基于Elman神经网络的负荷预测研究摘要电力系统负荷预测是电力生产部门的重要工作之一,其负荷变化具有明显的周期性,文章采用Elman神经网络与BP神经网络建立模型,提出了一种基于神经网络的负荷预测方法。对某电网实际历史数据进行仿真预测,经研究发现,Elman模型具有收敛速度快、预测精度高的特点,同时表明利用Elman回归神经网络建模对某电网负荷进行预测是完全可行的,在负荷预测领域有着较好的应用前景。引言经济的高速发展带来了城市化与工业生产规模的不断发展,也使得城市供电系统的供需矛盾变得日益突出起来,特别是夏季,城市电力紧缺的现象越来越普遍。进行供电量的预测不仅可以为合理分配现有的电力资源,新建或者扩建、改建电厂提供可靠的依据,而且也是影响到居民正常工作和生活基本保障的一个重要问题。因此,寻找城市供电量的规律性,预测今后几年的供电量,不仅对于城市建设与城市管理有着重要的指导意义,而且也与居民的日常工作和生活息息相关。因此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,是保证电力系统安全经济运行和实现电网科学管理的基础。目前在电力系统负荷预测领域应用最广泛的是静态前馈BP神经网络,尤其是短期负荷预测领域应用居多。本文采用Elman神经网络的自适应性和较强的非线性映射能力对某电网的负载进行预测。仿真结果取得了令人满意的结果。可以预见Elman神经网络在电网负荷预测中有广阔的前景。1某电网负荷特性分析通过对某电网月度负荷数据序列的分析可知,随时间的推移,月度负荷相比于往年同一月的历史负荷具有明显的增长趋势,如图1所示为2001-2005年某电网1O、11、12月用电量;如图2所示为2001-2005年某电网分月用电量。明显该电网年负荷曲线最高峰多出现在冬季l1、12月份,全年2月份、9月份负荷最低。图12001-2005年某电网1O、儿、12月用电量图22001-2005年某电网分月用电量总体来说,该电网全网用电增长较缓。由于电网中工业用电所占比例加大,这部分电量又受国家宏观调控以及市场价格的影响,使得2005年全网用电增长平稳,但较近几年相比增长率有所下降。2Elman神经网络的基本原理2.1网络结构Elman型回归神经元网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,如图3所示。其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一步延时算子。图3Elman网络结构不意图Elman型回归神经元网络的特点是隐藏层的输出通过结构单元的延迟、存储,自联到隐藏层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模。此外Elman网络的动态特性仅由内部的连接提供,无需使用状态作为输入或训练信号,这也是Elman网络相对于静态前馈网络的优越之处。2.2算法简介如图3所示,设网络的外部输入(1)ukR,输出为()mykR,若记隐含层的输出为()xkR,Elman神经网络的非线性状态空间表达式为:3()(())ykgxk12()(()(1))cxkfxkuk(1)()(1)cxkxk其中,k表示时刻,y,x,u,cx分别表示1维输出节点向量,维隐含层节点单元向量,维输入向量和维反馈状态向量;3,2,1分别表示隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值矩阵;f(.)为隐含层神经元的传递函数,这里采用tansig函数表示,g(.)为输出层传递函数,采用purelin函数。由(1)式可得:()(1)cxkxk1211[((1)(2))]kckfxkuk(2)又由于(1)(2)cxkxk2),上式可以继续展开。说明()cxk依赖于过去不同时刻的连接权11k,22k···,即()cxk是一个动态递推过程。Elman神经网络学习算法采用的是优化的梯度下降算法,即自适应学习速率动量梯度下降反向传播算法,它既能提高网络的训练效率,又能有效抑制网络陷入局部极小点。学习的目的是用网络的实际输出值与输出样本值的差值来修改权值和阈值,使得网络输出层的误差平方和最小。设第k步系统的实际输出向量为()dyk,在时间段(O,T)内,定义误差函数为:211[()()]2TdkEykyk(3)以3,2为例,将E对3,2分别求偏导,可得权值修正公式为:3'311(1)(1)(()())*(.)()()jdjjkmcykykgxkmck22(1)(1)(()())*'(.)(1)()jqdjqjqkmcykykfukmck(4)其中,j=l,2,.....,m;q=1,2,.....,n;为学习速率,mC为动量因子,默认值为0,9。这样在进行更新时不仅考虑了当前梯度方向,还考虑了前一时刻的梯度方向,降低了网络性能对参数调整的敏感性。3数据的选取及归一化处理3.1数据的选取在应用神经网络模型预测电力系统负荷的过程中,有效地选取输入变量是决定神经网络预测准确性的关键因素。而负荷的变化往往是气温、政治、经济、社会以及其它随机因素的综合反映,而这些信息往往含有太多的不确定性。即时刻的负荷不仅受到时刻外部环境及内部因素的影响,而且受到i-1,i-2,⋯,i-n时刻诸多因素的影响,具有动态性。因此在本文讨论的模型中,输入变量的选取仅仅基于前述电网用电量的基本历史信息。3.2网络结构设计确定神经网络的拓扑结构是神经网络模型实现预测的前提,在兼顾神经网络的收敛性、收敛的快速性、预测的准确性的前提下,确定模型的网络结构:输入层节点数为7个,即实际历史用电量;隐含层节点数为15个,通过反复训练网络确定;输出层节点数为1个,即待预测用电量。隐含层的传递函数为S型函数(1ogsig),输出层和承接层均为线性函数。3.3数据归一化处理为使那些比较大的输入仍然落在传递函数梯度大的地方,应对输入样本进行归一化处理,本文在输入层采用式(5)将负荷值换算为[0,1]区间的值,在输出层再利用式(6)换算回负荷值。minmaxminxxyxx(5)minmax(1)xyxyx(6)其中minx,maxx分别代表样本集中的最小值和最大值,按工程应用中一般规律分别取0.9倍的最小值和1.1倍的最大值。4实例仿真本文对前述电网2OOl一2OO6年2月、3月和4月历史用电量数据进行预测,其中,Elman网络的训练样本采用2001-2006年1月的用电量数据,而将2006年2月、3月及4月份的数据作为测试样本。也就是将网络学习训练结果,对2006年2月、3月和4月的用电量进行预测。训练过程曲线如图4所示。在相同的精度要求下,分别用Elman网络模型和BP神经网络模型进行预测。两种方法对2月、3月和4月用电量的预测结果如表1所示。2006年3月训练误差曲线如图4所示。图4训练误差曲线在实现网络训练和预测中,利用Matlab神经网络工具箱编程。由于权值和阈值均随机初始化,程序每次执行时收敛的速度有些不同,但相对于BP网络,收敛速度有较大提高,预测精度也有明显改善。5结论电网系统的负荷受多种因素的影响,与诸多影响因素之间是一种多变量、非线性的关系,且这种关系具有动态性,因而传统方法的预测精度不高。而Elman神经网络具有良好的动态特性,针对上述特点,为了更好地进行预测,本文采用Elman神经网络模型建立了预测电网用电量的模型,并进行了实例预测。文中还比较了Elman网络和BP网络结构的建模效果,仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、预测负荷准确可靠等特点,说明采用Elman动态网络比BP网计2009年投运。该站应用的电子式互感器结构如图9所示。其中电流互感器采用罗高夫斯基线圈,采集器电源采用母线采电及激光供能相结合方式;电压互感器采用串行感应分压器,由于采集器处于低电压区域,因此主要以220V交流电为主要供能方式。该站110kV、220kV均采用电子式互感器,共45只,另有8只为安装于中性点的电子式电流互感器。出于经济性考虑,35kV电压等级的互感器除了变压器间隔外,其他均采用常规干式互感器。不同互感器之间的信号由合并器集中处理,同步主要采用插值同步,并配有GIS同步接口,必要时可采用GIS同步。参考文献[1]孙志祥,晋伟平,杨俊宏,等.110kV数字化变电站建设EJ].云南电力技术,2007,35(3):44—45.[2]高鹏,迟清,张莉.数字化变电站技术及其在陕西电网的应用[J].陕西电力,2007,35(6):7—11.[3]李九虎,郑玉平,古世东,等.电子式互感器在数字化变电站的应用EJ].电力系统自动化,2007,31(7):94—98.[4]徐大可,赵建宁,张爱祥,等.电子式互感器在数字化变电站中的应用[J].高电压技术,2007,33(1):78—82.[5]GB/T20840.8—2OO7,互感器第8部分:电子式电流互感器Es].E6]GB/T20840.7—2oO7,互感器第7部分:电子式电压互感器[S].[7]夏勇军,苏昊,胡刚,等.电子式互感器原理及工程应用进展[J].湖北电力,2007,31(4):1-4.[8]罗承沐,张贵新,王鹏.电子式互感器及其技术发展现状口[J].电力设备,2007,8(1):20—24.[9]钱政,申烛,王士敏,等.新型GIS中电子式光学电流电压互感器的设计[J].中国电力,2001,34(8):25—28.[10]王政平,康崇,张雪原,等.有源型光学电流互感器研究进展口].激光与光电子学进展,2004,41(10):34—38.[11]陈应林,黄德祥,孙志杰.OET700电子式互感器的结构与性能[J].变压器,2006,43(6):1—5.[12]黄德祥,孙志杰,陈应林.新型高电压测量装置——数字光电式串联感应分压器的研制[J].高压电器,2005,41(2):143—145.[13]王鹏,张贵新,朱小梅,等.基于故障模式与后果分析继故障树法的电子式电流互感器可靠性分析[J].电网技术,2006,30(23):15—20.[14]王鹏,张贵新,李莲子,等.电子式互感器误差分析[J].清华大学学报(自然科学版),2007,47(7):11o5—11O8.[15]曹团结,尹项根,张哲,等.电子式互感器数据同步的研究EJ].电力系统及其自动化学报,2007,19(2):108—113.