基于模糊神经网络的电力负荷短期预测.pdf

电气与自动化 范山东， 等 基于模糊神经网络的电力负荷短期预测 基 于模糊神经 网络 的电力负荷短期预测 范 山东 ， 赵 宏 宇 ( 1 黑龙江科技学院， 电气与信息工程学院， 黑龙江 哈尔滨 1 5 0 0 2 7 ； 2 河南省南阳供电公司电费管理中心 ， 河南 南阳 4 7 3 0 0 0 ) 摘要 ： 电力 系统短期 负荷预测是 电力部 门的一项 重要 工作 ， 它对合理 安排机 组启停 、 确定燃 料供应计划、 进行电力交易等都具有重要的意义。应用模糊神经网络结合遗传算法实现预测 系统通过对历史数据的自适应 学习建立的模糊预测模型， 算法上采用改进的 B P算法。通过 MA T L A B仿真分析 了该预测 系统的优越性和 准确性 。 关键词： 模糊神经； 遗传算法； 电力负荷； B P算法 中图分类号 ： T P 2 7 3 4 文献标 志码 ： B 文章编号 ： 1 6 7 1 5 2 7 6 ( 2 0 1 3 ) 0 2 0 1 8 2 0 3 S ho r t - Te r m Lo a d Fo r e c a s t Ba s e d o n Fuz z y Ne u r a l Ne t wo r k F AN S h a n d o n g ， Z HAO Ho n g y u ( 1 Co ll e g e o f E l e c t r i c a l & I n f o r ma t i o n E n g i n e e r i n g ， H e i l o n g j i a n g I n s t it u t e o f S c ie n c e& T e c h n o lo g y ， H a r b i n 1 5 0 0 2 7 ， Ch i n a ； 2 T h e E le c t r ic it y Ma n a g e me n t Ce n t e r o f N a n Y a n g P o w e r C o mp a n y ， N a n y a n g 4 7 3 0 0 0， C h i n a ) Abs t r ac t：Th e f o r e c a s t o f t h e a c c u r a t e s h o rt- t e r m lo a d is t h e imp o r t a n t wor k f o r t h e p o we r c omp a n y。 whic h is o f g r ea t i mp o rta n c e t o d e t e r mi n t i n g t h e Mo t o r u n it o ff o n rea s o na b l y an d t h e pla n o f f u e l s up p ly ， t r a din g ele c t r ic i t y An ap p r o a c h b a s ed o n t h e f u z z y n eu ral n e t wor k an d g en e t i c alg or it h ms i s pr o p o s ed f o r t h e s h ort t e r m loa d f o r ec as t an d t h is a l g o r it h ms s u p e r ior it y an d ac c ur a c y is a n a l y z e d t hr o u gh MATL AB Ke y W o r d s ：f u z z y - n e u r a l n e t wo r k ； g e n e t i c a l g o r it h m； p o we r lo a d； B P a l g o r it h m 0 引言 短期 电力负荷预测是 电力系统运行调 度中一项非 常 重要的内容， 它是保证电力系统安全经济运行和实现电 网科学管理及调度的重要方面， 是能量管理系统( E M S ) 的组成部分。负荷预测是实现 电力系统优化运行的基 础。预测准确与否对电力系统的安全、 优质、 经济运行 具有显著的影响。因此， 寻求合适的负荷预测方法 以期 最大限度地提高预测精度具有重要的应用价值。 目前短期负荷预测方法大致可以分为两类： 1 )以时 间序列为代表的传统方法。2 )以人工神经网络为代表 的人工智能方法。传统方法 比较成熟， 算法简单 ， 速度 快 ， 但本质上都是线性模型方法， 存在着很多的缺点和 局限性， 无法真正反映电力系统的不同负荷模型的非线 性特性 。人工智能方法包括人工神经网络法、 专家系统 方法 、 遗传算法方法和模糊推理方法等。人工神经网络 负荷预测是近十年来研究和使用最多的一种方法。但 是 ， 利用人工神经网络进行负荷预测存在着诸如训练需 要大量的历史数据， 对不确定性和模糊信息学习处理能 力较差等缺点。实践证明， 将模糊 系统和神经网络结合 的模糊神经网络( f u z z y n e u r a l n e t w o r k ， F N N) 是一个有效 的方法 。 1 系统模型结构 将一种模糊神经网络应用于短期负荷预测， 这种模型 不但实现了模糊预测模型的自动更新 ， 而且能不断修正各 模糊子集的隶属函数， 使模糊建模更具合理性。采用前馈 型模糊神经网络应用于短期负荷预测， 它的基本构成如图 1 所示 。这一网络型模糊推理 系统 主要 由模糊化 层 、 模 糊 推理层和去模糊化层组成 。 ( I ) ( ) ( ) ( ) 图 1 模糊神经网络模型 中网络 的主要部分 的( I ) ( I I ) 层对应 于模糊控制 规 作者简介 ： 范山东( 1 9 8 6 一 ) ， 男 ， 山东济宁人 ， 硕士研究生 ， 研究方向为矿山控制技术。 1 8 2 h t t p ： ffZ Z H D c h i n a j o u r n a 1 n e t c n E - m a i l ： Z Z H D c h a i n a j o u r n a 1 n e t c n 机械制造与 自 动化 电气与自动化 范山东， 等 基于模糊神经网络的电力负荷短期预测 则的前提“ I F p a r t ” 部分， ( I I I ) 层对应模糊推理层， 每个节 点的输出表示一条规则的触发强度， 运行的是模糊 A N D 操作， ( I V) 层对应规则的结论“ T h e n p a r t ” 。网络的输入一 输出影射关系如下： ( I ) 层输出节点： O = ， i ：1 ， 2 ， K； ( I I ) 层输入节点 ： =一 ( 一 0 ： ) ( 6 ； ) ， k =1 ， 2 ， K ； 输出节点： 0 = ( ) = e x p ( 孵 ) ( I I I ) 层输入节点： = 兀0 = ， ( ) ， ( ) ( ) 输出节点 ： D = 删 ( I V ) 层输入节点： N =D J 1 I AT ( 4 ) 输出节点 ： l ， =0 = O ， =1 其中： 表示网络的输入， 为网络第三和第 四层之间的 连接权值 ， o ， b 分别表示隶属函数的中心和宽度函数。 模型结构在预测 日的前一天， 每隔两个小时就要对电 力负荷进行一次测量 ， 这样， 一天共测得了 1 2组负荷数 据， 去掉一个最大值 ， 去掉一个最小值， 最后剩下 1 O组负 荷的数据。因为负荷曲线相邻的点之间不会发生突变， 所 以后一时刻的值必然就和前一时刻的值相关 ， 重大事故等 特殊情况除外。所以这里就将前一天的实时负荷的数据 作为网络样本的数据。 此外， 由于环境因素对电力负荷的影响也 比较大 ， 例 如最高气温以及最低气温等， 因此， 还需要获得预测 日的 最高 最低气温以及天气的特征值 ， 其中包括阴天、 晴天和 雨天。用 0表示晴天， 0 5表示阴天， 1 表示雨天。这里的 输入变量指的是电力负荷预测 日当天的气象特征。因此， 输入量是一个 l 3 维 向量 。 由此可见， 目标向量也就是预测 日当天的 1 O个负荷 值 ， 即一天当中每个整点的电力负荷。这样一来， 输出变 量就变成一个 1 O维向量 J 。 2 数据 的选取 、 分析和处理 a )数据的选取、 处理 在获得输入以及输出变量之后， 要对其统一进行归一 化处理， 就是将数据处理在区间 0 ， 1 之内的数据。归一 化的方法有很多种形式 ， 这里采用式 1 ： ： 一 f 1 ) 一 【 l J ma x - X mi n 以某城市 2 0 0 4年 7月 1 0日至 7月 2 0日的整点负荷 值， 以及 2 0 0 4年 7月 1 1日至 7月 2 1日气象特征的状态 量作为网络训练的样本， 预测 2 0 0 4年 7月 2 1日的电力负 荷， 其中相关数据见表 1 ， 所有的数据都进行了归一化 处理 。 表 1 用 电负荷及 天气情 况 b )遗传算法初始化网络权值和阀值 对于传统的 B P神经网络来说， 初始权值不能选得太 大， 否则容易陷入不正确饱和区； 选得很小 ， 若是全局最小 点在零点附近 ， 那么对训练肯定有利， 否则会远离全局最 小点， 反而不利于收敛。但是对于不同结构的神经网络来 说， 权值的最大初始值取多大才算大， 或者说多小才算小， 这些都没有一个明确的理论上的依据 J 。 在既然已经得到遗传神经网络的最优结构后 ， 就要针 对这个网络选取一组良好的初值。实践表明， 网络的初值 优化也是提高网络收敛速度和收敛性能的及其重要的手 段。利用遗传算法 ， 通过以下过程实现权值和阈值 的初 Ma c h i n e B u i l d i n g Au t o m a t io n ， J u n 2 0 1 3 ， 4 1 ( 2 ) ： 1 8 2 1 8 4 始 化 ： 1 )编码与群体初始化 ； 2 )适应度函数的确定； 3 )选 择继承； 4 )交叉和变异 ； 5 )重复或终止； 6 )执行 B P 算法 。 通过上面的叙述 ， 在跳出遗传算法的时候， 已经选定 了最优的那个个体 ， 把这个个体进行解码， 从而得到一个 权值和阈值的集合 ， 然后将他们赋值给各个神经元， 开始 用 B P算法对网络进行训练并不断修改权值和阈值， B P 算法的运行终止条件为误差 小于某一给定值 ， 或运算 已经达到预定的迭代次数， 最后若满足精度要求 ， 结束 B P 算法， 并停止遗传算法过程， 整个预测过程结束， 输出结 1 8 3 电气与 自动化 范山东， 等 基 于模糊神经 网络的 电力 负荷短期预 测 果。若不满足要求， 则跳出 B P过程， 再回到遗传算法过 程， 进行继续寻找最优解的工作。 3 仿真与结果分析 要对电力系统负荷进行科学的预测， 不但要选择行之 有效的预测方法， 先进的新思路， 而且要从最基本的收集 历史数据着手， 进行必要的分析、 研究与选择， 这些看似简 单的工作却关系整个预测结果的成败。该系统从数据收 集到数据处理进行了大量工作 ， 通过遗传算法对系统数据 优化， 利用 ma t l a b进行仿真的到了改进 B P算法和模糊神 经网络预测值与实际负荷的曲线如图 2所示。为了更好 的分析系统的性能 ， 得到 了两种算法的误 差变化曲线如 图 3 、 图4所示， 预测误差百分 比曲线如图5所示 。 7 0 0 0 6 000 5 000 负 蓄 4 0 0 0 3 0 00 2 0 00 妊 皿 时间点 图 2 预 测负荷与实际负荷 的仿真 曲线 1 0 1 0 O 5 O 1 OO 1 5 O 2 0 0 训 练 步数 图 3 改进 B P算法负荷预测误差 曲线 通过以上某地区的建模仿真可以看出， 融合了遗传算 法和模糊理论的 B P算法用于短期负荷预测具有更高的 预测精度和预测效率。以误差曲线值做比较， 模糊神经的 预测误差下降速度明显加快， 而且迭代次数明显减少， 收 敛速度改善明显。这主要是由于模糊神经预测模型更加 合理 ， 能以很快的速度找到全局最优值 ， 算法更加容易收 敛。通过仿真分析模糊神经预测模型在电力负荷预测中 可以更好的最用电负荷进行预测 ， 准确性和优越性明显高 l 84 蜷 皿 预 测 误 差 1 O 1 0 。 10 1 0 图 4 模糊神经算法负荷预测误差曲线 图 5 预测误差 曲线 4 于传统的预测方法， 比单独的神经网络预测也有明显的提 高。通过仿真说明模糊神经预测有一定的可实行性 ， 如果 想得到更好的预测结果， 可以利用模拟退火算法对系统进 行全局优化。 参考文献 1 石万清 电力系统短 期负 荷预 测技 术 的研 究 与实现 D 合 肥 ： 合肥工业 大学 ， 2 0 0 3 2 模糊控制 神 经控制和智 能控制理论 M 第 2版 哈尔滨 ： 哈尔滨工业大学出版社 ， 1 9 9 8 3 Mo h a m ma d T a mi m i ， e t a 1 S h o a t e r m e l e c t r i c l o a d f o r e c a s t i n g v i a - f u z z y n e u r a l c o l l a b o r a t i o n f J 1 E le c t fi c P o w e r S y s t e m R e s e a r c h 2 0 0 0， 5 6， 2 4 3 - 2 4 8 4 何述东， 瞿坦， 黄心汉， 电力负荷短期预测的改进神经网络方 法 J 电力系统 自动化 ， 1 9 9 7， 2 1 ( 1 1 ) ： 1 3 1 5 5 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 J 电力系统及其 自动化学报 ， 2 0 0 0， 1 2 ( 5 ) ： 3 7 4 1 6 神经 网络理论与 MA T L A B R 2 0 0 7实现 M 北京 ： 电子工业 出 版社 。 2 0 0 7 收稿 日期 ： 2 0 1 20 33 0 h t t p Z Z H D e h i n a j o u rna 1 n e t c n E m a i l ： Z Z H D c h a l n a j o u r n a 1 n e t c n 机械制造与自 动化