电力短期负荷预测的

【摘 要】电力短期负荷预测是电力部门的一项重要工作,在电力系统的安全、可靠及经济运行中起到了很重要的作用.在本文中,利用模拟退火算法的全局寻优能力和BP神经网络的非线性学习能力,提出了模拟退火BP神经网络的电力短期负荷预测模型来实现短期负荷的预测,从而能有效地克服BP神经网络容易限入局部极小的缺陷.通过某市的实际数据为算例,验证了本算法的有效性和优越性.

【关 键 词】短期负荷预测；BP神经网络；模拟退火算法

0引言

电力的短期负荷预测是电力系统的一项重要工作,是实现供电可靠、经济管理的基础.由于电力负荷受到很多因素的影响,负荷预测方法发展至今,虽然已经积累了很多经验,但是还没有一种可靠的模型实用于不同地区.本文针对某市电力负荷的特点,提出了模拟退火BP神经网络电力短期负荷预测模型.经验证,该模型在实现负荷预测方面的可行性.

1BP神网络

人工神经网络理论的研究始于1890年美国著名心理学家W.James关于人脑结构与功能的研究,至今已提出过许多网络模型,其中用于预测的网络主要是BP神经网络.这是因为BP神经网络主要有以下特点：（1）较强的非线性映射能力；（2）很好的泛化能力；（3）很强的容错能力和学习能力.

D.E.Rumelhart和J.L.McCelland及其研究小组于1986年研究并设计出来BP神经网络（Back-propagationNeutralNetwork）是一种基于误差反向传播（BP算法）的多层前向神经网络,采用有导师的训练方式.BP算法的学习过程包括信号的正向传播与误差的反向传播两个过程.三层BP网络是一种应用很普遍的神经网络,它包括输入层、隐层和输出层,如图1所示,输入层神经元的个数为输入信号的维数,隐含节点的个数视具体情况而定,输出层神经元的个数为输出信号的维数.BP网络的工作流程见图2所示.

图1BP神经网络

误差的反向传播是BP网络的一大特点,但是,该网络也存在以下一些主要缺陷：（1）训练次数太多,效率较低；（2）易于陷入局部极小而不能实现全局最优.针对这些缺点,本文利用模拟退火算法对BP网络进行改进.

2模拟退火算法

1953年Metropolis等提出的模拟退火算法（SimulatedAnnealing,简称SA）能够近似求解具有NP复杂性的问题,可以避免陷入局部极小的问题.模拟退火算法主要包括状态产生函数、状态接受函数、温度更新函数、内循环终止准则和外循环终止准则.

其工作过程如图3所示.

图2BP网络的工作过程

图3模拟退火算法的流程图

3神经网络负荷预测模型

本文设计的预测模型中BP神经网络的输入层共有8个输入端,分别用来输入待测日前四天对应时刻的负荷,以及天气因素中的最低温度、最高温度、降雨量和日期类型；因为本模型的输出为对应时刻的负荷,故输出层只有一个输出端；隐含节点的最佳个数现在没有一个具体的方法或者公式来确定,通过实验,本文最终取9个隐含节点.该模型工作流程见图4所示.

4验证

本文利用该模型及单一的BP神经网络模型来预测某市的负荷.由于预测过程中所用的数据性质不同,大小差别很大,因此在使用之前,需要对数据进行归一化处理,对预测结果需要进行还原.本文所用的转移函数均为单极性Sigmoid函数.利用历史数据,进行预测,预测结果见图5所示.预测误差分布见图6所示.

图4预测模型工作流程

图5预测结果

图6预测误差

通过以上预测结果可知,利用该模型在预测结果的准确性方面,比单一BP神经网络具有很大的优势,同时也验证了该模型的可行性.

5结论

针对单一的BP神经网络的缺点,本文利用模拟退火算法来优化BP神经网络,经验证,该方法是可行的.

【参考文献】

[1]朱兴统.基于SA-LSSVM的电力短期负荷预测[J].科学技术与工程,2012,12（24）：6171-6173.

[2]师彪,李郁侠,于新花,等.基于改进粒子群模糊神经网络的短期电力负荷预测[J].系统工程理论与实践,2010,30（1）：157-166.

[3]李慧,王来运.基于混沌蚁群算法的电力短期负荷预测[J].北京信息科技大学学报,2011,26（4）：40-43.

[4]郑永康,陈维荣,蒋刚,等.基于混沌理论的短期负荷局域多步预测法[J].电力系统及其自动化学报,2007,19（4）：76-79.

[5]谷子,唐巍.电力短期负荷时间序列混沌相空间重构参数优选法[J].中国电机工程学报,2006,26（14）：18-23.

[责任编辑：丁艳]