5、6樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)最大負(fù)荷同時(shí)率，以驗(yàn)證模型訓(xùn)練準(zhǔn)確度［16］，預(yù)測(cè)結(jié)果和誤差分析如表6所示，輸出的線性回歸分析如圖3所示。

表6 最優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果和誤差分析

圖3 驗(yàn)證樣本輸出的線性回歸分析

利用未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，對(duì)最大負(fù)荷同時(shí)率驗(yàn)證樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果和誤差分析如表7所示。

表7 原BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果和誤差分析

由表6、表7可以看出，利用BP神經(jīng)網(wǎng)絡(luò)經(jīng)過對(duì)隱含層節(jié)點(diǎn)進(jìn)行灰色關(guān)聯(lián)度分析后的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，2013、2014年最大負(fù)荷同時(shí)率分別為0.520 1、0.538 1，與實(shí)際值基本一致，預(yù)測(cè)精度較高；并且較好的克服了傳統(tǒng)BP算法隱含層節(jié)點(diǎn)的優(yōu)化問題，從而避免了傳統(tǒng)BP算法可能遇到的隱含層節(jié)點(diǎn)數(shù)過少或者過多而引起的網(wǎng)絡(luò)訓(xùn)練時(shí)間長難以收斂和網(wǎng)絡(luò)性能不足的問題；同時(shí)，優(yōu)化后的BP算法對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)的時(shí)間大大縮短，從而提高了BP算法的效率。

4 結(jié)語

建立應(yīng)用于電力系統(tǒng)最大負(fù)荷同時(shí)率預(yù)測(cè)的灰色關(guān)聯(lián)度和BP神經(jīng)網(wǎng)絡(luò)模型。首先，從負(fù)荷特性分析入手，首創(chuàng)性地把灰色關(guān)聯(lián)度分析方法運(yùn)用到影響負(fù)荷同時(shí)率變化因素的定量分析中，發(fā)現(xiàn)了電力、經(jīng)濟(jì)、需求側(cè)和氣候等方面的主要、次要因素，可以更深入地掌握該地區(qū)負(fù)荷同時(shí)率變化規(guī)律；其次，選取主要影響因素并歸一化后作為BP神經(jīng)網(wǎng)絡(luò)的輸入層單元，以此來搭建負(fù)荷同時(shí)率的BP神經(jīng)網(wǎng)絡(luò)模型；最后，用樣本數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和模擬，在隱含層節(jié)點(diǎn)數(shù)的確定中引入灰色關(guān)聯(lián)度分析方法，根據(jù)訓(xùn)練后的最優(yōu)化的BP網(wǎng)絡(luò)，對(duì)驗(yàn)證樣本數(shù)據(jù)進(jìn)行了預(yù)測(cè)，并用postreg函數(shù)進(jìn)行了線性回歸分析。研究表明BP神經(jīng)網(wǎng)絡(luò)中加入灰色關(guān)聯(lián)度分析后提高了網(wǎng)絡(luò)性能，具有較好的預(yù)測(cè)精度、收斂速度以及使用價(jià)值，在負(fù)荷同時(shí)率預(yù)測(cè)中具有廣闊的應(yīng)用前景，可為負(fù)荷同時(shí)率的分析預(yù)測(cè)工作提供有益的參考。

［1］KANDIL MS，EI-DEBEIKY SM，HASANIEN NE.Long-Term load Forecasting for Fast Developing Utility Using a Knowledge-Based Expert System［J］.IEEE Tran Power Syst，2002，17（2）：491-496.

［2］何善瑾.上海電力系統(tǒng)最大負(fù)荷同時(shí)率分析［J］.供用電，2008，25（1）：13－15.

［3］公茂法，張言攀，柳巖妮，等.基于BP網(wǎng)絡(luò)算法優(yōu)化模糊Petri網(wǎng)的電力變壓器故障診斷［J］.電力系統(tǒng)保護(hù)與控制，2015，43（3）：113-117.

［4］孫旭，任震.空間負(fù)荷預(yù)測(cè)在城市電網(wǎng)規(guī)劃中的應(yīng)用［J］.繼電器，2005，33（14）：79-81.

［5］魯寶春，趙深，田盈，等.優(yōu)化系數(shù)的NGM（1，1，k）模型在中長期電量預(yù)測(cè)中的應(yīng)用［J］.電力系統(tǒng)保護(hù)與控制，2015，43（12）：98-103.

［6］李正明，施詩，潘天紅，等.基于灰色關(guān)聯(lián)度和理想解法的電能質(zhì)量綜合評(píng)估方法［J］.電力系統(tǒng)保護(hù)與控制，2014，42（6）：14-19.

［7］鄧聚龍.灰色系統(tǒng)理論教程［M］.武漢：華中理工大學(xué)出版社，1990.

［8］侯勇，張榮乾，譚忠富，等.基于模糊聚類和灰色理論的各行業(yè)與全社會(huì)用電量關(guān)聯(lián)分析［J］.電網(wǎng)技術(shù)，2006，30（2）：46-50.

［9］史麗萍，湯家升，王攀攀，等.采用最優(yōu)小波樹和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)定子故障診斷［J］.電工技術(shù)學(xué)報(bào)，2015，30（24）：38-45.

［10］SHAIKA－HUSIN N，KHALIL-HANI M，TEOH GS.Implementation ofReeurrentNeuralNetwork Algorithm forShortest Path Caleulation in Network Routing［J］.Proceedings of the International Symposium on Parallel Architectures，Algorithms and Networks，2002（2）：355-359.

［11］PALMES PP，HAYASAKA T，USUI S.Mutation-Based Genetic Neural Network［J］.IEEE Transactions on Neural Net works，2005，16（3）：587－600.

［12］賀清碧.BP神經(jīng)網(wǎng)絡(luò)及應(yīng)用研究［D］.重慶：重慶交通學(xué)院，2004.

［13］GAO W.Study on New Evolutionary NeuralNetwork［C］／／Proceeding of the Second Intemational Conference on Machine Learning and Cyberneties.IEEE，2003（2）：1 287－1 292.

［14］CHUNG FL，LEE T.Growth of Back-Propagation Neural Network［C］／／Proc.of International Joint Conference on Neural Networks，1992.

［15］李龍，魏靖，黎燦兵，等.基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測(cè)［J］.電工技術(shù)學(xué)報(bào)，2015，30（8）：225-230.

［16］王娜，周有慶，邵霞.基于混合神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)風(fēng)資源評(píng)估［J］.電工技術(shù)學(xué)報(bào)，2015，30（14）：370-376.

Prediction Method Research on Maximum Load Coincidence Factor Based on Gray Relational and BP Neural Network

TIAN Huaiyuan1，ZHANG Feng2，WANG Xinku1，ZHOU Buxiang3
（1.State Grid Dezhou Power Supply Company，Dezhou 253008，China；2.State Grid Jinan Power Supply Company，Jinan 250012，China；3.Sichuan University，Chengdu 610000，China）

The maximum load coincidence factor is an important parameter in the power system planning，the research for it must consider the superposition of many factors，and the prediction model must embody the correlation degree of these factors. Based on the load characteristics，the grey relational analysis method is used to quantitatively describe the relative change features of various factors，with the nonlinear mapping ability of BP neural network，the internal relation of the load coincidence factor and the power system，economy and demand side management is revealed，and the leading factor is highlighted.Finally，the sample data is training by MATLAB，and the network hidden layer nodes are optimized by the grey correlation analysis. Simulation results show that the improved BP algorithm can effectively improve the prediction accuracy，the learning efficiency and the practicability of the network，which can provide beneficial guidance for predicting load coincidence factor of the power grid planning.

power grid planning；load coincidence factor；load characteristics；grey relational；BP neural network

TM715

：A

：1007－9904（2017）04－0011－05

2016-11-07

田懷源（1985），男，工程師，從事電力系統(tǒng)規(guī)劃與設(shè)計(jì)工作。