基于FNN的校园电能短期预测算法研究.pdf

总第 4 9卷第 5 5 3期 2 0 1 2年第 1 期 电测与仪表 El e c t r i c a l M e as ur e me n t& I n s t r u m e nt a t i o n 基于F N N 的校园电能短期预测算法研究 张保航 ， 谷海青， 高强 ( 天津理工大学 自动化学院， 天津市复杂系统控制理论及应用重点实验室， 天津 3 0 0 3 8 4 ) Vo 1 4 9 NO 5 5 3 J a n 2 0 1 2 摘要 ： 为 _r获得反映校园负荷变化的预测模型 ， 采用F N N 模型与模糊控制器相结合 的方法 ， 使用校同负荷影响 较大的天气因素及 日 期类型作为负荷预测外部干扰， 进行了深入的研究。 通过预测模型对校园历史负荷进行学 习， 完成预测网络参数的训练。 结合模糊理论， 将预测后的误差及误差变化率作为模糊控制器的输入， 完成对负 荷预测结果的修正。 通过与典型B P 网络进行对 比， 验证了该方法的有效性 ， 为高校能源的管理奠定 了坚实基础。 关键词 ： 负荷预测 ； F N N 模型 ； 模糊控制器 ； B P 网络 中图分类号 ： T M9 3 3 文献标识码 ： A 文章编号 ： 1 0 0 1 一 l 3 9 0 ( 2 0 1 2 ) 0 1 0 0 3 6 0 5 S h o r t - t e r m Lo a d Fo r e c a s t i n g o f t h e Ca mp u s Ba s e d o n t h e FNN Z HA N G B a o h a n g ， G U H a i q i n g ， G A O Q i a n g ( T i a n j i n K e y L a b o r a t o r y f o r C o n t r o l T h e o ry& A p p l i c a t i o n s i n C o m p l i c a t e d S y s t e ms ， T i a n j i n U n i v e r s i t y o f T e c , h n o l o g y ， T i a n j i n 3 0 0 3 8 4 ， C h i n a ) Abs t r a c t ：I n o r d e r t o o b t a i n a f o r e c a s t i n g mo d e l wh i c h c a n r e fle c t t h e l o a d fl uc t u a t i o n o f c a mp u s ，t h e pa p e r c o mb i n e i FNN mo d e l a n d f uz z y c o n t r o l l e r wi t h t h e we a t h e r c o n d i t i o n a n d t he t y pe o f p o we r s up p l y da t e s a n d S O o n a s t h e i n p u t o f t h e f o r e c a s t i n g n e t I t t r a i n e d t h e ne t p a r a me t e r wi t h t h e p a s s e d l o a d a n d c o mbi ne d t h e fl z z y t h e o ry t o n mk e t h e f o r e c a s t i n g e r r o r a n d t h e r a t e o f c h a n g e o f e r r o r a s t h e f u z z y c o n t r o l l e r i n p u t t o mo d i f y t h e f 0 I e c a s l i n g r e s u l t T h e me t h o d i mp r o v e d t h e e ffi c i e nc y a n d a c c ur a c y o f s h o r t t e r m l o a d f o r e c a s t i ng o f c a mp u s c o mp a r e d wi t h Bp n e t wo r k I o ma ke a f o u n d a t i o n f o r c a mp u s e ne r g y s a v i n g Ke y wor ds ：l o a d f o r e c a s t ， FNN mo d e ， Fu z z y c o n t r o l l e r ， BP n e t wo r k 0引 言 1 1 B P 神经网络 随着节能减排 的大力推广 ， 高校作为典型耗能用 B P ( B a c k p r o p a g a t i o n ) 神经 络是一种具有隐 含 户受到社会的广泛关注。 低压侧电能管理系统开始进 层的多层前馈网络 。 对应 的基本原理是梯度最速下降 人高校的能耗管理中， 电力负荷预测则作为电能管理 法， 中心思想是调整权值 ， 使网络总误差最小 。 也就是 系统 的一项重要功能， 为高校的整体节能规划 ， 提供 采用梯度搜索技术 ， 以期待足网络的实际输f “ 值 与期 了数据依据 。传统的负荷预测主要依靠专家经验 ， 预 望输 值的误差均方值 为最小 网络学习过程则是 一 测精度远达不到要求 。本文将模糊神经 网络引入到 种误差边向后传播边修正权系数的过程 高校短期电力负荷预测中， 并根据电能管理系统提供 B P 算法的实现主要表现在对隐含层及输 层权 的丰富的历史数据， 建立了预测模型， 开发了电力负 值的调整 ，对应的公式如下所示 ： 荷预测模块， 为高校能源管理部门合理地做出用电分 配提供依据。 。 L 1 神经网络预测简介 = o ( 1 一 ) ( 一 o ) ( 2 ) 随 着电网 技术的 不断 发 展， 负 荷预 测算 法也 在不 ： 。 ： ( 3 ) 断地深人与改进。神经网络因其对大量非结构性 、 非 精确性规律有很好的 自适应能力 ，并具有信息记忆 、 = ( 1 一o ) ( W ) ( 4 ) 自主学习 化计算等特 占， 被广 用 式 为隐含层 为隐含劂应的神经 为 -q z N Na 1 。 ， 期负荷预测 中 。 一 。 一 一一 一 3 6 学兔兔 w w w .x u e t u t u .c o m 总第 4 9卷第 5 5 3期 2 0 1 2年第 1期 电测与仪表 El e c t r i c al M e a s ur e me nt& I n s t r u m e n t a t i o n Vo 1 4 9 No 5 5 3 J a n 2 0 1 2 输出 层对应的神经元； 为输出理论值； o ： 为输出层输 出； 为隐含层输出。通过公式调整网络中权值系数 ， 最终达到精度要求。 1 2 模糊 神 经 网络 模糊神经网络_3I ( F N N f u z z y n e u r a l n e tw o r k ) 融合 了模糊 系统 的知识抽取能力强和神经 网络具有很好 的 自学习能力等优点 ， 在短期负荷预测 中具有 良好 的 实用性和可行性 。针对模糊系统中模糊模型的不 同 ， 本文采用基 于T S ( T a k a g i S u g e n o ) 模型 的模糊神 经网络对校园短期负荷进行预测。 1 2 1 网络结构 基于T S 模型的模糊神经网络主要由前件 网络和 后件网络两部分组成 ，前件 网络用来 匹配模糊规则 ， 后件网络用来产生模糊规则 。对应的网络结构如图1 所示 Fi g 1 F NN n e t s t r uc t u r e b a s e d o n TS 图1 中， 网络第一层为输入层 ， 对应为负荷影响因 素及历史负荷值 ；前件网络第二层节点为语言变量 值 ， I3 N M、 P S 等 ； 第三层节点为模糊规则 ， 用以计算模 糊规则使用度 ； 第四层节点实现为归一化计算 。后件 网络第二层用以计算每一条模糊规则输出； 第三层则 计算系统的输出即负荷的预测值。 1 2 2 学习算法 基于T s 模型的模糊神经网络算法的实现主要表 现在对前件 网络第二层隶属度 函数 中心c 和宽度 的调整， 以及后件网络的连接权p 舯 调整。分别对应 为 却 ， 求取思想和神经网络一样， 都是通过 核心参数的调整 ， 使 网络输 出误差E 不断减少 ， 故有 公式 ： p l = =一( ) ( 5 ) a p i i ： ( 6 ) ： ： ： ( 7 ) 1 1 3 算法分析 比较 基于T s 模型的F N N 算法，从网络模型及算法推 倒很容易发现 ， 不同于B P 网络的全局逼近方法 ， 该算 法为局部逼近网络 ，可以很好 的克J B P 网络容易陷 入局部极小值 的缺点。 为了提升F N N网络算法的收敛速度 ， 在算法 中对 修正值引入惯性项 ， 用以使收敛更加平稳。如公式 ： p ( + 1 ) = ( ) + 叩 p ； + a E p j ( ) ( 一 1 ) ( 8 ) 式中叼 为学习参数 ， 初始学习时， 可选稍大些用以尽快收 敛 ， 当临近最佳点时， 则需较小量避免收敛震荡。 对于非 变学习速率的算法而言， 其叼 的确定多为试凑法。O L 为惯 性系数 ， 其确定方法与 目 同， 通常取0 9 左右。 2 实例 分 析 为了分析影响高校负荷变化的主要 因素 ， 建立科 学的预测模型 ， 首先对高校用 电情况进行总结 ， 对应 特点有 ： ( 1 ) 测量变比大造成单位小时内 ， 电表数据变 化不大 ，无功功率变化则不能体现在时间累积上 ， 已 经对各小时总功率 的变化趋势造成影响； ( 2 )日负荷 波动性大，体现在学校工作和时间安排有很大关系； ( 3 ) 周期性强 ， 对 日期类型相应明显。 2 1数据预 处理 由于仪器仪表及人为操作等原因 ， 导致测量数据 中出现坏点和空值 ，对预测精度造成一定的影响 ， 故 对测量数据进行数据预处理尤为必要 。 通过有功功率 和无功功率各小时的累积值 ， 得到各小时的总功率。 针对原始数据为累积值 的特点 ， 数据预处理对应 的步骤如下 ： ( 1 ) 对缺失 的负荷数据进行补零； ( 2 ) 通过差值计算得到对应各小时的功率值S ( t ) ，其 中 1 2 表示第 天负荷数据 ， 表示该天对 应的小时： ( 3 ) 按工作 日和休息 日进行负荷分类 ， 并按小时 进行排序； 一 3 7 学兔兔 w w w .x u e t u t u .c o m 总第 4 9卷第 5 5 3期 2 0 1 2年第 1期 电测与仪表 El e c t r i c a l M e a s ur e me n t& I ns t r u m e nt a t i o n Vo 1 4 9 NO 5 5 3 J a n 2 0 1 2 ( 4 )对于有功功率值小于等于零的认为坏点， 对 于无功功率小于零值的为坏点。 对应小时内剔除正值 内的部分最大值及最小值， 并求取样本数据两周内非 剔除点的平均值 ( ) 和E ， ( f ) 。E 。 ( ) 为工作 日内对应 小时的功率均值， E ， ( ) 为休息日内对应小时的功率 平均值 ； ( 5 ) 对坏值初步修正 ， 当有功功率p ( d , t ) 0 ， 则为 坏点， 填补对应均值 ； 对于无功功率9 ( d ， ) 0 ， 则为坏 点 ， 填补对应均值E ( t ) 或E ， ( ) 。 ( 6 ) 求取对应 日 期类型的方差V ( t ) ， V ， ( ) ， 设第d 天t h e f t 负荷的偏离率 J p ( d , t ) ， 则有公式 ： p ( d ， ) ： 、 V ( t ) 式 中E ( t ) 和v ( t ) 分别为对应 的均值和方差 。设tr 7 为负 荷允许偏离率 ， 则 当p t d ， t ) 卵， 负荷值为坏点 ， 补充值 为对应所求均值 。 2 2 输 入数 据选择 常用负荷预测的影响因素主要有 ： 风力 、 天气 、 温 度 、 日期类型等。 对于高校负荷特点 ， 受天气 的阴晴和 风力 的影响不大 ， 故不做考虑。 由于部分负荷如空调 、 电扇等受温度影响 ， 故将温度模糊化后的温度系数作 为预测模型的一个输入。 同时 ， 根据高校的T作性质 ， 把 日期类型作为影响高校负荷 的另一因素。 设 温 度为 ，低 温 和高 温 的隶 属 度 函数 采用 s i g mo i d 型隶属度函数 ， 对 中温隶属度函数采用两边型 高斯隶属度函数 ， 对应的曲线如图2 所示 。 1 0 O 9 0 8 0 7 0 6 鬣 5 赠 0 4 0 3 O- 2 O 1 0 _ 1 图2温度隶属 度 函数 Fi g 2 Me mb e r s h i p f u n c t i o n o f t e mp e r a t u r e 高校负荷受温度影响主要体现在高温和低温对 温度型负荷 的影响 ， 故中温隶属度函数对应的温度系 数较小。 日 期从周一到周 日对应的日期影响系数如表1 所示。 为了去除数据在量纲和数量级上的限制 ， 需对负 荷数据进行归一化处理 ， 把数值转换为 0 1 ， 0 9 区间 38一 表1 日期影响 因素 Ta b 1 Fa e t o r s o f( 1 a t e 的值 ， 通过训练得到的输 J 值 ， 再通过反归一化 函数 得到对应的负荷预测值。 对应 的归一化和反归一化 函 数为： 5 ： O 8 + 0 1 ( 9 ) 5 一 S S - I 2 5 ( S 一0 1 ) ( S 一 ) ( 1 0 ) 式 中 s 为实际负荷值 ； s 为 负荷归一化值 ； 5 和s 。 为 s 的最大值和最小值 。 设d日为预测 日， 为对应负荷 的小时数 ，输入样 本包括( z 一1 日的第i l H t 的负荷值 ， d 一2 日的第i 4 t N 的负荷值 ， d i7日的第 小 时的负荷值 ， d日和 一 1 的最高温度对应的温度系数 ， d日和 一1 日的最低温 度对应 的温度 系数 ， d日和r z 一1 口对应的 日期影 响系 数 ， 即样本数据为9 维矩阵。 输 J J 为预测 日x ,f b ： J , H , j- 的 负荷值。 2 3 预测模型建立 2 3 I B P 模型的建立 通过对数据的前期处理 ， 可以得 网络模型的输入 为 ， 输出为Y 。隐含层节点通过试凑法， 得f l J 最佳节 点数为l 3 ， 隐含层及输 层的传递闷数为t a n s i g H l o g s i g ， 为了提升网络训练的速度，采用L M优化训练算法 ， 通 过1 一 具箱函数l r a i n l m 实现。对应的网络参数设定 ： 学习 速率为0 0 5 ， 目标误差为0 0 0 5 ， 动量系数为0 9 。 2 3 2 F N N 模型的建立 通过前面算法的分析 ， 在参数调整即 c 矿 的求取中， 引入惯性变量加快模型的收敛速度 对应 的网络参数设定 ： 学习速率0 0 5 ， 惯性系数0 9 ， 隐节点 数为1 3 。 3 模糊理论在线调整 3 1 模糊 控制 输入 使用F N N网络预测后 ， 为 r提升预测精度 ， 引入 模糊控制器 ， 用以对误差较大的预测值进行修正 。 模糊控制器的输人为当前时刻绝对误差和误差变化 率 ： e ： s ( t ) - y ( t ) c = s ( t ) - y ( t ) 一 s ( t -1 ) -y ( t -1 ) 式中s ( t ) 为当前时刻测量值 ； y ( t ) 为当前时刻 的预测 值 ； s ( 一1 ) 为前一时刻测量值； y ( 一 1 ) 为上一时刻预 学兔兔 w w w .x u e t u t u .c o m 总第 4 9卷第 5 5 3期 2 0 1 2年第 1期 电测与仪表 El e c t r i c a l M e a s u r e m e n t& I n s t r ume n t at i on VO 1 4 9 No 5 5 3 J a n 2 0 1 2 测值。 控 制器 的输 出为调整 因子 ，则对 应 的调整 量 AM 一 ( 1 - ) c 。 3 2 模 糊规 则及 推理 输入输出变量模糊化， 输入变量e 与c 分别对应模 糊语言变 量E 和C，取7 个语 言值 为 ： N B、 N M、 N S 、 Z 、 P S 、 P M、 P B ， 范围为 一 6 ，6 。输出 对应的模糊语言变 量 ， 取5 个语言值为： V S 、 S 、 z B 、 V B ， 范围为 0 ， 1 。 量 化因子 , k c- _ 。 对应的 输入与输出 的隶属度函数如图3 、 图4 所示 。 对应的模糊规则表 ， 如表2 所示 。 最终， 通过模糊控制器调整之后得到预测负荷的 图3 E 和C 隶属度 函数 图4 隶属度 函数 Fi g 4 Me mb e r s h i p f u nc t i o n o f U 表2 模糊规则表 Ta b 2 Fu z z y r u l e t a b l e C 调整因子 ，并得出负荷 的调整量 A ，计算负荷值5 =S+A 。 4结果分析 采用上述算法， 结合天津某高校校园用电历史负 荷数据， 及天气情况和日期类型。 对该校3 月2 3 日 负荷 进行预测。由于校园负荷特性 ， 晚间负荷主要 以公共 照明为主 ， 负荷相对较轻 。 为了便于后续模块 的研究 ， 仅对预测 E t 8 ： 0 0 至2 1 ： 0 0 负荷进行预测 。 预测结果如表 3 和表4 所示 。 表3 预测结果分析对比 Ta b 3 Co mp a r i s o n o f p r e di c t i o n 表4 预测结果分析对比 Ta b 4 Co mp a r i s o n o f pr e d i c t i o n 一 3 9 学兔兔 w w w .x u e t u t u .c o m 总第 4 9卷第 5 5 3期 2 0 1 2年第 1期 电测与仪表 El e c t r i c a l M e a s ur e me n t& I n s t r ume n t at i o n Vo 1 4 9 NO 5 5 3 J a n 2 0 1 2 计算得出基 于B P 模型的平均 预测误差 为0 1 0 6 ， 基于F N N 模型的平均预测误差 为0 0 4 9 ，通过模糊控 制器对F N N 预测进行修正后， 对应的平均预测误差为 0 0 3 1 。通过对 比分析得出以下结论 ： ( 1 ) 由于F N N 算法在神经网络基础上引入了模糊 理论，对单一神经网络B P 预测精度，有了很大的改 进。但相对于短期负荷预测精度要求为0 0 3 仍有差 距 。 ( 2 )通过模糊控制器对预测结果进行了修正， 在 原有基础上降低了误差， 已基本满足短期负荷预测的 精度要求。 ( 3 )对于1 4 ：0 0 负荷对应的F N N 预测结果误差率 为0 0 0 5 6 ， 模糊修正后误差率为一 0 0 0 7 8 ， 说明模糊控 制器由于其模糊推理机理， 当误差很小时， 则有可能 造成过度修正。 5 结 论 本文采用基于T S 模型的F N N 预测算法与模糊控 制器相结合的方法， 对高校负荷进行预测O相对于单 一 神经网络预测模型 ，预测精度得到了很大的提高 ， 为校园电能的进一步管理提供了有效依据。同时， 该 模 型的建立是 以高校负荷特性为基础 ， 针对于校园重 点负荷及大功率负荷的预测同样具有其实用性。 参 考 文 献 1 】 万力， 李芳高校节能短期电力负荷预测应用与研究J 现代建筑 电气 ， 2 0 1 0 ， 1 ( 1 2 1 ： 3 4 3 7 W AN L i L I F a n g Ap p l i c a t i o n a n d Re s e a r c h o f S h 0 r t Po we r L 0 a d F o r e c a s t i n g i n C o l l e g e s E n e r g y C o n s e r v a t i o n 叫 Mo d e m A r c h i t e c t u r e E l e c t ri c 2 0 1 0 1 ( 1 2 ) ： 3 4 3 7 2 】 牛东晓， 曹树华 ， 赵磊 ， 等电力负荷预测技术及其应用【 M 北京： 中国电力出版社 ， 1 9 9 8 【 3 】 李国勇智能预测控制及其M A T L A B 实现 M 】 北京： 电子工业出版 社 2 0 1 0 4 1 陆宁， 周建中， 何耀耀粒子群优化的神经网络模型在短期负荷预 测中的应用 J 电力系统保护与控制， 2 0 1 0 ， 3 8 ( 1 2 ) ： 6 5 6 8 LU Ni n g ， Z HOU J i a n - z h o n g ， HE Ya o - y a o P a r t i c l e S wa r m Op t i mi z a t i o n - b as e d Ne u r a l Ne t wo r k Mo d e l f o r S h o - t e r m Lo a d F o r e c ast i n g J P o w e r S y s t e m P r o t e c t i o n a n d C o n t r o 1 2 0 1 0 3 8 ( 1 2 ) ： 6 5 6 8 【 5 】 周英， 尹邦德， 任铃等基于B P 神经网络的电网短期负荷预测模型 研究【 J J 电测与仪表， 2 0 1 1 ， 4 8 ( ： 6 8 7 1 4 0 一 学兔兔 w w w .x u e t u t u .c o m