基于自组织映射网络的峰值负荷预测方法.pdfVIP

电力系统及输变配电技术 基于自组织映射网络的峰值 负荷预测方法 董立文1，范澍2 (1．青海电力试验研究所青海8100082．大阪产业大学 大阪 日本573一0013)。 摘要：本文应用扩展自组织映射网络研究了电力系统峰值负荷预测问题。我们首先采用了传 统的Kohonen自组织映射(SOM)网络学习和拟合以气候变量为参数的负荷时间序列。为了进一步提 高预测的准确度，本文应用了一种基于误差校正学习规则的扩展SOM算法，通过平均各个神经元的 输出值得到峰值负荷的估计值。在仿真研究中，本文采用了纽约市的电力负荷数据为研究对象，证明 了所提出方法的有效性。 关键词：负荷预测 自组织映射网络 1．引言 合其它方法来完成预测的。 电力负荷预测已经成为电力系统中的重要 在本文中，SOM网络被直接运用于24小时 研究领域之一[1]。准确的预测负荷的变化对于 电力峰值负荷。首先，我们使用常规的SOM网络 电网调度和设计非常重要。随着电力市场的开 采用标准的学习算法来学习电力负荷曲线。然 放，短期电力负荷预测对于电力市场交易尤为重 后，为了进一步提高预测精度，我们提出了一种 要。目前，电力负荷预测的模型和方法很多，诸 扩展的自组织映射算法。在这个SOM网络中，除 如线性回归模型、指数平滑法、随机过程I数据挖 了权矩阵外，还有一个输入输出对的局部梯度 掘方法、自回归滑动平均模型(ARMA)、Box—(Jocobin)矩阵Ai一也被存储在神经元中。由于 Jenkins方法、以及卡尔曼滤波方法[2]、[3]、梯度信息在输出空间中围绕输出权值产生了一 [4]、[5]、[6]、[7]、[8]。这些方法大多数建立个一阶扩展，因此就能够得到一个输出的改进估 在线性模型的基础上，然而，负荷时间序列通常 计值。同时，我们提出了一个Jocobin列阵Ai的 是外部变量的非线性函数。 生成算法。最后，我们采用纽约独立系统经营公 近几年来，越来越多的研究者将人工神经网 司(ISO)的负荷数据验证了本文所提出的方法是 有效的。 络(ANNs)应用于电力负荷预测[9]、[10]、 2．ANN模型及其学习算法 [11]、[12]。神经网络不但能够学习负荷时间序 列，而且还能够建立起电力负荷与气候变量间的 在本文中，神经网络被用来辨识如下非线性 非线性模型。尽管ANNs在负荷预测方面取得了离散动态系统， 很大进展，但是，对于具体的应用，其设计通常是 y(t+1)=八y(￡)，…，y(￡一m+1)；r) 比较困难的。很多类型的ANN网络被用于负荷 (1) 预测，其中使用最为广泛的是多层前向网络 其中y(t)是一个标量，表示在t时刻的日电 MLP，另一方面，其他一些网络结构也被应用，其力峰值负荷；m是动态系统的阶数；T是矢量，表 中包括自组织映射(sOM)网络。然而，在大多数示动态系统的控制参数，例如温度、湿度、风速和 情况下，SOM通常被用于训练样本的分类，并结预测日的信息。 12 优秀论文集 2．1SOM模型 络的输人矢量x被分解为两部分。第一部分，用 SOM网络是一个无导师的模型，它能在未标置。表示，它是由用于学习的动态映射的数据组成 识的数据组之间建立起联系。在sOM中1维、2的。包括前几天的峰值负荷、预测日的类型和气 维或者甚至3维排列的神经元被放置在输出层A 象参数。第二部分，用冠。表示，是预期的峰值负 中。每个神经元i有一个权矢量w和维数相同的 荷。相应的，神经元i的加权矢量埘也被分解为 输人矢量x。用于电力负荷预测的sOM网络的 两部分，分别用咄和儿表示，它们与输人矢量的 原理图