-
-
手机阅读
0 引言
短期负荷预测是电力系统管理现代化的重要内容之一，是对发电、输电和电能分配等合理安排的必要前提，它的准确与否，对提高电力系统的经济效益和社会效益，保障电力系统的安全经济运行和国民经济的发展有着非常重要的影响。
现实运行中，电力负荷的变化天气情况和各种社会活动等客观因素的影响，它们之间存在着大量的非线性关系，其规律很难用一个数学公式来表示，目前长治地区负荷预测系统采用的是清华大学“能量管理（PAS）、数据采集（SCADA）一体化系统”中的重要组成部分。它提供了九种预测方法。经过三年的运行和大量的算法组合基础数据分析，其中基于遗传算法的人工神经网络法预测精度最高。是一种非常有效的预测方法。
1 人工神经网络法简介
- 1人工神经网络原理
神经网络是由处理单元组成的一种并行、分布式信息处理结构，处理单元之间由单向信道相互连接。人工神经元是神经网络的基本计算单元，它能模拟人脑中神经元的基本特征和解决问题的思路，一般是多输入/单输出的非线性单元，它可以有一定的内部状态和阀值，从而可以辩识各种类型，从经验中自动学习，解决错综复杂的问题。与模糊逻辑结合，能够解决那些依赖人为干预或专家判断的复杂问题，这种技术采用语言或文字而不是数字的方式表达问题与解答之间的联系。
BP算法原理
BP算法的模型为前向多层网络，如图所示：
BP算法描述：
- 权值和阈值初始化，随机给出全部权值和神经元的阈值赋以最小初始值。
- 给定输入Xk和目标输出Yk
- 计算实际输出Yk（正向过程）
- 修正权值（反向过程）
其中
为第1层第j个神经元到第（1+1）层的第i个神经元的权系数，η为增益项，
为第1层i节点的k模式的误差项，且有：
若i为输出节点，则：
若i为隐节点，则：
- 达到误差精度要求输出结果，否则回到3。
2 人工神经网络预测方法
- 1遗传算法的特点
在介绍人工神经网络预测方法之前，先对遗传算法的特点加以说明。
遗传算法是一种基于自然选择和遗传的算法，具有并行计算、群体随机搜索、全局最优的特点。通过对参变量集的编码进行繁殖、杂交、变异，利用适应值函数提供的信息判断最优化程度，能以很大的概率找到全局最优解。
2．2预报模型
2．2．1输入变量的选择
根据经验初步筛选出影响输出变量的各因素，然后通过相关分析，把与输入变量相关度较大的因素筛选出来作为神经网络的输入参数。
2．2．2用遗传算法优化神经网络结构
在运用遗传算法优化网络之前，先确定好控制参数，然后再按照它的计算步骤，得到神经网络结构参数。
2．2．3预报权值
在BP网络优化基础上，用大量的训练样本来训练神经网络，获得初始预报值。为增强初始预报值的适应性，建立在线修改初始预报权值模型，采用一个子训练集实现。
2．2．4预报
将预报负荷输入数据施加于该神经网络上，获得的输出值即为所求预报值。
2．2．5预报模型的检验
当负荷模型建立后，要对其进行实用性检验，一般采用百分误差和均方误差作为检验指标。
- 3错误数据处理
因为神经网络所用的负荷数据来自SCADA实时系统，由于各各原因会造成一定数量的异常数据，考虑到负荷前后小时的自然变化，如果出现超常规值，必须将其剔除，代之以正常比例范围内的估计值。
- 4待选相似日范围的确定
随着时间推移，系统负荷结构会发生缓慢变化，当已知历史日和预测日相隔较远时，即使它们的天气因素很相似，预测精度也不会高，因而取前30天的已知日作为待选范围。
3 计算实例分析与结论
3．1控制参数设置
历史天数：30
平滑系数：0.85
平滑阶数：1
神经网络第一层（输入层）：88
神经网络第二层（隐层）：100
神经网络第三层（输出层）：24
训练样本数：40
功能函数指数：0.2
收敛精度：0.02
最大迭代次数：200
- 2实例计算
对本地区某日96点负荷进行预测，结果如下表：
预测的最大误差为4.6%，最小误差为0.1%，均方误差为1.98%。全天负荷预测准确率为97.8%，点准确率为96.8%，预测精度较高，效果良好。
3．3结论
随着国民经济的不断增长，由于省内电源建设相对滞后，新的一轮缺电状况即将来临，并且将会持续一段时间，因此，准确进行短期负荷预测是一项重要的工作。本文介绍的基于遗传算法的人工神经网络算法，充分发挥了神经网络和模糊理论处理非线性问题的能力，长期的运行实践证明，这是一种非常有效的短期负荷预测方法。