基于误差回传神经网络算法的短期农业电力负荷预测系统的

众所周知,目前电能还不能进行大量的存储,在电力系统中发电和用电必须做到平衡,否则就会造成很大的浪费；同时,由于电力系统的时滞性,导致电力负荷不能随着自身运行方式、用户用电量等变量的变化而变化,电力系统供电和用电平衡难以保持.因此,预测电力系统未来负荷的变化,提前采取必要的调整措施,对于维持电力系统平衡、提高供电质量、推动社会发展具有重要意义.

1　电力负荷预测简介

电力系统受自身运行特性、所带负的荷变化、外界自然条件和社会环境变化的影响,其负荷量会随时间变化而发生动态变化.负荷预测是指运用一种方法,采用以前的数据,并在满足一定的误差精度的要求下,确定未来某个特定时刻的负荷数值.从时间角度其可以分为长期、中期、短期负荷预测.长期预测可长达十年,中期预测通常在几年,而短期预测则是几个月、几周,甚至是几天.

2　误差回传网络神经算法简介

神经网络近似于人类大脑,是由大量类似于人脑细胞的神经元件相互连接而形成的自适应非线性动态系统.每个神经元件的结构和功能都比较简单,但大量的神经元件合成产生的系统的行为却非常复杂,能够实现某些特定的功能.误差回传网络又称BP网络,是一种无反馈的前向网络,由一个输入层、输出层以及一个或者多个隐含层组成.信息在层与层之间沿一个方向单向传递,连接之间通过联接权来达到增强、减弱或抑制这些输出的作用.输入层的信息来自于外部输入,隐含层和输出层的信息来自于与其连接的前一层的神经元件的加权和.每个神经元件均由它的输入、活化函数和阀值来决定它的活化程度.因此神经网络具有自我学习和智能处理的能力,并在一定程度和层次上模仿人脑神经系统的信息处理、存储及检索功能.由此在预测、安全监控、模式识别、知识处理、生物医学工程等方面广泛应用.

图1 BP神经网络结构

3　电力负荷实例分析

本实验基于matlab/simulink中专门的神经网络工具箱为实验平台,以四川省2012年5月1～10日农业用电负荷为样本,每15分钟进行一次采样,每天获得96个观测数据.实际实验发现24个数据可以反映一天的负荷变化情况且不影响数据质量,所以采用了24个输入和输出神经元件数来建立神经网络模型,以达到简化网络模型解算的目的.为了加快收敛速度,需要对原始数据按公式（式中和分别为数据组中的最小值和最大值,为归一化后的值）归一化至[0,1]之间.

归一化之后将处理后的数据加载到BP网络进一步训练参数和学习.本实验中选择学习速率为0.85,将5月1～9日的数据作为练样本,10日观测到的数据作为检验样本,训练样本经过10000次的训练学习,数据统计结果如表1所示：

表 1 实际结果与预测结果比较

图2 预测结果与实际结果比较

4　结论

从图2中可以看出,在满足一定的误差要求的范围内,应用神经网络进行负荷预测是可行的.但在实际的生产运用中,一方面考虑到天气信息,比如气温变化、降雨量、相对湿度等的变化对于用电负荷的影响,建立更为合理的预测模型；另一方面,单一的模型不可能对于负荷的状况进行完整描述,应该运用多种方法建立多个模型进行负荷预测,以达到更好地预测效果.