王立威，張啟龍

（六盤(pán)水師范學(xué)院物理與電氣工程學(xué)院，貴州六盤(pán)水，553000)

0 引言

基于新型能源的多源電力系統(tǒng)中包含源、儲(chǔ)、荷三部分，其中源中的新能源部分和荷單元因具有隨動(dòng)性而不可控，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行挑戰(zhàn)較大。電力能源不像其他商業(yè)產(chǎn)品般可長(zhǎng)期存放，它具有隨發(fā)隨用特性，對(duì)電力系統(tǒng)的整過(guò)控制過(guò)程提出了更高的要求。供大于求，則浪費(fèi)能源，供小于求，則滿足不了用戶的用電需求。因此，短期電力負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)整過(guò)控制過(guò)程尤為重要。

關(guān)于電力負(fù)荷預(yù)測(cè)方法，國(guó)內(nèi)外的專家學(xué)者都做了大量的研究。文獻(xiàn)[1]在對(duì)BP神經(jīng)網(wǎng)絡(luò)深入研究的基礎(chǔ)上，提出了LAFBP模型，通過(guò)對(duì)黑龍江某地實(shí)際案例進(jìn)行分析，結(jié)果表明此模型擬合精度高，預(yù)測(cè)效果好。文獻(xiàn)[2]考慮了日特征因素前提下建立了BP網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型，通過(guò)對(duì)深圳市負(fù)荷預(yù)測(cè)，效果可觀。文獻(xiàn)[3-4]分別結(jié)合實(shí)時(shí)電網(wǎng)數(shù)據(jù)，建立了BP和RBF神經(jīng)網(wǎng)絡(luò)模型，利用所建模型對(duì)小水庫(kù)短期的電力負(fù)荷進(jìn)行預(yù)測(cè)，結(jié)果分析表明，該模型預(yù)測(cè)精度高，效果好，對(duì)供電企業(yè)的規(guī)劃調(diào)度有一定的指導(dǎo)作用。文獻(xiàn)[5-8]在搭建動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，引入相似日法的概念，對(duì)短期電力負(fù)荷進(jìn)行了預(yù)測(cè)，預(yù)測(cè)效果精準(zhǔn)。文獻(xiàn)[9]針對(duì)一些處于新建初期且歷史負(fù)荷數(shù)據(jù)較少的電力系統(tǒng)來(lái)說(shuō)，提出了一種基于隨機(jī)分布式嵌入框架及BP神經(jīng)網(wǎng)絡(luò)的超短期電力負(fù)荷預(yù)測(cè)方法，最后通過(guò)實(shí)際算例分析，結(jié)果表明該方法預(yù)測(cè)穩(wěn)定度高，預(yù)測(cè)效果好。

因此，文章將運(yùn)用歷史實(shí)際區(qū)域電力負(fù)荷作為BP神經(jīng)網(wǎng)絡(luò)輸入的參數(shù)，構(gòu)造BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型。通過(guò)實(shí)際案例測(cè)試分析，對(duì)所構(gòu)建模型精確度進(jìn)行研究。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是由Rumdhart和Meddelland在上世紀(jì)八十年代提出來(lái)的一種前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)最大的特點(diǎn)是信號(hào)順向傳播、誤差反向傳播。一般由輸入層、隱含層、輸出層組成，具體如圖1所示。

基于圖1參數(shù)，以i、j、k分別表示輸入、隱含、輸出層的神經(jīng)元，則BP算法過(guò)程如下。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

（1）信號(hào)順向傳播

隱藏層第j個(gè)神經(jīng)元輸出為：

輸出層第k個(gè)神經(jīng)元輸入為：

輸出層第k個(gè)神經(jīng)元最終輸出為：

式中：θ為閾值。

（2）誤差反向傳播

誤差反向傳播是指從輸出層到輸入層逐級(jí)計(jì)算輸出誤差，然后根據(jù)梯度下降法去修正各層權(quán)、閾值，從而促使實(shí)際輸出值更接近期望值。不妨假設(shè)yk、tk為第k個(gè)神經(jīng)元的實(shí)際輸出和期望輸出值，則誤差函數(shù)如下。

把（3）式代入（4）式得：

則全部誤差之和為：

分析上式可知，總的誤差函數(shù)僅與ωkj、ωji有關(guān)，因此，可通過(guò)調(diào)整ωkj、ωji的大小去改變總的誤差E。然而通過(guò)E對(duì)每個(gè)權(quán)值進(jìn)行求偏導(dǎo)可知，權(quán)值的變化量成正比關(guān)系，具體過(guò)程如式（7）所示。

由上式可知，權(quán)值的調(diào)整公式如公式（8）所示。

進(jìn)一步對(duì)上式推導(dǎo)得式（9）：

綜上所述，具體的權(quán)值調(diào)整量為：

其中η表示學(xué)習(xí)率。

2 BP算法實(shí)現(xiàn)

BP算法一般情況下由三部分組成，即構(gòu)建BP、訓(xùn)練BP、BP預(yù)測(cè)，如圖2中的設(shè)定參數(shù)、訓(xùn)練和預(yù)測(cè)。

圖2 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

3 預(yù)測(cè)結(jié)果分析

應(yīng)用上述所建模型，且為了更好地驗(yàn)證模型的優(yōu)越性及普遍適用性，故以兩個(gè)場(chǎng)景中實(shí)際測(cè)得的數(shù)據(jù)進(jìn)行研究分析，場(chǎng)景一為東北某地實(shí)測(cè)數(shù)據(jù)，場(chǎng)景二為荷蘭某地實(shí)測(cè)數(shù)據(jù)，都是以15min為間隔采樣一次，每天觀測(cè)96個(gè)數(shù)據(jù)。都選取3月1日到29日的負(fù)荷為訓(xùn)練樣本（即2784組數(shù)據(jù)），3月30日的負(fù)荷為測(cè)試樣本（即96組數(shù)據(jù)）。其他仿真實(shí)驗(yàn)參數(shù)如表1所示。

表1 模擬實(shí)驗(yàn)初始數(shù)據(jù)設(shè)定

基于以上參數(shù)，通過(guò)MATLAB編程實(shí)現(xiàn)，求取3月30日負(fù)荷功率，獲得的預(yù)測(cè)負(fù)荷功率曲線和實(shí)際負(fù)荷功率曲線如圖3所示。相對(duì)應(yīng)的預(yù)測(cè)誤差曲線如圖4所示。

圖3 負(fù)荷預(yù)測(cè)輸出對(duì)比曲線圖

圖4 負(fù)荷預(yù)測(cè)誤差對(duì)比曲線圖

通過(guò)觀察圖3和圖4可知，在負(fù)荷功率出現(xiàn)峰值時(shí)，一般情況下預(yù)測(cè)誤差相對(duì)大一點(diǎn)，且場(chǎng)景一和場(chǎng)景二中預(yù)測(cè)誤差最大都在16min和26min時(shí)，假若僅僅通過(guò)觀察上圖，無(wú)法清楚知道預(yù)測(cè)誤差是否在要求范圍之內(nèi)，因此得對(duì)具體的實(shí)驗(yàn)預(yù)測(cè)數(shù)據(jù)進(jìn)行羅列分析，具體數(shù)據(jù)如表2所示。

表2 部分實(shí)驗(yàn)誤差對(duì)比分析

由表2可以知道，針對(duì)表2所列舉的實(shí)驗(yàn)數(shù)據(jù)來(lái)說(shuō)，場(chǎng)景一的預(yù)測(cè)相對(duì)誤差在-1.66%～7.20%之間波動(dòng)；場(chǎng)景二的預(yù)測(cè)相對(duì)誤差在-22.75%～17.06%之間波動(dòng)場(chǎng)景二的預(yù)測(cè)相對(duì)誤差普遍大于場(chǎng)景一的相對(duì)誤差，且場(chǎng)景二中實(shí)際負(fù)荷功率大于場(chǎng)景一的10倍左右。因此，所搭建的BP預(yù)測(cè)模型對(duì)于數(shù)據(jù)較大的樣本來(lái)說(shuō)，預(yù)測(cè)精度波動(dòng)大。但為了更精確的驗(yàn)證各預(yù)測(cè)模型的準(zhǔn)確度，文章將采用平均百分比誤差eMAPE、均方根誤差（RMSE）和相對(duì)熵值Ep（反映實(shí)際值與預(yù)測(cè)值之間“貼近”的距離）三種評(píng)價(jià)方法對(duì)BP預(yù)測(cè)模型進(jìn)行性能評(píng)估（對(duì)96個(gè)觀測(cè)值進(jìn)行評(píng)估）。三種評(píng)價(jià)指標(biāo)的定義如下：

上式中，k為時(shí)間節(jié)點(diǎn)，N為預(yù)測(cè)樣本數(shù)，T(k)表示預(yù)測(cè)值，O(k)表示實(shí)際值。則各預(yù)測(cè)模型的預(yù)測(cè)性能對(duì)比如表3所示。

表3 預(yù)測(cè)模型的預(yù)測(cè)性能

由表3的預(yù)測(cè)結(jié)果可知，BP算法的平均百分比誤差、均方根誤差和熵值的數(shù)據(jù)分別如下：場(chǎng)景一中分別為4.10%、67.72、0.13，場(chǎng)景二中值相對(duì)大一點(diǎn)，具體分別為18.23%、503.68、0.34，預(yù)測(cè)效果好。

4 結(jié)論

區(qū)域配電網(wǎng)短期電力負(fù)荷在電力系統(tǒng)中控制部分占據(jù)著至關(guān)重要的地位。文章采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)短期電力負(fù)荷進(jìn)行了預(yù)測(cè)。具體研究?jī)?nèi)容如下：

（1）分析了BP神經(jīng)網(wǎng)絡(luò)的基本原理，其中包括BP結(jié)構(gòu)及訓(xùn)練算法分析；（2）在基本原理的基礎(chǔ)上，對(duì)BP算法進(jìn)行了分析，也構(gòu)建了相應(yīng)的預(yù)測(cè)模型；（3）通過(guò)東北某地和荷蘭某地兩場(chǎng)景下的實(shí)際案例進(jìn)行仿真驗(yàn)證，再加以引入平均百分比誤差、均方根誤差和相對(duì)熵值三個(gè)性能指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)分析，結(jié)果表明，文章所構(gòu)建的BP預(yù)測(cè)模型預(yù)測(cè)效果可觀。

雖然BP算法預(yù)測(cè)效果可觀，但在面對(duì)數(shù)值較大的預(yù)測(cè)樣本時(shí)誤差變大，在下一步的研究中可考慮融合其它算法對(duì)BP預(yù)測(cè)模型加以優(yōu)化。