电力系统短期负荷预测组合NN模型的研究与应用.pdfVIP

第 26卷 第 2期 青 岛大学学 报 (工程 技术版 ) Vo1．26NO．2 2011年 6月 JOURNALOFQINGDAOUNIVERSITY (ET) Jun．2011 文章编号 ：1006—9798(2011)02—0008—06 电力系统短期负荷预测组合 NN模型的研究与应用 张 伟 ，徐 超 ，韩 华 ，张智晟 (1．青岛大学 自动化工程学院，山东青岛266071；2．青岛供 电公司，山东青岛266002) 摘要：针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题 ，构造 了组合 NN预测模型，该模型由基于附加动量算法的AM—NN子模型和基于拟牛顿算法的QN — NN子模型构成 ，通过时变综合权系数将两个模型融合在一起 ，将气象因素数据 引入到 模型中，采用滚动优化策略，使模型具有较好的泛化性和收敛性 。通过对实际电网负荷 的 预测仿真和测试 ，证实所提出的组合NN预测模型能有效提高预测精度 ，平均绝对误差和 最大相对误差分别达到了 1．84 和 5．77 ，将其作为实际电网短期负荷预测软件的预测 子模块 ，能满足实际的调度预测要求。 关键词 ：电力系统 ；短期负荷预测 ；组合神经网络 ；附加动量算法；拟牛顿算法 ；时变综 合权系数 中图分类号：TM715 ．1 文献标识码 ：A 电力系统短期负荷预测 (short—term loadforecasting，STLF)是电力系统调度 、用 电、规划、计划等部 门 的重要工作 ，为电力生产部门和管理部 门制订生产计划和发展规划提供依据，是电力系统安全 、经济、可靠运 行的重要保证l1]。随着人工智能技术的发展 ，STLF的研究已发展到深入阶段 。电力系统负荷序列性质属 于典型的非线性动力学时间序列 ，神经网络 (neuralnetwork，NN)技术 由于具有较强 的处理非线性关系的 能力 ，所 以在 STLF领域 中得到广泛研究和应用l2]。H．S．Hippert等 对基于传统 BP算法 的NN模型在 电力系统中的研究成果进行了归纳，总结 出传统 BP算法存在易陷入局部极小点、收敛速度慢、编程复杂等 缺陷；G．A．Adepoju等 将基于 BP算法的NN模型应用于实际系统的预测中，但预测精度不够理想 ；李晓 波等 采用具有较快收敛速度及稳定性的L—M算法优化NN模型，虽然可加快网络的收敛速度 ，但容易实 现 “过度拟合”，影响预测精度 ；林雄[5采用改进 BP算法引入平滑系数和遗忘系数对 BP算法进行改进，加快 了神经网络 的学习速度 ，但网络的泛化能力较差，易陷入局部极小点的缺陷未得到本质改善 ；李海雁等 s采 用了变共轭梯度算法优化 NN模型，克服了BP算法收敛速度慢易陷入局部最小等缺陷，但模型预测精度不 够稳定 ，受初始因素的影响较大 。由此可见 ，单一 NN模型往往存在某些缺陷。本文采用组合模型，通过各 模型之间的优势互补 ，可有效解决上述问题。该组合 NN预测模型 由基于附加动量 (additionalmomentum， AM)算法的AM—NN子模型和基于拟牛顿 (quasi—Newton，QN)算法的QN—NN子模型构成，两个子模型 通过时变综合权系数融合在一起，将气象因素引入到模型中，采用滚动优化策略，使模型具有较好的泛化性 和收敛性 。通过对实际电网负荷的预测仿真和测试 ，证实所提出的组合 NN预测模型能有效提高预测精度 ， 能满足实际的调度预测要求 。 收稿 日期 ：2O11—02—28 基金项 目：山东电力集团公司科技计戈0资助项 目(2010A41)；IJJ东省教育厅科技计划资助项 目(JO7WJlO) 作者简介 ：张伟(1986一)，男 ，硕士研究生 ，研究方 向为 电力系统短期负荷预测等 。 通讯作者 ：张智晟 ，副教授 ，硕 士生导师。Email：slnzzs@126．corn 第 2期 张 伟 ，等 ：电力系统短期负荷预测组合 NN模型的研究与应用 9 1 组合 NN预测模型构造 1．1 建模依据 单一 NN在不同的样本输入空间内泛化性能不同，这将影响NN预测模型的预测