一个综合智能化电力短期负荷预测系统的研究.docVIP

一个综合智能化电力短期负荷预测系统的研究 　 　 摘要：介绍了一个模块化的综合智能化电力短期负荷预测系统，第一个模块采用人工神经网络建模，第二个模块采用自适应最优模糊逻辑系统建模，第三个模块是在实现前二者预测的基础上，针对其预测方法的不足，辅以模糊专家系统的修正机制。在天气变化不大且没有特殊事件发生时，可直接用自适应最优模糊逻辑系统预测方法和人工神经网络方法预测星期二到星期六的负荷，不必用模糊专家系统进行修正。对于星期日和星期一的负荷，或当天气突变、有特殊事件发生时，就必须利用模糊专家系统修正方法对预测结果进行修正。对某省网的日负荷数据进行了具体计算，结果表明此负荷预测系统能取得满意的预测效果。该系统的实用化软件包已投入试运行。 关键词：短期负荷预测；人工神经网络；模糊逻辑系统；模糊专家系统　　本文针对某省网负荷，利用人工智能技术设计了一模块化的综合智能化电力短期负荷预测系统，在当天下午3时以前，对第二天的负荷进行预测。系统中的第一个模块采用人工神经网络（ANN）建模，在训练时，以与训练时刻相关的历史负荷、日类型信息作为输入，训练时刻负荷作为输出，并利用最新获得的输入输出样本对进行适应训练，最后可得出基本预测值；第二个模块采用自适应最优模糊逻辑系统（FLS）建模，首先通过最近邻聚类算法对负荷历史数据进行分组，再将一个数组（一个聚类）视为一个数据对，用最优模糊逻辑系统来进行预测系统的建模；第三个模块是实现在前两个预测的基础上，针对其预测方法的不足，考虑天气和特殊事件等影响负荷变化的主要因素，利用专家经验，建立模糊专家系统（FES）的修正机制。 1　基于人工神经网络的短期负荷预测方法 　　人工神经网络（ANN）具有很强的非线性映射能力、自适应和学习能力，适合于跟踪大型复杂电力系统负荷的变化。ANN还具有强大的联想、综合和推广的能力，使其可以适用于负荷预测。根据Kol－mogorov定理，一个3层的BP网络［1］就能以任意精度逼近任意复杂的非线性函数［2］，因此笔者选择3层的全连接BP网络建立ANN模型。 1．1　学习算法 　　为了选择一种较好的BP算法，对常规的BP算法（BPX）、改进的变尺度法（EDFP）和正则化改进的高斯－牛顿法（LM）进行了理论分析和仿真对比，衡量的标准是平均训练耗时、平均训练误差和跳出局部极小的能力。结果表明，在解决小规模问题时，EDFP法是一种比较理想的方法。LM法则适用于解决中、大规模的问题。鉴于负荷建模的复杂性，选用LM算法作为神经网络的学习算法。 1．2　用于负荷建模的神经网络结构及训练样本集的选择 　　本文建立的ANN短期负荷预测系统是一个11－3－1结构的3层前馈神经网络，输出层有1个神经元，对应要预测的小时负荷值，即L（i，t）被预测的第i天第t小时的负荷值。 　　隐层有3个神经元。输入层有11个神经元，其中8个分别对应于下列负荷值：L（i，t－1）和L（i，t－2）对应于预测当天前2 h的负荷；L（i－1，t ）、L（i－1，t－1 ）和L（i－1，t－2）对应于预测前1 d相应3 h的负荷；L（i－7，t）、L（i－7，t－1）和L（i－7，t－2）对应于预测前1周相应3 h的负荷。 　　另外3个是二进制的日类型信息，说明待预测之日是星期几。其中：（0，0，1）、（0，1，0）、（0，1，1）、（1，0，0）、（1，0，1）、（1，1，0）、（1，1，1）分别对应星期一至星期日。输出层活化函数采用线性函数。隐层活化函数选择双曲正切sigmoid函数。 　　由于1 d中不同时段内负荷模型表现出不同的特征［3］，故本系统采用“小时模型”，即不是建立1个预测24 h负荷的系统模型，而是建立24个子网络模型，分别对每个小时负荷进行预测。子网络的训练样本用以往各天同一小时的负荷。为了适应负荷模型的变化，采用动态选择训练样本的方法，训练样本有2个来源：一是时间上最近的30个样本，另一是通过计算“最短距离”选取的20个输入情况与待预测负荷最接近的样本。 1．3　预测计算步骤 ??? ANN预测计算的步骤可以归纳如下： 　　（1）根据第1．2节建立的ANN模型，并选择训练样本输入、输出对集。 　　（2）把训练样本集的输入放到ANN的输入，得到ANN的输出。计算ANN输出期望值（即训练样本集的输出）与ANN的实际输出的误差，然后以LM算法修改网络的连接权值。反复计算误差和修改权值，直到误差达到一定的阀值以下。 ??? （3）用训练好的ANN模型进行预测。 ??? （4）根据不同的情况决定适应的周期，再根据该周期选取新的样本集用（2）的方法在保留原权值作为初始值的基础上对网络权值进行自适应调整，以跟踪负荷的最新变化，保证ANN模型的准确度。 2　基于自适应最优模糊逻辑系统的短期负荷预测方法　 　　模糊逻