负荷调整论文

负荷预测及编程

二〇一〇年六月

目 录

摘 要 .................................................................错误！未定义书签。 ABSTRACT .........................................................错误！未定义书签。 第1章 绪 论 ......................................................................................1

1.1选题的目的和意义........................................................................................... 1 1.2本课题的研究现状........................................................................................... 2 1.3本文所做的工作............................................................................................... 4

第2章 电力负荷预测概述..................................................................6

2.1负荷预测的概念............................................................................................... 6 2.2负荷预测的分类............................................................................................... 6 2.3负荷预测的方法............................................................................................... 8

2.3.1传统预测方法......................................................................................... 8 2.3.2人工智能方法....................................................................................... 10 2.4人工神经网络简介......................................................................................... 12 2.5短期负荷预测基本步骤................................................................................. 14 2.6电力负荷预测存在的问题............................................................................. 14 2.7负荷预测的误差分析指标............................................................................. 16

第3章BP网络模型概述...................................................................19

3.1 BP网络的概念............................................................................................... 19 3.2短期负荷预测模型......................................................................................... 19 3.3神经网络的BP模型和结构.......................................................................... 21 3.4三层BP网络算法描述.................................................................................. 22

3.4.1学习过程算法描述............................................................................... 22 3.4.2回想过程算法描述............................................................................... 23 3.4.3流程图................................................................................................... 24 3.4.4训练过程界面设计及流程................................................................... 25 3.5实际应用时需考虑的问题............................................................................. 25

第4章BP网络法应用于短期负荷预测 ............................................26

4.1 VB原理简介 .................................................................................................. 26 4.2各界面及其功能介绍..................................................................................... 26

4.2.1电网规划系统主界面........................................................................... 26 4.2.2短期负荷原始数据录入....................................................................... 27 4.3 BP网络训练及预测的实现........................................................................... 28 4.4实际预测举例的实现..................................................................................... 29 4.5结论分析......................................................................................................... 33

第5章 结束语 ..................................................................................34

5.1本文小结......................................................................................................... 34

5.2对负荷预测的展望......................................................................................... 35

参考文献............................................................................................36 附 录 A ...........................................................................................38 致 谢 ...................................................................错误！未定义书签。

第1章 绪 论

1.1选题的目的和意义

电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。多年的实践经验告诉我们，如果电力工业的发展速度能够满足国民经济建设的需要，就会促进经济的高速发展；否则，就会产生严重的供需矛盾，阻碍国民经济的发展。随着现代工业和农业的不断发展及人民生活水平的日益提高，社会对电力的需求量越来越大。为了满足日益增大的电力需求，必须不断扩大电力系统的规模。由于电力工业的发展不仅需要消耗巨大的投资和一次能源，而且对国民经济的其它部门也会产生巨大的影响，合理的进行电力系统规划不仅可以获得巨大的经济效益，也会获得巨大的社会效益。相反，电力系统规划的失误会给国家建设带来不可弥补的损失。因此，对电力系统规划问题进行研究，以求最大限度地提高规划质量，具有重大的现实意义，而实现这一目标的第一步就是要做好负荷预测[1]。

负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电。另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。总之，负荷预测的精度高低直接关系到各方利益，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一，尤其在我国电力事业空前发展的今天，用电管理走向市场，电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。

电力系统负荷预测是以准确的历史数据和调查资料为依据，从用电量的历史和现状出发，用科学的方法预测未来电力系统负荷的发展趋势和变化规律的科学。根据预测的时间跨度，一般将负荷预测分为长期、中期和短期负荷预测。短期负荷预测主要指预测未来一天或一周内各个整点的负荷曲线，主要用于制定系统的生产计划，安排系统的短期运行方式、进行电力调度以及离线安全分析等。

传统的负荷预测都是人工完成的。预测人员通过历史负荷数据，采用一定的预测

·1·

算法加以计算，得到预测结果后，结合自己.的经验加以修正，形成最后发布的预侧数据。在整个过程中，历史数据的选择，预测算法的选用和预测人员的经验，都会对预测结果产生很大的影响，预测的精度难以保证。因此，电力企业迫切需要建立自己电力负荷预测系统.这种系统必须能够结合企业现有的资源，能够克服人工预测的各种弊端，不仅要有较高的预测精度，还要有自动化和智能化的特性[2]。

本文研究的基于人工神经网络的电力短期负荷预测系统，就是一个能够满足以上需要的系统。它采用人工神经网络算法来保证预测的准确性和智能化，采用基于VB的软件界面架构来保证系统与其它应用的良好集成。通过应用该系统可以避免过去人工预测的盲目与随意，使电力负荷预测的结果更加准确，为电力调度提供更好的参考依据。它不仅可以尽量降低电力短缺所带来的危害，还能为电力企业带来更大的经济效益。因此，本文的研究具有重要的理论和现实意义。

1.2本课题的研究现状

负荷预测的研究已有几十年的历史，国内关于负荷预测的研究已出现了许多种方法，目前，国内发表的电力系统短期负荷预测的文献较多，所采用的预报方法和到达的预报精度也各有不同。综合起来主要可分为以下三类。

1）传统统计模型法。这是一种二十世纪九十年代以前常用的方法。主要包括时间序列法和回归分析法。这种方法的优点是计算简单、要求的历史数据少。由于是基于统计模型，不易全面地考虑天气因素、突发事件等对于负荷的影响，因此预测精度低[3]。

2）专家系统法。即充分利用有经验的运行人员的知识、经验和推断规则来进行负荷预测，然而，把专家的知识和经验等精确地表达并转化为一系列规则，则往往是很困难的，而且建立专家系统的工作量要比一般预报算法大得多[4]。

3）人工神经网络法。人工神经网络具有任意逼近非线性函数的特性，负荷变化是与诸多因素有关的一个非线性函数，用人工神经网络对负荷历史数据进行学习，是抽取和逼近负荷变化曲线并进行负荷预报的有效方法。近十年来，国外报道的相关文献主要是用神经网络方法围绕提高或改善负荷预报的精度来进行负荷预报研究。最具代表性的是美国研制的人工神经网络短期负荷预报器，它包含有两部分预测：一部分预测基本负荷；而另一部分预测负荷变化，这部分考虑了短期内气候条件（温度、湿

·2·

度）。两部分的自适应组合便是最终的预报结果。该预报器具有较好的自组织自适应特性，已在美国，加拿大的35家电力公司采用[5]。

于是，有学者开始将各种智能化算法，如人工神经网络法、遗传算法、最小绝对值滤波算法等用于在受到诸如气象变化、经济环境变化等随机因素干扰情况下的电力系统负荷预测。由于电力系统的负荷受众多不确定因素的影响，是典型的灰色系统，运用灰色系统来分析众多不确定因素与电力负荷预测的关联度已经运用广泛，但如何准确定量描述，以何种准则来进行不确定因素的人工修整仍是一个难题，所以，通常很多地区很大程度上依靠预测人员的经验进行预测[6]。

西方发达国家如美国、英国随着电力市场的日益成熟，电力供应商为了获取最大利润，十分重视电力负荷预测工作。为此，科研工作者一直在研究电力负荷预测的新方法以提高预测精度。自从1991年美国学者Park等人提出使用神经网络预测电力负荷以来，人们对此表现出广泛的关注。在此基础上，美国的Khotanzad博士领导的科研小组经过几年的艰苦研究，提出了人工神经网络电力负荷短期预测系统(ANNSTLF)。这个系统己经在实用化方面取得了空前的成功。北美洲有35个大发电系统(公司)，根据天气预报、工业和居民用电统计资料，利用ANNSTLF系统预测发电站必须提供的发电量，大大提高了电站的经济效益和安全运转系数。但该系统有一个弱点，即不能处理不确定性信息，且需要大量的历史数据进行训练和学习。我国的负荷数据近些年才开始系统收集，采用ANNSTLF系统不太适合我国的国情。Hiroyuki教授等人则在电力负荷短期预测中运用了自适应模糊推理，Srinivasan博士采用了模糊神经计算进行需求预测。这些方法主要是针对工业化发达国家实际情况提出的，而我国的国情复杂，地区之间的差距很大，生搬硬套上述方法，很难取得成功[7]。

当前国内电力短期负荷预测研究备受瞩目，很多学者提出自己的看法。东南大学的单渊达教授采用径向基函数(RBF)为神经网络预测系统前向网络的学习提供了一种新颖而有效的手段。RBF网络具有良好的推理能力，而且在学习方面比误差反向传播(BP)方法快得多。华北电力大学的牛东晓教授则引入了小波神经元网络电力负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而到达全局最优的逼近效果。清华大学张伯明教授采用共辘梯度法训练预测系统的神经网络，在学习算法上有所突破。国内著名人工智能学者蔡自兴教授则结合多层感知神经网络和多分辨率遗传算法来进行电力负荷预。华南理工大学的

·3·

吴捷教授运用模糊逻辑和时序特性来进行最优模糊逻辑推理汇，该系统的输入量通过对历史数据的自相关分析而建立，再通过最近邻聚类法对历史数据的学习得到若干数据对，进一步由最优模糊逻辑系统建立短期电力负荷的预测模型。国家电力科学研究院的胡兆光老师将AI推理和模糊系统结合起来，建立AI规则库对电力负荷进行预侧，也取得了较好的效果。

国外电力负荷预测技术和方法和方法研究正在深入，国内电力工作者也正在探索，主要有以下方法：

1） 采用BP算法应用神经网络多层感知器模型，并结合线性外推法优点，应用于华北电网日负荷预报，可使精度提高0.9%，其做法是：利用模型聚类法推出预测日各时段的分布系数；利用人工神经网络预测出最大、最小负荷；用两种方法预测的结果进行综合，得到最后预报值[8]。

2）将模糊神经网络理论应用于电力系统短期负荷预测日。选择模糊日温度、模糊日工作状态、模糊日时段等作为输入量，模糊日平均负荷和模糊日周期变动负荷为输出量，通过由相应输入、输出量所构成的历史样本对模糊神经网络进行训练，训练好的网络可对未来负荷进行预测[9]。

3）提出了一种模糊短期负荷预测方法。通过对负荷历史数据的离线动态学习，训练出有关参数，经过模糊推理获得提前一天的负荷预测。系统中引入环闭模糊控制方法用以在线消除预测误差，并设计了自适应的输出修正算法以排除可能存在的扰动影响。对于实际负荷进行预测，可以证明该预测方法的有效性。目前，我国实际的电力负荷预测主要还是采用传统统计模型法。当负荷随气候等因素变化平缓，即电力较发达地区，用传统方法计算量小，速度较快，且能取得较好的预测效果；但当负荷随各种因素变化剧烈时，传统方法由于模型的线性特性，不足以真正描述电力系统的不同负荷模式的非线性特性，因此预测的效果便很不理想，尤其是节假日的预测效果令人难以接受[10]。

1.3本文所做的工作

本文研究的对象是基于神经网络的电力系统短期负荷预测。短期负荷预测的方法有很多种，目前，神经网络预测方法受到国内外广大研究人员的高度重视，被公认为比较有效的方法。本文介绍了常用的负荷预测方法，分析了其模型结构、功能特点、

·4·

适应范围，指出了传统负荷预测方法存在的问题；同时对各细分市场的负荷特点进行了有针对性的分析，指出了各种影响因素对各类负荷的不同影响，如气候、经济等客观条件。这些都是影响负荷预测准确性的不可预知的因素。

文章主要是探讨用人工神经网络法用于负荷预测的效果，在介绍了人工神经网络法后，通过BP三层结构对已有历史数据训练，并形成模型；在已有模型的基础上，来进行负荷预测。其中引用了大量的负荷历史数据，最后的预测结果显示，现代算法与传统方法相比，其预测结果的精度有了提高。

·5·

第2章 电力负荷预测概述

2.1负荷预测的概念

所谓的负荷预测是指，在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的前提下，确定未来某特定时刻的负荷数值。负荷可指电力需求量或者用电量，而需求量是指能量的时间变化率，即功率。也可以说，负荷时指发电厂、供电地区或电网在某一瞬间所承担的工作负荷。对用户来说，用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗功率之和[11]。

随着我国电力系统的发展，电网管理的日趋现代化，负荷预测问题的研究也越来越引起人们的注意，并已成为现代电力系统科学中的一个重要的领域，因为整个社会是一个复杂的整体，它的用户成千上万每个用户的要求也各部相同，因此，整个社会的用电需求既有一定的统计规律性，又具有大量的随机影响因素，具有不确定性电力系统负荷预测是电网规划和经济运行的重要一环。负荷预测对电力系统控制、运行和计划都是非常重要的，提高负荷预测的精度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。因此，在实践中，无论是制定电力系统规划或是实现电力系统运行自动化，进行相应的负荷预测都是必不可少的[12]。

电力负荷预测主要是预测一下三个方面：

1）未来电力需求量（功率），也就是确定电力系统发点设备和输送容量。 2）未来用电量（能量），主要是用来选择机组，确定电源结构和原料计划等。 3）负荷曲线，它是为电力的峰值、电站容量、设备协调运行提供数据支持。

2.2负荷预测的分类

负荷预测从预测的时间范围上可以分为长期、中期、短期和超短期预测（如图2.1）。长期预测一般指十年以上并以年为单位的预测，中期预测指在五年左右以年为单位的预测，中长期负荷预测主要是用于指定电力系统的扩建规划，包括装机容量的大小、形式、地点、时间和电网的增容扩建，它为所在地区或电网的电力发展速度、

·6·

电力建设规模、电力工业布局、能源资源平衡、地区间的电力余缺调剂、电网资金和人力资源的需求平衡提供了可靠的依据；短期预测指一年内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，通常预测未来一个月、未来一周、未来一天的负荷指标，也预测未来一天每小时的负荷，短期负荷预测对电力企业的日常运营起到指导和调节作用，有利于合理安排电力日生产计划；超短期负荷预测指未来1h、0.5h，甚至10min的预测，其意义在于对电网进行计算机在线控制，实现发电容量的合理调度，满足给定的运行要求，同时使发电成本最小[13]。

负荷预测 超短期负荷预测 （1小时以内） 短期负荷预测 （1年以内） 中期负荷预测 （5年以内） 长期负荷预测 （10年以上）

图2.1 负荷预测分类图

负荷预测从用途上又可以分为发电部门预测和供电部门预测。前者从整体上预测负荷的变化，根据负荷特性和负荷趋势来进行预测，称为趋势预测；而后者则往往利用由底向上的方法，根据负荷的结构和特性分别预测、统一汇总，称为因子预测。从目前电力部门对负荷的掌握情况来看，负荷结构还没有一个比较确切、定量的模型，预测时无法考虑全面，预测偏差也比较大。现在常用的是根据整体负荷进行预测，通过对各种因素的修正而得到预测结果，实际运作的结果表明这种方法比较实用和有效。

按照系统负荷构成可以将其划分为：城市民用负荷、商业负荷、工业负荷、农业负荷及其它负荷等模型（如图2.2）。不同类型的负荷有着不同的变化规律，例如随家用电器的普及，城市居民负荷年增长率提高、季节波动增大，尤其是空调设备的迅速扩展，使系统峰荷受气温影响越来越大；商业负荷主要影响晚高峰，而且随季节而变化；工业负荷受气象影响较小，但大企业成分下降，使夜间低估增长缓慢；农业负荷季节变化强，而且与降水情况关系密切。一个地区负荷往往含有几种类型的负荷，比

·7·

例不同[14]。

工业负荷 （40%） 农业负荷 （15%） 系统负荷 （100%） 城市民用负荷 （10%） 商业负荷 （20%）

其他符合 （15%） 图2.2 某地区负荷构成图

电力系统负荷预测是实现电力系统安全、经济运行的基础，对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。因此，负荷预测的关键是提高准确度。

2.3负荷预测的方法

短期负荷预测技术发展至今己有几十年，随着数学统计理论和人工智能技术的相继发展，人们提出各种各样的预测方法。迄今为止，短期负荷预测方法大致可以分为两类：即传统预测方法和人工智能方法。传统预测方法有：外推法、回归分析法、时间序列法、卡尔曼滤波、灰色预测等；基于智能原理的方法：人工神经网络、专家系统、模糊理论等。

2.3.1传统预测方法

1）外推法

根据已知的历史资料来拟合一条曲线，使得曲线能反映负荷本身增长趋势；然后按曲线对未来预测求得某一点，从曲线估计该时刻的负荷值。常用曲线有直线、指数曲线、幂函数曲线，S型曲线等。外推法的原理简单，使用方便，但由于负荷变化趋势多种多样，简单的线性拟合难以实现准确性；多项式拟合的幂指数又难以确定，且

·8·

指数越高公式越复杂化；有限的几个增长模型不能囊括负荷趋势变化，各种随机因素也是影响提高预测精度难点。趋势外推法一般仅用于长期预测[15]。 2）回归分析法

回归分析法是一种曲线拟合法，即对过去的具有随机特性的负荷记录进行拟合，得到一条确定的曲线，然后将此曲线外延到适当时刻，就得到了该时刻的负荷预测值。这种方法是研究变量和变量之间依存关系的一种数学方法。由于影响负荷的因素错综复杂或相关因素数据资料无法得到，在预测模型中，很难准确、详细、全面的描述影响预测对象的各种负荷因素，回归分析法很难适应；另外有时影响因素之间的高度相关，违背了回归分析的基本假设，也会导致一系列错误，则模型就不能用于预测。这些都使得回归分析法的应用受到了很大的限制，预测精度也较差，因而不是理想的预测方法[16]。 3）时间序列法

用时间来代替影响负荷的因素，依据负荷过去的统计数据，找到其随时间变化的规律，建立时序模型，以推断未来负荷数值。其基本假设是：负荷过去的变化规律会持续到将来，即未来是过去的延续。其主要数学模型有自回归(AR)模型、滑动平均（MA）模型和自回归－滑动平均（ARMA）模型等。但时序法无论采用哪种模型都没有考虑不同时刻负荷之间的相关性和其它因素（比如天气因素）对负荷的影响，预测精度较差，因此时序法存在着预测不准确的问题[17]。 4）小波分析方法

小波分析是近年来数学研究成果中杰出的代表。它是一种时域-频域分析，在时域、频域同时具有良好的局部化性质。小波分析汲取了现代分析学中诸如泛函分析、调和分析、样条分析等众多数学分支的精华。小波变换能将交织在一起的不同频率组成的混合信号分解成不同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列投影到不同的尺度上，而各个尺度可近似地看作各个不同的“频带”，这样各个尺度上的子序列分别代表了原序列中不同“频域”的分量，它们可以清楚的表现出负荷序列的周期性。在此基础上，分别对各个尺度上变换得到的子序列进行预测，最后利用各个尺度上的预测结果进行信号重构，就得到了完整的预测结果[18]。 5）卡尔曼（Kalman）滤波方法

是建立状态空间模型，把负荷作为状态变量，用状态方程和量测方程来描述。卡

·9·

尔曼滤波算法递推地进行计算，适用于在线负荷预测。这是在假定噪声的统计特性已知的情况下得出的，实际上，该方法的难点是对噪声统计特性的估计[19]。 6）灰色预测法

灰色预测理论其显著特征就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状数列，可以对生成的这个形状数列建立起GM(GREY MODEL)模型。GM(1，n)也就是对n个变量用一阶微分方程建立的灰色模型。GM(1，1)模型是灰色理论中最广泛地用于电力负荷预测的一种有效模型，它属于动态建模，采用微分拟合方程的方法来描述事物的发展变化规律。灰色预测具有要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、短期预测精度高、易于检验等优点，因此得到了广泛应有，并取得了令人满意的效果。但是，它和其他预测方法对比，也存在一定的局限性。一是当数据离散程度越大，即数据灰度越大，则预测精度越差；二是不太适合于电力系统的长期后推若干年的负荷预测。传统方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度[20]。

传统预测方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度。

2.3.2人工智能方法

1）人工神经网络法

人工神经网络(ARTIFICIAL NEURAL NETWORKS)是一种以人类大脑神经网络为模拟对象的仿生系统。它是在深入研究人脑神经网络的基础上，人工构造的、能够实现某种特定功能的网络，是理论化的人脑神经网络的数学模型，是模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是由大量的简单元件相互连接而成的复杂网络，是具有高度非线性处理能力，能够进行复杂的逻辑操作和非线性关系实现的系统。经过半个多世纪的发展，人工神经网络技术已逐渐成熟，并成功的应用于模式

·10·

识别、最优化问题求解、信息的智能化处理、复杂控制和信号处理等领域，取得了很好的效果。

由于吸取了生物神经网络的许多优点，相对于传统的信息处理系统来说，人工神经网络具有以下的特点：

(1)高度的非线性。人生神经网络特别是多层次、非线性全连接的网络，其输入输出表现出非常显著的外部非线性关系。经证明，只要有足够数目的神经元，任何非线性连续函数都可以由一个三层网络以任意精度来近似表达。这种强大的非线性逼近能力，是神经网络最重要的性质之一。

(2)良好的自学习和自适应性。人工神经网络能够通过学习和训练来适应环境的变化。当外界环境发生变化时，经过一段时间的训练与学习，人工神经网络能自动调整网络结构和连接模式，使得对于特定输入能够产生期望的输出。

(3)良好的容错性和联想记忆能力。人工神经网络通过自身的网络结构，能够实现对信息的记忆。而所记忆的信息是存储在神经元之间的权值中，是一种分布式的存储方式。即使部分信息丢失或模糊，也不会从根本上影响网络的整体性能龟，从而表现出良好的容错性、很强的抗噪音能力和联想推广能力。网络一经训练成功，就可以正确的处理和训练样本集相似的数据，在一定的误差范围内，还可以处理非完全数据，由局部联想到整体，表现出联想记忆的特征，适宜于处理知识背景不清楚、推理规则不明确的问题。

(4)高度的并行性。人工神经网络是由许多相同的简单处理单元组合而成，虽然每个单元的功能简单，但大量简单处理单元的并行活动，却能够形成惊人的信息处理能力[21]。

2）专家系统方法

专家系统是人工智能领域的一个重要分支，它是一种基于知识推理的系统，它通过获取大量的领域内专家知识并在此基础上进行推理从而得到问题的解答。专家系统适用于专业范围明确，没有完整的、精确的理论的领域，专家系统是对人类的不可量化的经验进行转化的一种较好的方法，若能将它与其他方法有机地结合起来构成预测系统，将可得到满意的结果[22]。 3）模糊控制法

模糊集合和模糊推理是专门用来处理不确定性问题的理论。模糊集合将经典集合

·11·

的绝对隶属关系(非A即B)模糊化(既A又B)，典型的隶属度函数有三角函数、梯形函数、正态分布函数、S形分布函数和Z形分布函数。模糊推理基于模糊规则，模糊规则以IF-THEN的形式来表达模糊集合间的关系。电力负荷预测是利用以往的数据资料找出负荷的变化规律，从而预测出电力负荷在未来时期的变化趋势及状态。实际预测时，常常需要在历史负荷及影响其变化的相关环境因素数据不确定的情况下进行预测，模糊数学为处理此类问题提供了有效手段。模糊理论是将操作人员的经验以规则的形式表达出来，并转换成可以在计算机上运行的算法。它在电力系统的许多领域中得到了应用。近年来出现了模糊回归分析法、模糊聚类识别预测法、模糊与神经网络结合应用等方法。由于模糊推理可以利用有限的规则近似任意的函数关系，将这一理论应用于负荷预测是不错的选择。最新资料显示，模糊系统和其他方法结合的负荷预测的精度要明显优于其他负荷预测方法[23]。

综上所述，相对于其它的预测方法来说，人工神经网络法被认为是一种简单而有效的负荷预测技术，非常适合用来进行电力系统短期负荷预测。不同的预测方法有各自的优点和缺点，为了发挥不同方法的优点，避开其不足，人们在负荷预测过程中将不同的预测方法加以组合，形成了许多种组合方法，在一定条件下能够有效的改善模型的拟合能力和提高预测的精度。

2.4人工神经网络简介

自1943年由心理学家McCulloch和数学家Pitts提出的第一个神经元生物学模型-M-p模型被提出至今，神经网络系统理论的发展十分迅速。特别是1982年美国加洲工学院的物理学家John Hopfield提出了Hopfield神经元网络模型以及1985年Rumelhan和Mcelelland等人提出的误差反向传播(Error Back Propagation，BP)算法，使Hopfield模型和多层前馈型神经网络成为用途广泛的神经网络模型，己在信号处理、模式识别、目标跟踪、机器人控制、组合优化等众多领域的应用中获得了引人注目的成果[24]。

人工神经网络是由神经元以一定的拓扑结构和连接关系组成的信息表现、储存和变换系统，是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力。它是对自然界中生物体神经系统进行抽象和改造，并模拟生物体神经系统功能的产物。神经网络的重要特点是具有记忆和学习能力，经过一定训练之后，能够对给定的输入做

·12·

出相应处理。人工神经网络理论是当今人工智能技术最重要的实现技术之一。神经网络理论是利用神经网络的学习能力，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。人工神经元是神经网络的基本计算单元：一般是多输入、单输出的非线性单元。目前用于负荷预测的人工神经网络主要有误差反向传播网络(BP)、径向基函数网络(RBF)等。神经网络预测技术可以模仿人脑做智能化处理，对大量非结构性、非确定性规律具有自适应功能，有信息记忆、自主学习、知识推理和优化计算的特点，适合于做短期负荷预测。因此人工神经网络有很大的应用市场，运用ANN进行负荷预测的关键在于：网络结构的确定、恰当的输入变量的选取以及样本和训练集的构建[25]。

负荷预测是人工神经网络在电力系统中的主要应用部分。由于其具有高度非线性范函逼近和并行处理能力，它不依赖于人工的经验，通过学习获得系统输入和输出间的函数连接关系。神经网络不是首先确定一个函数的形式，而是通过训练历史数据得出天气变量和预测负荷之间的关系。它具有信息记忆、自主学习、知识推理和优化计算的特点，其自学习和自适应功能是常规算法和专家系统所不具备的。人工神经网络用于短期负荷预测的具体过程为：以历史负荷、天气数据(如气温)等作为输入变量，以负荷预测值为输出变量，通过大量的样本训练神经网络，确定神经元之间的连接权值及神经元的值，然后将训练完成的网络用于预测未来的负荷，并且随着新样本的加入，可以重新训练神经网络，形成新的权值和阈值以适应新的样本。现在有多种人工神经网络模型被用于短期负荷预测，主要有BP(Back Propagation)网络、RBF(Radial Basis Function)网络、Hopfield网络、Kohonen自组织特征映射等[26]。

由于人工神经网络的自学习能力和对复杂非线性对象的处理能力，使其在各个领域获得越来越广泛的应用。在负荷预测领域中，神经网络的重要作用主要体现在两个方面，一是在建模过程中易于处理各种影响负荷变化的因素；二是在建立非线性时间序列预测模型时采用神经网络来逼近非线性映射。

如今的人工神经网络己经在社会生产的各个领域得到不同程度的应用，这些 领域包括模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等等。 特别是能处理任意类型的数据，无需知道数据的分布规律，这是许多传统算法所 无法比拟的，通过不断学习，能够从未知模式的大量复杂数据中发现规律。时至 今日，人工神经网络在民用、军用等领域得到广泛应用。在理论研究上看，当前

·13·

的工作主要侧重于网络算法的性能(包括稳定性、收敛性、容错性、鲁棒性等)， 开发新的网络数理理论(神经网络动力学、非线性神经网络)，用数理方法探索智 能水平更高的人工神经网络模型，以及应用神经生理与认知科学研究大脑思维及 智能机理。随着不同智能学科领域之间的交叉与渗透，人工神经网络必将对智能 科学的发展发挥更大的作用[27]。

2.5短期负荷预测基本步骤

1）确定负荷预测的目的，制定预测计划

在预测计划中要考虑的问题主要有：准备预测的时期，所需的历史资料(按年、按月、按周或者按日)。需要多少资料。资料的来源和搜集资料的方法。预测方法，用时等等。

2）调查资料和选择资料

本文中预测所需的资料主要包括历史数据，以及历史天气数据等。 3）建立预测模型

负荷预测模型是统计资料轨迹后的概括，它反映的是经验资料内部的一般特征。模型的具体化就是负荷预测的公式。对ANN方法的预测方案，建立预测模型包括两步：第一步，确定ANN的结构及其算法；第二步，选择历史数据对其进行训练[24]。

2.6电力负荷预测存在的问题

电力负荷预测的难点在于影响因素众多，它包含有内外部的随机因素，特别是许多非负荷因素的影响。这些影响因素与预测值之间形成复杂的非线性关系。影响负荷预测的主要因素如下[28]：

1）定量分析与定性分析相结合的问题

影响电力负荷的因素很多，在以往的负荷预测中，我们往往只重视定量的分析，而忽略了定性的分析，这是一个值得注意的问题。定性分析包括在进行定量分析之前，对某些基本数据进行必要的分析，如对负荷数据特性的分析等。

2）原始数据的收集和筛选

近年来我国的电力负荷预测的研究，对于模型的建立比较重视，而不去深入分析和收集原始数据，以至造成有时原始数据的筛选分析与模型不配套的弊端。要成功地

·14·

进行预测，必需要把握以下四大环节：

(1)要收集尽可能全面的信息。如果信息面过窄，就极难得到恰当的预测。 (2)要使用正确的筛选手段与方法，有用的真实信息常常淹没在大量的干扰信号之中，只有使用正确的筛选手段与方法，才能去伪存真。

(3)应使逻辑运算的假设尽可能地符合实际，任何一种模型或逻辑运算，都是以假设为前提的，如果假设离前提太远，那就不可能获得成功地预测结果。

(4)建立符合实际的模型，并进行正确的运算。 3）电力负荷预测的依据

首先，要明确电力负荷预测的依据，从实际出发，选择正确的预测方法。电力负荷预测既要依据调度专家成功可靠的经验，更要依据符合的历史数据。

其次，电力系统负荷变化具有显著地周期性。通过对实际负荷记录的分析发现，按小时观测的负荷具有以24小时或7天变化的周期，这种周期性变化的规律是电力负荷变化的又一本质特征。在预测方法中，如何体现其变化的周期性，从而使预测结果更符合实际，也是负荷预测中面临的实际问题[29]。

经典的负荷预测是根据电网的历史数据，找出负荷随各种因素变化的规律，在一定的假设下，建立适当的数学模型，预测未来的某一时刻负荷。但依靠数学建模进行预测对上述的随机性、周期性及表现人的判断显得无能为力，所以我们把负荷预测方法中存在的问题归结为：

1）负荷历史数据的坏数据处理

负荷的历史数据一般来源于SCADA数据库，由于系统中各种终端读表的各种误差，数据库中的数据经常会受到污染。常见的有毛刺、某一段数据突然变大或变小、和数据的不正常波动等。而冲击负荷比较大的地区，负荷数据的过分波动不利于掌握负荷的变化趋势，增加了负荷分析的难度。因此在用历史数据进行训练和预测前，坏数据的辨识与修正是必须要做的工作。即确定某条曲线中存在坏数据，然后找出坏数据在曲线中的位置，将其剔除掉并进行修正。

2）节假日的负荷预测

在国家法定节假日（元旦、春节、五一和国庆）期间负荷与平时相比明显降低，尤其是春节更是持续长时间、大幅度的曲线下降和变形。节假日负荷一般要求提前半个月到一个月左右做出预测，节假日的预测一直是负荷预测的难点之所在。由于数据

·15·

量较少，参考上一节假日相隔时间又长达一年，无法形成足够有效的样本集使得神经网络方法不能使用于节假日预测中，需要结合传统的多种方法另找途径。

3）气象因素的影响

研究表明，气象因素对负荷预测精度的影响不可忽视，传统的预测方法不能考虑气象或者考虑气象不充分，导致预测结果不够理想。需要结合多种方法，如模糊聚类法法将气象因素（温度、湿度、天气状况等）考虑在内。

4）电力市场环境下，负荷的变化还与电价有关。

5）随机因素。其他大量引起负荷变化的随机因素也经常存在，例如大负荷用户的用电调整以及重大的政治经济活动等[15]。

2.7负荷预测的误差分析指标

在负荷预测中，由于测量、人为等因素会造成伪数据。大量伪数据则会严重地影响预测精度。因此，如何辨识和修正伪数据就成为负荷预测过程中的重要环节。负荷预测应建立在准确获取历史数据的基础上。对所收集的与负荷有关的统计资料进行审核和必要的加工整理，是保证预测质量所必须的。可以说，预测的质量不会超过所用资料的质量，整理资料的目的是为了保证资料的质量，从而为保证预测质量打下基础。对预测方法性能好坏的评估是建立在统计分析的基础之上的了，一般是通过各种预测精度指标来衡量的，要使用统一的误差分析指标。

产生误差的原因很多，主要表现在以下几个方面：

1）进行预测往往要用到数学模型，而数学模型大多只包括所研究对象的某些主要因素，很多次要因素被略去。对于复杂的电力负荷变化来说，这样的模型只是一种经过简单化的负荷状况的反映，用它来进行预测，无可避免地会与实际负荷产生误差。

2）负荷所受影响是千变万化的，进行预测的目的和要求又多种多样，因而如果选择一个不当的预测方法就会随之产生误差。

3）进行负荷预测要用到大量资料，而各项资料并不能保证都是准确可靠的，这就必然会带来预测误差。

4）某种意外事件的发生或情况的突然变化，也会造成预测误差。此外，由于计算或判断上的错误，如平滑常数的选择不妥，也会产生不同程度的误差。

常用的误差指标分析函数有：

·16·

1）绝对误差与相对误差

?)/Y为相对误差。 ?为绝对误差；(Y?Y社Y表示实际值，Y?表示预测值，则Y?Y2）平均绝对误差

MAE?1n?ni?1Ei?1ni?Yni?1??Yi (2-1)

式中：MAE为平均绝对误差，Ei为第i个预测值与实际值的绝对误差，Y为第i

个实际负荷值，Y为第i个预测负荷值

由于预测误差有正有负，为了避免正负相抵消，故取误差的绝对值进行综合，并计算其平均数，这是误差分析的综合指标法之一。

3）均方误差

MSE?1n2i??Eni?1?1ni?(Yni?1?)2?Yi (2-2)

式中：MSE为均方误差，其他符号同前

均方误差是预测误差平方之和的平均数，它避免了正负不能相加的问题是误差分析的综合指标法之一。

4）均方根误差

RMSE?1n2iE?ni?1?1ni(Y?ni?1?)2 (2-3) ?Yi式中：RMSE--均方根误差，其他符号同前。 5）可决系数法

n定义 RSS?1n?i?12(y(i)?y(i?))n， TSS??(y(i)?y) (2-4)

2i?1注：y??ny(i)

i?1则可决系数为：R2?1?RSSTSS

可决系数分析法利用残差的平方和与实际值的离差平方和之比来说明模型的预测效果。

6）后验差检验

·17·

后验差检验是根据模型预测值与实际值之间的统计情况，进行检验的方法，这是从概率预测方法中移植过来的。其内容是：以残差（绝对误差）为基础，根据各期残差绝对值的大小，考验残差较小的点出现的概率，以及与预测误差方差有关指标的。

7）关联度误差分析

关联度是灰色系统理论提出的一种技术方法，是分析系统中各因素关联程度的方法，或者说是关联程度量化的方法。

关联度的基本思想，是根据曲线间的相似程度来判断关联程度，实质上是几种曲线间几何形状的分析比较，即认为几何形状越接近，则发展变化趋势越接近，关联程度越大。用此方法可以来比较几种预测模型对应的几条预测曲线与一条实际曲线的拟合程度，关联度越大则说明对应的预测模型越优，拟合误差也就越小[30]。

·18·

第3章BP网络模型概述

3.1 BP网络的概念

在人工神经网络的发展中，以误差逆传播学习算法(Error Back Propagation)为基础的人工神经网络简称BP网络，该算法在人工神经网络的发展中占有重要地位，它是目前人工神经网络领域中应用最为广泛的模型之一。

人工神经网络是一个具有高度非线性的动力学系统，它在预测复杂非线性系统的行为中已经获得了广泛的应用，显示出强大的生命力。在经济预测、证券分析、自然现象分析、信息加密、模式识别等方面获得了实际应用。在实际应用中，要求BP算法的学习过程必需收敛，否则回想过程就无意义。由于BP网络的收敛依赖于学习模式的初始位置及网络的初始参数选取，在计算机编程训练过程中，常常由于学习模式或结构参数的初值选取的微小差别导致系统陷入局部极小，从而无法实际应用。虽然许多科学工作者从不同角度对此进行了理论上、实践上的探讨，但这个问题目前还没有完全解决，这在一定程度上影响了BP网络的应用发展。在此情况下，利用VB编程语言，给出BP网络训练的收敛过程的可干预调试界面及BP网络训练及回想过程的通用程序，对BP网络的实际应用具有重要意义。利用可干预的训练过程，可直观调整参数而使系统到达全局误差极小值，从而完成训练过程。同时，VB界面对BP网络的训练过程提供了清晰的展示，亦可应用于人工神经网络的教学中[26]。

3.2短期负荷预测模型

如图3.1中：li，1≤i≤7：代表输入历史负荷变量；

l：

代表预测负荷；

Ｔmax，Tave，Tmin：代表输入预测日最高温度平均温度最低温度；

wij：

代表相邻节点的权值。

·19·

图3.1短期负荷预测的神经网络结构

输入量的选取对BP网络是非常重要的，它选取的合理与否直接着BP网络的训练时间和预测精度。我们知道，要想比较准确地负荷，就必须全面考虑影响负荷的各种相关因素。但是影响负荷素非常多，对负荷的影响也有大有小，如果对这些因素不加区别一并予以考虑，不但使BP网络过于庞大，大大增加训练时间，而特征量分不清主次，反而降低了其预测精度。这就需要我们对这素，合理取舍。因此选取特征量的原则是：在全面考虑各种重要响因素的基础上，尽可能减少特征量数目。

负荷对气象的敏感程度是比较高的，且分散性很大。比如：冬天有风与无风对负荷的影响就很大，而夏天则几乎没有影响。由于数据不易掌握，而又不是一般性，选择了预测日的最高温度、最低温度、平均温度，这能从很大程度上反映气象对负荷的影响。负荷与历史负荷数据有很强的相关性，对于不同的星期类型本文中采用了不同的输入量。

工作日：选取前一日，前两日，前三日，前一周的相应时点的负荷值作为输入负荷值。

周末日：选取前一日，前两日，前一周，前两周的相应时点的负荷值作为输入负荷值。

由于网络采用输出层节点为一的BP网络，因而其输出为预测日每个小时的预测值[26]。

·20·

3.3神经网络的BP模型和结构

BP(back Propagation)网络是一种前向网络，是采用误差反向传播算法，对非线性可微分函数进行权值训练的网络。一个具有r个输入和一个隐含层的神经网络模型结构如图所示：

图3.2 三层BP网络结构

三层BP网络是具有代表性的BP网络。图3.2给出了三层BP网络结构，它由输入层、中间层(隐含层)、输出层组成。图1中a(k，i)为输入模式向量，k=1，2，?，m为学习模式编号， i=1，2，?，n为输入层单元编号；j=1，2，?，p为中间层单元编号，w(i，j)( i=1，2，?，n；j=1，2，?，p)为输入层的第i单元与中间层的第j单元的连接权，为清晰起见，图1中只画出一组示意，实际上每组均有。t=1，2，?，q为输出层单元编号，v(j，t)( j=1，2，?，p； t=1，2，?，q)为中间层的第j单元与输出层的第t单元的连接权，同样为清晰起见，图1中只画出一组示意。另外的变量有：中间层各单元输出阈值：O(j)、输出层各单元输出阈值：r(t)、学习模式输出数组：y(k，t)、中间层各单元的输入：s(k，j)、中间层各单元的输出：b(k，j)、输出层各单元的输入：l(k，t)、输出层各单元的输出：c(k，t)、输出层各单元的一般化误差：d(k，t)、中间层各单元的一般化误差：e(k，j)等，各下标变量的取值范围同上[26]。

·21·

3.4三层BP网络算法描述

3.4.1学习过程算法描述

设学习过程为有教师示教方式的学习模式，第k个学习模式对表述为｛a（k，i），（ i=1，2，…，n）、y（k，t），（t=1，2，…，q）｝（为书写方便，，以下的书写采用数学上通用的下标变量格式，与上面的矩阵元变量书写格式相对应，变量含义及取值范围同上，不再重新说明）。当一对学习模式提交给网络后，网络的希望输出与实际输出偏差的均方值为：

qEk??(ykt?c2kt)/2

学习过程是使Ek随连接权的修正按梯度下降原则进行：

?vkjt????E?v jt

?wij????Ek?w ij由此公式，可以推导出它们的具体表达式为：

?vjt??dktbkj ?wij??ekjaki

上式中：bkj?f(skj) nskj??wijaki?oj

i?1dki?(ykt?ckt)ckt(1?ckt) ckt?f(lkt) plkt??vjtbkj?r1 j?1qekj?(?dkjvjt)bkj(1?bkj) t?1·22·

(3-1)

(3-2) (3-3)

(3-4) (3-5) (3-6)

(3-7)

(3-8)

(3-9)

(3-10)

(3-11)

而其中的f为Sigmoid函数：f(x)?1/(1?e?x)，同理，可以推导出阈值的调整量：

?r1???dkt

(3-12)

?oj???ekj (3-13)

如此对所有可能的学习模式进行，同时计算全局误差：

mE??E (3-14)

kk?1 当全局误差达到预先设定的极小值或学习次数达到规定的次数后，学习过程结束，否则继续进行学习过程。若全局误差能够达到预先设定的极小值则学习收敛，即学习成功。若学习次数已经很大，全局误差仍达不到预先设定的极小值，则学习失败

[26]

。

3.4.2回想过程算法描述

若学习成功，网络结构的各连接权及阈值被确定下来，当有任务要完成时，可以提交给网络，从网络获得输出。设提交给网络的输入为Ai( i=1，2，?，n)，由此及输入层各单元与中间层各单元的连接权及中间层各单元的阈值，按下式求得中间层各单元的输入：

nsj??wi?1ijAi?oi，j=1，2，．．．，p

由Sigmoid函数得出中间层各单元的输出bj=f(sj)，再由中间层各单元的输出及中间层各单元与输出层各单元的连接权及输出层各单元的阈值，按下式计算输出层各单元的输入：

plt??vj?1jt，．．．，q bj?r1，t=1，2，

由Sigmoid函数得出输出层各单元输出Yt=f(lt)，( t=1，2，?，q)，即为回想结果。

·23·

3.4.3流程图

开始 设定学习次数 连接权值及阀值初始化 选取一学习模式提供给网络 计算中间层各单元的输入、输出 计算输出层各单元的输入、输出 计算输出层各单元一般化误差 计算中间层各单元一般化误差 调整中间层至输出层之间连接 权及输出层各单元的输出阀值 调整输入层至中间层之间连接 权及中间层各单元的输出阀值 下一学习模式 N 全部训练完？ Y N 到设定的学习次数？ Y 屏幕显示、学习结束 图3.3三层BP网络学习过程流程图

·24·

3.4.4训练过程界面设计及流程

BP网络的训练(学习)过程是确定网络结构的过程，此过程是否能顺利完成关系到网络是否能应用到所选定的问题中。为了能使网络收敛，往往要经过多次初始参数的调整才能达到实际要求。若学习时间允许，学习次数可选择多一些。但是，通常情况由于初始参数选择不合适，系统很快陷入局部极小点，通过屏幕显示观察，可以通过初始参数的调整重新进行学习过程，以达到全局极小的要求。实际应用时，重新训练的初始参数亦可通过屏幕输入调整，学习模式通过读取数据库中的学习模式表完成，学习结果记入数据库中的结构参数表。图3.3给出了学习训练流程图。对于典型的BP网络，一组训练模式，一般要经过数一百次，上千次的学习过程，才能使网络收敛。

3.5实际应用时需考虑的问题

电力系统负荷变化有明显的周期性，当BP网络应用于电力负荷预测时，需考虑以下几点[31]：

1）样本数据归一化问题； 2）神经网络的结构；

3）样本空间的选择和数据预处理； 4）神经网络中系统的调整。

·25·

第4章BP网络法应用于短期负荷预测

4.1 VB原理简介

Visual Basic 是Microsoft 公司于1991年推出的可视化BASIC 语言，它与以前的BASIC 语言基本兼容，但功能更加强大。Visual Basic 是一种可视化面向对象和采用事件驱动方式的结构化高级程序设计语言。其主要特点有：可视化编程，面向对象的程序设计，结构化程序设计，语言事件驱动编程机制，访问数据库动态数据，交换对象的链接和嵌入等。结合visual basic 可视化、操作简单的特点，本文设计了电网规划信息管理系统中的短期负荷预测界面。

Visual Basic是一种强大的语言，从设计新型用户界面到利用其它应用程序的对象；从处理文字图象到使用数据库；从开发个人或小组使用的小工具，到大型企业应用系统，甚至通过Internet 的遍及全球分布式应用程序，都可在Visual Basic 提供的工具中各取所需。

VB的中心思想就是要便于程序员使用，无论是新手或者专家。VB的程序是

一种基于窗体的可视化组件安排的联合，并且增加代码来指定组件的属性和方法。因为默认的属性和方法已经有一部分定义在了组件内，所以程序员不用写多少代码就可以完成一个简单的程序。同其他高级语言相同VB 语言也有常量、变量之分，关键是要注意它变量的作用域问题，且窗体变量、模块变量、类变量的定义形式及其作用范围，都要搞清楚。至于句子结构，也同样有if 语句、循环语句、选择语句等。函数的调用要用关键字call，其关键是被调用函数所传递的函数参数是以值传递还是引用传递等，由于篇幅有限这些基本的理论将不再一一介绍。

4.2各界面及其功能介绍

4.2.1电网规划系统主界面

用户打开该界面并运行以后，能够通过菜单栏里的各个子菜单进入相应功能的界面，如图4.1所示。

·26·

图4.1电力系统规划信息管理系统主界面

4.2.2短期负荷原始数据录入

原始数据录入负责将电力公司的原始短期负荷数据导入系统。为了提高系统的适应性，本功能提供了电力公司原有外部数据格式的数据接口，传统的原始数据源为ACCESS文档，用户可以按照一定格式将原始表格自动导入本数据库。除此之外还可以手动输入的功能，利用Adodc控件与DateGrid控件的巧妙结合，以实现外部数据的手动录入，如图4.2所示。

图4.2短期负荷数据录入界面

·27·

4.3 BP网络训练及预测的实现

BP训练及预测界面，用户能够通过导入样本数据，并适当调整参数，可以训练出BP网络结构。在此行程的网络基础上，通过导入前两个小时的负荷数据，来预测下个小时的负荷值。同时还能求出输入层到中间层以及中间层到输出层的各个权值和阈值，最后还可以得出全局误差变化曲线，具体如图4.3所示：

图4.3 BP网络训练及预测界面

（注：上图中的第1层是指输入层到隐含层；第2层是指隐含层到输出层）

图4.4是网络结构参数设置界面，跟图4.3一起构成了可以调整多个参数的BP网络界面组。本程序为了减少繁琐的工作，一般默认为输入层神经元数目为2，输出层神经元数目为1，隐层层数为1，隐含层的神经元数目为3。学习因子、动量矩、系统允许误差以及最大学习次数，都可以根据实际情况手动修动，使得全局误差变化曲线得到最佳收敛效果，并使其尽可能逼近于0，因而最后得到的负荷预测值也越精确，相对误差和绝对误差也越小，详细请参看图4.4。

·28·

图4.4 网络结构参数设置界面

4.4实际预测举例的实现

实例1：应用湖南鑫电公司电力系统监控软件，对绥龙110 kV变电局所采集来的负荷数据，进行于2006年5—8月负荷预测，现仅列出其中一天节点的预测结果和实际值来进行分析。

·29·

表4.1预测值、实际值及误差

小时 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 实际值（A） 28.50 28.50 28.50 28.50 43.50 37.50 42.00 42.00 42.00 39.00 40.50 45.00 54.00 54.00 52.50 91.50 84.00 82.50 78.00 76.50 67.50 61.50 39.00 34.50 预测值（A） 31.75 26.13 26.20 31.63 47.32 41.01 49.50 56.75 48.79 45.13 32.90 59.00 50.25 57.88 64.00 99.13 95.25 89.50 70.38 70.97 62.75 54.25 35.75 30.49 绝对误差 -3.25 2.38 2.30 -3.13 -3.82 -3.51 -7.50 -14.75 -6.79 -6.13 7.60 -14.00 3.75 -3.88 -11.50 -7.63 -11.25 -7.00 7.63 5.53 4.75 7.25 3.25 4.01 相对误差 -0.10 0.09 0.09 -0.10 -0.08 -0.09 -0.15 -0.26 -0.14 -0.14 0.23 -0.24 0.07 -0.07 -0.18 -0.08 -0.12 -0.08 0.11 0.08 0.08 0.13 0.09 0.13 （注：上表中的学习因子为0.6，动量矩为0.8，系统允许误差为0.01，学习次数为1000）

1）实验分析

在构建BP网络的程序运行之前，有个程序会先对学习样本数据进行预处理-即数

·30·

据归一化。本文所用的归一化方法是：程序自动取出学习样本中的最大值，然后把每一个数据都除以最大值，最后得到的学习样本数据都介于[0，1]之间。然后再进行BP网络的训练过程，此过程是通过与目标数据的对比，反复正向、反向来进行计算，使得最终的误差能符合标准为止，并将所求得的权值和阈值在文本框里显示出来。 2）结果分析

训练完成之后，程序在获取了待预测小时之前的两个小时的负荷数据后，首先，这两个数据同样要进行归一化处理。再通过训练所求出的权值和阈值，正向进行计算，得出结果，乘以之前求取的最大值，就是最终的预测结果。用BP神经网络训练结束再进行预测后，从预测结果可以看出：表4.1中，其相对误差最大为13%，最小为1%，数据的误差都达到精度要求，比较精确。

实例2：下面的表4.2以用一组河北省2004年7月24日的负荷值做预测实验，结果如下。

·31·

表4.2预测结果及误差

小时 1：00 2：00 3：00 4：00 5：00 6：00 7：00 8：00 9：00 10：00 11：00 12：00 13：00 14：00 15：00 16：00 17：00 18：00 19：00 20：00 21：00 22：00 23：00 24：00 实际值/MW 316.0 320.5 324.3 322.2 323.9 355.1 360.0 403.1 429.3 402.2 392.1 406.0 382.6 391.7 483.6 417.1 435.5 473.4 483.7 456.2 436.4 408.9 348.4 379.4 预测值/MW 330.7 334.9 322.5 349.3 328.9 337.9 371.0 384.4 390.3 391.1 401.2 396.7 384.8 393.2 392.3 400.4 416.5 494.3 457.7 428.2 407.8 408.6 376.2 378.0 误差 -4.66 -4.99 0.56 -8.41 -1.54 4.84 -3.06 4.64 9.08 2.76 -2.32 2.29 -0.58 -0.38 -2.27 4.00 4.36 -4.41 5.38 6.14 6.55 0.07 -7.98 0.37 （注：上表中的学习因子为0.6，动量矩为0.8，系统允许误差为0.01，学习次数为1000）

1）实验分析

·32·

同样地对于此表中的学习样本，预测负荷等都要进行归一化处理，预测完成后再还原。具体分析见表4.1中的实验分析。 2）结果分析

从上表可见，18个点的误差的绝对百分误差小于5%，最小绝对百分误差为0.07%，最大绝对百分误差为-8.41%，平均绝对百分误差为0.46%，表明预测取得了较满意的结果。

4.5结论分析

电力负荷预测是电力调度、用电、计划、规划等部门的重要工作，国内外关于短期负荷预测的文献很多，但是由于电力负荷受诸多因素的影响和负荷本身的不确定性，是的迄今还没有一种十分满意的方法。本文介绍的基于BP神经网络的预测方法，在综合考虑天气情况、历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。BP神经网络的预测结果，从是预测精度何网络训练耗时方面相对于传统方法，都有明显改善。证明论文所建立的BP网络模型法预测精度良好，具有较好的非线性映射能力。

本文介绍的电力短期负荷预测的特点，即都是受多个影响因素共同影响，且各个因素之间都有着比较复杂的关系，具有高度不确定的非线性系统，利用传统的预测方法有着诸多限制，而采用神经网络方法则能较好地克服这些限制，实现精确地非线性预测。为了进一步提高网络的预测精度，需要从以下几个方面展开研究：

（1）网络的训练过程是从给定的样本数据中归纳出输入、输出之间的复杂规律，为了能够更加精确地对系统进行预测，样本数据应该尽可能精确。

（2）提高网络预测能力的主要途径有：1）尽可能增加样本的涵盖面；2）在输入中尽可能地包括影像输出地主要因子；3）确定适当的收敛误差。对于常用的BP算法，可考虑采用遗传算法、小波分析和径向基函数做进一步的深入研究。

（3）针对BP算法中存在的收敛速度慢、易陷入局部最小值的问题，可采用附加动量法和自适应学习速率法在一定程度上解决这些问题。附加动量法是在BP算法的基础上，在每个权值变化上加上一项正比于上一次权值变化量的值，并根据BP算法来产生新的权值变化，利用附加动量法可能会避开某些局部最小值。自适应学习速率法是在学习过程中不断修正学习速率，有利于提高学习速率，缩短学习时间。

·33·

第5章 结束语

5.1本文小结

电力系统负荷预测的研究已经有一段时间的历史，随着计算机技术的发展和电网对负荷预测精度要求的提高，对这一课题的研究也在不断深入，并且更具现实意义。电力系统短期负荷预测是电力系统运行调度的基础，关系到整个电力系统的效率、效益和安全。特别是随着电力市场改革的深入，它已经成为电力市场技术支持系统的重要组成部分，是电力交易市场的主要数据来源，其预测精度对电力系统有着非常重要的意义。因此如何提高预测精度特别是短期负荷预测的精度这一问题的重要性和迫切性将越来越明显。

本文主要是探讨将BP神经网络法应用于负荷预测中的效果，BP神经网络作为一个由多个非线性元件大规模互连构成的动力系统，其系统的行为由两个方面因素决定：其一为拓扑结构，包括网络节点个数和相互连接方式；其二是节点间的连接权值。因此在使用BP神经网络进行短期负荷预测时，首先要确定网络的拓扑结构。BP神经网络由输入层、隐含层和输出层三层决定，其中输入层和输出层都是单层，而隐含层可以是多层结构。合理的网络结构应该很好的反映电力系统负荷运行的内在规律，设定适当的网络规模获得较高的训练效率，取得较高的预测精度。在利用神经网络进行短期负荷预测中，神经网络的性能很大程度上决定于网络的结构。

为了突出BP神经网络的优越性，本文用了两个具体的实例，将神经网络法的预测值与实际值相比较，并进行了误差分析，得出的结论表明，BP神经网络法的训练速度和预测结果精度都是很令人满意的。

由于学历的限制，本文对某些方面知识的阐述可能还比较生硬。负荷预测是个长久的课题，由于负荷预测本身存在很多不定因素，许多外在条件都可能影响到其准确性。本文在进行预测时是并没有把气候、经济等影响预测效果的因素考虑进来，因此，本文是在预测比较理想的情况下的负荷。本文虽然进行了电力系统短期负荷预测的一些研究，但是很多方面还是有待完善的。有待完成的工作如下：

（1）利用神经网络对电力系统短期负荷预测的研究中，网络结构和隐含层节点

·34·

数、各种天气因素的影响、隶属函数的科学选取等方面还需要进一步的探讨，不同的电网，隶属函数、日类型等的取值也需进行细致的研究。

（2）由于时间和条件所限，本文未能对全年负荷进行完整的预测研究，且只对正常日建立模型进行了预测。节假日负荷的变化规律与正常日有较大差异，尚未建立重大节假日(如五一、十一、春节)模型并对其进行预测。

（3）不同的地区负荷特性不同，影响负荷的因素也不完全相同，因此预测时一方面要针对不同地区的特点对输入输出关系的选择和样本集的构成作必要的调整，另一方面，收集齐全的、连续的历史负荷数据(包括尽可能多的节日负荷数据)和相应的大气资料(包括地区的最高气温、最低气温、大气状况、降雨量、相对湿度、风力和风向等因素)，与当地气象部门建立紧密的联系制度，提高目前天气预报的精度，提高采集数据的准确性等可进一步提高负荷预测的精度。

（4）由于负荷数据的特性，任何一种预测模型都不能成为通用方法，因而结合具体数据特点采用不同的负荷预测建模理论，研究适用于不同地区特点的模型是非常必要的。

总之，如何进一步发展短期负荷预测的理论，建立适用准确的负荷预测模型，还有许多工作需要进一步提高。短期负荷预测是一个庞大复杂的系统工程，对于如何提高预测精度这一问题，还有很多方面需要更深入的研究。

5.2对负荷预测的展望

近几年来负荷预测的方法越来越多，本文针对实际应用过程中遇到的问题提出有针对性的方法并加以改进。但是，由于时间和精力有限，这些方法仍存在一定的不足之处，有很多地方还有待完善。希望在以后的学习和工作中将更多的理论和实际知识结合起来，并将其进一步优化，得到一个非常实用的短期负荷预测模型。

·35·

参考文献

[1]陈浩．基于人工神经网络的电力短期负荷预测系统研究．昆明理工大学硕士学位论文，2005．1-6．

[2]杨争林，宋燕敏，曹荣章等．短期负荷预测在发电市场中的应用电力系统自动化，2000，24(1)：14-17．

[3]Moghram I，Rah man S. Analysis and evaluation of five short-term load forecasting techniques．IEEE Trans. On POWRS，1989，4(4)：1484-1491．

[4]招海丹，余得伟.模糊专家系统用于短期负荷预测修正的初步探讨.华东电力，2000(5).

[5]欧建平，李丽娟.人工神经网络在电力系统短期负荷预测中的应用.广东电力，1999(4).

[6]刘晨辉，电力系统负荷预报理论与方法.哈尔滨，哈尔滨工业大学出版社，1987. [7]Shimon S.Gad A，“Neural Networks for Decision Support：Problems and Opportunities”，Decision Support Systems，1994(12)：393-414.

[8]孙目清，分布式分层BP算法在短期负荷预测中的应用；电力自动化设备，1996 (5). [9]王晓文，梁志珊.应用模糊神经网络的短期负荷预测.东北电力技术，1999(2). [10]马涛．基于模糊控制RBF神经网络短期负荷预测的研究．西安科技大学硕士学位论文，2009，2-5．

[11]林清，王辛.电力系统负荷预报的神经网络LBP算法.电工电能新技术，1999 (1). [12]陶小虎，黄民翔．一种基于模糊规则和神经网络的负荷预测方法．电力系统及其自动化学报，2000，32(10)．

[13]赵璐．基于人工神经网络的电力系统负荷预测．硅谷电子科学，2008(8)． [14]许延生，张为．人工神经网络在电力系统短期负荷预测中的应用．内肛科技，2008(8)．

[15]牛东晓，曹树华，赵磊等．电力负荷预测技术及其应用．北京：中国电力出版社，1998．

[16]康重庆，夏清，刘梅.应用与负荷预测中的回归分析的特殊问题[J].电力系统自动化，1998， 22(10)：38-41.

[17]杨争林，宋燕敏，曹荣章等．短期负荷预测在发电市场中的应用电力系统自动化，

·36·

2000，24(1)：14-17．

[18]张涛.基于小波神经网络的电力系统负荷预测[D]. 哈尔滨理工大学，2009. [19]朱琳. 集合卡尔曼滤波同化方法的研究[D]. 南京信息工程大学， 2007. [20]李小燕. 基于灰色理论的电力负荷预测[D]. 华中科技大学， 2007.

[21]赵福成．基于人工神经网络的短期负荷预测．华北电力大学(北京)硕士学位论文，2001，38-41．

[22]杨以涵，唐国庆，高曙.专家系统及其在电力系统中的应用[M].北京：中国电力出版社，1995.

[23]杨伦标，高英仪.模糊数学原理及应用[M].广州：华南理工大学出版社，1995.122-132.

[24]潘鑫．基于神经网络的短期负荷预测研究．河海大学硕士学位论文，2004，10． [25]马涛．基于模糊控制RBF神经网络短期负荷预测的研究．西安科技大学硕士学位论文，2009，2-5．

[26]刘晓升，王宜怀．基于VB的三层BP网络通用程序设计．苏州大学学报(工科版)，23(1)：43-45．

[27]王贞珍．基于神经网络的沈阳地区短期负荷预测．上海交通大学工程硕士学位论文，2009．25-26．

[28]汪峰，于尔铿，周京阳．能量管理系统(EMS)第四讲 电力系统负荷预报．电力系统自动化，1997，21(4)．

[29]招海丹，余得伟．电力负荷短期预测的模糊专家系统修正方法．广东电力，2001． [30]张大海，史开泉，江世芳．灰色负荷预测的参数修正法．电力系统自动化学报，2001，13(2)．

[31]HOKL．Short term load forecasting using a multilayer neural net-work with an adaptive learning algorithm[J]．IEEET trans On Power Systems，1992，7(1)：141-148．

·37·

本文来源：https://www.bwwdw.com/article/t2a7.html