基于人工神经网络的电力系统短期负荷预测.docVIP

基于人工神经网络的电力系统短期负荷预测 　　摘 要：电力系统负荷预测是电力系统中规划、计划、营销、调度等管理部门日常工作的重要依据。其中短期负荷预测是安排日发电计划和开停机计划的制定依据。论文首先介绍了电力负荷预测的意义和发展现状，研究了负荷预测的分类与基本方法，然后介绍了人工神经网络的概念和基本结构，最后应用人工神经网络中的BP模型构建本次预测的网络结构，并对负荷数据进行了归一化处理，建立了预测日负荷的神经网络模型。在网络训练中采用SCG算法，加快了网络的训练速度使反向传播法更容易实现。仿真表明，预测结果与实际结果吻合良好，误差在可接受范围内。 　　关键词：负荷预测；人工神经网络；BP算法； 　　中图分类号：TM732 文献标识码：A 文章编号：1674-3520（2015）-01-00-03 　　为了向用户提供安全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统安全与稳定。所以，电力系统短期负荷预测是电力系统安全分析的基础。 　　目前，电力系统短期负荷预测主要呈现以下特点：智能技术广泛用于负荷预测领域，模型结构趋于复杂，考虑的影响因素更多，非线性理论的应用，组合预测应用更广。 　　人工神经网络（ArtificialNeuralNetwork，ANN）作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的途径，许多学者将其应用于电力负荷预测问题，例如人工神经网络与小波分析相结合，人工神经网络与专家系统相结合，人工神经网络与遗传算法相结合等[16-18]。 　　本文对历史负荷数据进行分析及预处理，选取一个时段作为预测样本，选择输入量的构成。利用MATLAB建立一个两层BP结构作为本次预测网络模型。在此基础上用SCG算法进行网络的训练以提高训练速度，进行预测误差的分析，最后使用训练成的网络进行指定日预测，分析仿真结果。 　　一、人工神经网络的基本结构和模型 　　人工神经网络由许多个神经元组成。一个神经网络的神经元模型和结构描述了一个网络如何将它的输入矢量转化为输出矢量，其实质是网络输入和其输出之间的函数关系。通过选取不同的模型结构和激活函数，可以形成各种不同的人工神经网络，得到不同的输入输出关系式，最终达到不同的设计目的。 　　神经元是人工神经网络的基本处理单元，一般是一个多输入/单输出的非线性元件，如下图所示。 　　为偏差信号，也称为阀值；为神经元的基函数，得到的为激活函数的输入；为神经元的激活函数。 　　激活函数是一个神经元及神经网络的核心，其基本作用是控制输入对输出的激活作用，对输入、输出进行函数转换，将可能无限域的输入变换成指定的有限范围内的输出。常用的激活函数有阀值型、线性型、Sigmoid型、高斯型等。阀值型函数将任意输入转化为0或1的输出，函数为单位阶跃函数。线性型函数是网络的输出等于加权输入加上偏差。Sigmoid型函数将任意输入值压缩到（0，1）的范围内，常用对数或双曲正切等一类S形状的曲线来表示，如图2.2（a）、（b）所示。对数S型激活函数关系式为： 　　S型激活函数具有非线性放大增益，对任意输入的增益等于在输入/输出曲线中该输入点处的曲线斜率值。利用该函数可以使同一神经网络既能处理小信号（中间的高增益区）又能处理大信号（两边的低增益区）。高斯型激活函数又称为钟形函数，常用于径向基函数神经网络，也是十分重要的激活函数类型，表达式为： 　　（3.3） 　　一般地，称一个神经网络是线性或非线性是由神经元中激活函数是线性或非线性决定的。 　　将两个或更多个简单神经元并联起来，使每个神经元具有相同的输入矢量，即可组成一个神经元层，如图2.3所示。将两个以上的单层神经网络级联起来则组成多层神经网络，如图2.4所示。 　　二、基于人工神经网络的短期负荷预测实现 　　（一）模型选择及算法改进 　　由神经元激活函数的特性可以知道，神经元的输出通常被限制在一定的范围内，大多数人工神经网络使用的非线性激活函数为S型函数，其输出被限制在[0，1]或[-1，1]之间。可原始数据和期望输出值通常在此区间之外，直接以原始数据对网络进行训练会引起神经元饱和。因此，在对网络进行训练之前必须对数据进行预处理及归一化处理（Normalization），以避免法训练过程中的神经麻痹。研究表明：以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。 　　负荷数据的归一化有许多处理方式，本文采用的方法如下： 　　（二）算例分析 　　本文的历史负荷数据为天津地区2014年一整年的日负荷，包括每天的24点负荷。由于节日的负荷状况与正常日差别较大，本文只考虑正常日负荷预测，剔除节日负荷样本。由于所能获得的