蘇 顏，張 珍，林慶達，侯 劍，吳 燕

（廣西電網(wǎng)有限責任公司南寧供電局系統(tǒng)運行部，廣西南寧 530023）

由于電能不能大量儲存，必須即發(fā)即用，在電力的生產(chǎn)和使用過程中必須保證電力供需平衡，因此，對電力負荷的精準預測是實現(xiàn)電能有效調(diào)度的必要前提。通過對歷史負荷數(shù)據(jù)分析，制定短期電力負荷預測工作[1-4]。電力負荷預測興起于20 世紀80 年代，受制于當時的技術條件，相關的預測方法是由經(jīng)驗得出的，但這種方法得到的預測值誤差較大。隨著科學技術的發(fā)展，電力調(diào)度機構對負荷預測的精度有了更高的要求[5-6]。

國外學者利用趨勢外推法進行電力負荷預測，包括水平、線性、多項式等季節(jié)性預測方法。但在實際應用中，該方法的預測精度極低，所以并不常用于工程實踐[7]。國內(nèi)學者提出了灰色模型預測方法，將雜亂無章的數(shù)據(jù)進一步建模，生成有規(guī)律的數(shù)列，得到預期目標值[8-9]。而灰色模型預測方法需要大量的數(shù)據(jù)支撐，且需要建立微分方程進行建模[10]。專家系統(tǒng)法也用于負荷預測，但該方法的缺陷是不一定均能轉化為應用程序[11]。

針對以上方法的不足，該文應用BP 神經(jīng)網(wǎng)絡法對電力負荷進行短期預測，該方法能夠有效提高負荷預測的準確性。

1 BP神經(jīng)網(wǎng)絡建模

1.1 BP神經(jīng)網(wǎng)絡模型

與其他方法類似，BP 神經(jīng)網(wǎng)絡進行短期電力負荷預測時需得出準確的表達式，才能得到更為精確的預測結果。BP 神經(jīng)網(wǎng)絡的核心思想是誤差反向傳播，其原理為實際值與誤差值之差的反向傳播過程。通過不斷修正誤差閾值，得到正常范圍內(nèi)的實際值[12-14]。

神經(jīng)網(wǎng)絡以人腦為基礎，各個神經(jīng)元接收神經(jīng)末梢的感知信息，且多個神經(jīng)元組成神經(jīng)網(wǎng)絡，并建立神經(jīng)網(wǎng)絡模型，其神經(jīng)元結構如圖1 所示。

圖1 神經(jīng)元結構

圖中P為神經(jīng)元輸入，w為各個神經(jīng)元之間的連接權值，b為閾值，f為激勵函數(shù)，y為輸出值，可用下式進行表示：

完整的BP 神經(jīng)網(wǎng)絡通常由三部分組成，即輸入層、隱含層和輸出層。其中，隱含層可包含多層，而輸入層與輸出層一般只有一層，圖2 為多層的BP 神經(jīng)網(wǎng)絡結構[15-16]。在實際的電力負荷短期預測中，隱含層的層數(shù)由實際需求確定。

圖2 BP神經(jīng)網(wǎng)絡結構

1.2 BP神經(jīng)網(wǎng)絡學習算法

標準BP 神經(jīng)網(wǎng)絡學習算法通常包含前向傳播和反向傳遞。在前向傳播過程中，隱含層第i節(jié)點的輸入Ni為：

則該節(jié)點i的輸出Oi可表示為：

輸出層第k個節(jié)點的輸入Nk為：

則該節(jié)點的輸出Ok為：

式中，ψ為激勵函數(shù)。

反向傳播過程是根據(jù)計算得出的輸出與實際值之間的誤差對權值和閾值進行調(diào)整，從而達到規(guī)定的要求。假設誤差函數(shù)E為：

P個樣本的總誤差函數(shù)為：

沿誤差函數(shù)偏導負方向進行修正，得到的權值修正公式為：

式中，wki為輸入層第i個節(jié)點到輸出層第k個節(jié)點之間的權值；Ok為輸出層第k節(jié)點的輸出結果。

綜上所述，算法的總體流程如圖3 所示。

圖3 BP神經(jīng)網(wǎng)絡算法流程

2 短期電力負荷預測

2.1 負荷預測的基本步驟

在進行電力負荷預測工作之前，需要確定負荷的預測步驟，目前常用的步驟如下：

1）首先確定負荷預測的時間尺度。時間尺度即長期、短期、超短期和預測的地點并考慮氣候因素，文中的負荷預測為短期電力負荷預測。

2）收集歷史負荷數(shù)據(jù)。電力數(shù)據(jù)通常可以通過電力管理部門獲取，天氣數(shù)據(jù)可以通過氣象部門獲取。

3）對歷史數(shù)據(jù)進行預處理。針對收集到的數(shù)據(jù)，檢查數(shù)據(jù)的合理性和完整性，保證所有數(shù)據(jù)的準確性并針對性地進行處理。

4）建立預測模型。選取某種方法對區(qū)域內(nèi)的電力負荷進行預測，實際過程中還會通過選取多種方法進行對比分析。

5）誤差分析。通過與實際值進行對比，得到預測誤差值，然后改進算法，從而提高預測的準確性。

2.2 歷史數(shù)據(jù)預處理

首先建立負荷預測模型，第一步需要收集預測區(qū)域的溫度和氣象等信息，確定需要訓練的樣本，并對上述數(shù)據(jù)進行歸一化處理。

由于歷史數(shù)據(jù)預處理是短期電力負荷預測的基礎，若歷史數(shù)據(jù)選取不恰當，則會造成預測結果不準確甚至無法預測的后果；而一個精確的預測結果需要大量的歷史數(shù)據(jù)進行支撐，因此在進行BP 神經(jīng)網(wǎng)絡建模前，需要根據(jù)具體情況選取合理的歷史數(shù)據(jù)。

在電力調(diào)度部門和氣象部門選取數(shù)據(jù)是較為可行的渠道，但通過該種方法得到的數(shù)據(jù)信息仍存在問題。在測量過程中通常存在數(shù)據(jù)誤差，導致選取的數(shù)據(jù)有遺漏或誤差極大等因素。因此在進行數(shù)據(jù)訓練前，需要對獲得的數(shù)據(jù)進行預處理，以將遺漏的數(shù)據(jù)補充完整，并對異點進行修正。

異點是指由于各種原因導致數(shù)據(jù)與真實值偏差過大而出現(xiàn)的數(shù)據(jù)點，若不經(jīng)過處理，則會導致總體誤差進一步增大。通常采用水平處理和垂直處理的方法對其進行處置。

1）水平處理方法。通常情況下，負荷曲線是平滑連續(xù)變化的，即在兩個相鄰時刻前后的負荷相差不會過大，若相差較大則可能是由于設備出現(xiàn)故障或者人為因素導致。水平處理的原理如下：

式中，α(t)、β(t)為閾值，Y(d,t+1)表示第d天第t+1 時刻的電力負荷功率，Y(d,t-1)表示第d天第t-1時刻的電力負荷功率，Y(d,t)表示第d天第t時刻的電力負荷功率。

2）垂直處理方法。該方法是針對相鄰日同一時刻的負荷數(shù)據(jù)來說的，以保證兩者的差距維持在一定范圍內(nèi)。若超出預設的范圍值，則作以下修正：

式中，m(t) 表示相鄰天的負荷功率值，r(t) 為閾值。

2.3 樣本數(shù)據(jù)歸一化處理

BP 神經(jīng)網(wǎng)絡的激勵函數(shù)通常選取為S 型函數(shù)，以保證網(wǎng)絡的收斂速度，但會產(chǎn)生誤差。若樣本數(shù)據(jù)直接使用，則容易導致S 型函數(shù)出現(xiàn)飽和現(xiàn)象。因此，需要對數(shù)據(jù)進行歸一化處理。

數(shù)據(jù)歸一化處理與激勵函數(shù)直接相關，S 型函數(shù)通常將負荷數(shù)據(jù)歸一化至0～1 之間。該文采用的負荷數(shù)據(jù)歸一化公式為：

式（15）、式（16）分別為進行過歸一化處理后的數(shù)據(jù)矩陣和目標矩陣。式中，Pmax、Tmax、Pmin、Tmin分別為歷史輸入數(shù)據(jù)和目標樣本數(shù)據(jù)的最大及最小值。其反歸一化公式為：

2.4 網(wǎng)絡的拓撲結構

BP 神經(jīng)網(wǎng)絡的隱含層可以是一層或多層，而輸入層和輸出層只有一層。在建立短期電力負荷預測時需要根據(jù)具體情況確定隱含層的層數(shù)，且直接影響預測結果的準確性。若想提高預測精度，則要建立合理的BP 神經(jīng)網(wǎng)絡結構。

1）輸入及輸出層節(jié)點數(shù)的確定。選取該區(qū)域內(nèi)一個調(diào)度周期的歷史負荷數(shù)據(jù)，分析最大負荷時周圍環(huán)境情況，比如最低溫度、最高溫度及天氣情況，確定輸入層和輸出層的節(jié)點個數(shù)。

2）隱含層層數(shù)的確定。隱含層層數(shù)的增加雖然可以提高信息處理能力，但會使得整個網(wǎng)絡結構變得復雜，影響樣本的訓練速度。在進行短期電力負荷預測時，選取一個隱含層即可以滿足預測精度，也可通過增加網(wǎng)絡節(jié)點數(shù)的方法提高網(wǎng)絡處理能力。

3）隱含層節(jié)點數(shù)的確定。在不同的情景下，確定不同隱含層節(jié)點個數(shù)。通常情況下，為使網(wǎng)絡預測精度更高，可增加隱含層節(jié)點個數(shù)，但是節(jié)點個數(shù)越多，樣本訓練時間越長。因此，采用試湊法進行多次訓練以確定隱含層節(jié)點數(shù)。

3 算例分析

應用BP 網(wǎng)絡神經(jīng)算法建立負荷預測模型，以某區(qū)域2020 年某典型日負荷曲線為例進行預測分析。算例中最大訓練步數(shù)為8 000，效率因子選取為0.1，目標誤差選取為0.001。通過神經(jīng)網(wǎng)絡進行訓練，得到誤差曲線。對已經(jīng)訓練的網(wǎng)絡設定訓練步數(shù)，檢驗算法的預測性能并進行對比分析。

經(jīng)過樣本數(shù)據(jù)訓練得到該地區(qū)典型日24 小時內(nèi)實際值與預測值的對比，如圖4所示。從圖4中可以看出，預測值與實際值較為接近，其誤差曲線如圖5 所示。從圖5 中可以看出，最大相對誤差為260 MW，最小相對誤差為20 MW。

圖4 實際值與預測值對比

圖5 誤差曲線圖

為進一步體現(xiàn)該文方法的有效性，分別采用3種方法對該地區(qū)進行短期電力負荷預測，并進行總結比較分析，結果如表1 所示。從表中可以看出，當采用BP 神經(jīng)網(wǎng)絡進行預測時所得到的平均誤差最小、收斂速度最快且預測精度較高。

表1 算法對比分析

4 結論

該文主要研究了基于BP 神經(jīng)網(wǎng)絡算法的短期電力負荷預測，首先對BP 神經(jīng)網(wǎng)絡算法的原理進行介紹；其次詳細闡述短期電力負荷的預測流程，將S型函數(shù)的負荷數(shù)據(jù)歸一化至0～1 之間并進行數(shù)據(jù)歸一化處理；最終應用BP 網(wǎng)絡神經(jīng)算法建立負荷預測模型，以某區(qū)域2020 年某典型日負荷曲線為例進行預測分析，并檢驗算法的可行性。為進一步體現(xiàn)文中方法的有效性，設置3 種方法對該地區(qū)的負荷進行短期電力負荷預測。通過對比分析可知，當采用BP 神經(jīng)網(wǎng)絡進行預測時所得到的平均誤差最小、收斂速度最快且預測精度較高。由于在預測過程中，天氣、氣候等因素會影響預測結果，下一步將研究考慮多種不確定因素的短期電力負荷預測方法。