搜索
基于BP神经网络的短期电力负荷预测摘要：本论文首先对短期电力负荷预测进行了概述，在详细分析bp神经网络原理的基础上，通过对某市历史负荷数据的分析，应用bp神经网络，建立了短期负荷预测模型，应用matlab6.5软件进行实际建模仿真。关键词：电力负荷bp神经网络预测建模仿真1.引言由于电力的生产与使用具有特殊性，即电能是不能储存的，这样就要求系统发电出力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量，重则危及系统的安全与稳定。随着电力系统的商品化和市场化，电力负荷预测的准确性对电力系统安全经济运行和国民经济发展具有重要意义。正确地预测电力负荷，既是为了保证供应国民经济各部门及人民生活以充足的电力需要，也是电力工业自身发展的需要。2.输入层和输出层的设计在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。所以这里将前一天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。因此，输入变量就是一个26维的向量。显而易见，目标向量就是预测日当天的24个负荷值，即一天中每个整点的电力负荷。这样一来，输出变量就成为一个24维的向量。获得输入和输出变量后，要对其进行归一化处理，将数据处理为区间[0，1]之间的数据。归一化方法有许多种形式，本文采用如下公式：在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，一方面可以增加网络训练样本的数目，另一方面还可以增加输入向量的维数。目前，训练样本数目的确定没有通用的方法，一般认为样本过少可能使得网络的表达不够充分，从而导致网络外推能力不够；而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。总之，样本的选取过程需要注意代表性、均衡性和用电负荷的自身特点，从而选择合理的训练样本。3.隐含层的设计对于bp网络，有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐层的bp网络逼近，因而一个三层bp网络就可以完成任意的n维到m维的映射。隐层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次试验来确定，因而不存在一个理想的解析式来表示。隐含层的数目与问题的要求、输入/输出单元的数目都有着直接关系。隐含层数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数。以下三个公式可用于选择最佳隐单元数时的参考公式。3）n1=㏒2n,其中，n为输入单元数。还有一种途径可用于确定隐单元数目。首先使隐单元的数目可变，或者放入足够多的隐单元，通过学习将那些不起作用的隐单元剔除，直到不进而收缩为止。同样，也可以在开始时放入比较少的神经元，学习到一定次数后，如果不成功则再增加隐单元的数目，直到达到比较合理的隐单元为止。(4)建立网络。短期负荷预测的神经网络结构同样如图1所示，为三层bp网络。隐含层神经元的传输函数选用双曲正切函数，输出层中使用一个线性传递函数。使用函数“newff’，建立bp网络:net=newff(minmax(p),[12,1],{‘tansig“purelin‘}，’trainbp’);(5)网络训练。使用历史数据本月1-29天的每日每时实际负荷数据作为训练样本，使用语句为:net.tranparam.epochs=1000;net.tranparam.goal=0.01;lp.lr=0.1;net.tranparam.mu-dec=0.05;[net,tr]=train(net,p,t);训练步数为1000，误差0.01，学习速率0.1,μ初始值0.05;其余参数为默认值。4.预测结果网络训练结束，超过300步训练步数，网络达到误差要求。用本月已知负荷值进行实际负荷预测，输入本月第30日输入矩阵(24点负荷值)，预测第31日负荷值，预测日负荷和实际日负荷对比见图2。从实验预测结果计算出，其相对误差值最大为5.07％，最小为-4.28％，平均绝对误差百分比为0.45％。5.结论通过实际仿真可知，经过训练后的bp神经网络能够建立达到短期电力负荷预测的模型，可以看出系统预测精度良好，具有很好的非线性映射能力，对短期电力负荷预测能有一定的指导和借鉴作用，有进一步开发应用于实际在线预测的良好前景。参考文献：[1]飞思科技产品研发中心，神经网络与matlab7实现.北京：电子工业出版社，2005.3[2]董长虹，神经网络与应.北京：国防工业出版社，2005.1.[3]闻新，周露，王丹力等，matlab神经网络应用设计.北京：科学出版社，2000“本文中所涉及到的图表、公式、注解等请以pdf格式阅读”