基于Elman网络电力负荷预测研究.docVIP

基于Elman网络电力负荷预测研究 　　摘要：电力系统负荷与诸多影响因素之间是一种强耦合、多变量、严重非线性的关系，且这种关系具有动态性。传统预测方法精度不高，而采用动态回归神经网络（Elman）能更直接、更有效地反映系统的动态特性。该文建立了基于Elman神经网络的电力负荷预测模型，通过MATLAB仿真预测，对比Elman神经网络和BP神经网络的预测效果。仿真实验证明了Elman神经网络具有良好的动态特性、较快的训练速度、高精度等特点，表明Elman预测模型是一种新颖、可靠的负荷预测方法。 　　关键词： 电力负荷；Elman网络；BP网络；预测 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）16-3871-04 　　电力系统时序负荷的准确预测是实现现代控制的前提之一，也是电力系统规划和运行研究的重要内容。负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求作出的预测[1]。电力系统负荷预测也是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。此外，它也是电力市场中电价制定的基础。 　　负荷预测对电力系统控制、运行和计划都有着重要意义。电力系统负荷变化一方面受许多不确定因素的影响，负荷变化会存在随机波动，另一方面又具有周期性，这也使得负荷预测曲线具有相似性。同时，由于受天气、节假日等特殊情况的影响，又使负荷变化出现异常。由于神经网络具有较强的非线性映射特性，它常用于负荷预测。 　　近年来，人工神经网络越来越引起控制理论工作者的极大兴趣。人工神经网络是一个能够学习，能够总结归纳的系统，也就是说它能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较（而这些比较是基于不同情况下的自动学习和要实际解决问题的复杂性所决定的），它能够推理产生一个可以自动识别的系统。与之不同的基于符号系统下的学习方法，它们也具有推理功能，只是它们是建立在逻辑演算法的基础上，也就是说它们之所以能够推理，基础是需要有一个推理演算法则的集合。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假定的能力，具有良好的自适应和自学习能力，能够充分逼近复杂的非线性关系，但关键是要建立合理的数学模型。 　　本文利用Elman神经网络的自适应性和较强的非线性映射能力进行负荷预测。采用自适应学习速率动量梯度下降反向传播算法进行网络训练，可以克服传统BP算法收敛速度慢和局部极小等缺陷。 　　1 Elman神经网络结构与算法 　　1.1Elman神经网络结构 　　Elman网络通常是一个两层网络，其隐含层神经元到输入层神经元之间还存在一个反馈连接通道，这种反馈连接在神经网络术语中称为回归（recurrent）连接。这种回归连接使得Elman网络具有检测和产生时变模式的能力。 　　2 数据的预处理 　　2.1数据的选取 　　有效地选取输入变量是决定神经网络预测精度的关键所在。电力系统负荷的波动往往受各种突变因素的影响，而这些因素包含的信息往往具有很大的不确定性。出于篇幅考虑，对预报模型简单化，输入变量的选取仅来自于某年欧洲竞赛中电力负荷的历史数据。 　　2.2结构分析 　　2.3输入和输出参数的标准化 　　3 仿真分析 　　神经网络中单个神经元具有简单的能够反映非线性本质特征的能力，这些基本的单元经过自组织复合，使神经网络可以逼近任意非线性函数。通过学习，从样本中抽取并存储其内在规律，从而可以对序列的变化进行预测。使用神经网络方法可以避免复杂的常规建模过程，而且神经网络模型有良好的自适应和自学习能力、较强的抗干扰能力，易于给出工程上容易实现的算法。在进行神经网络预测时，首先是要确定输入、输出节点。 　　在训练和预测的过程中，在MATLAB语言环境下，使用其特有的神经网络工具箱，对改进的BP算法建立负荷预测模型，实现短期负荷预测。对比两种网络预测图像和数据，可以清楚地看出，Elman网络的训练速度及预测精度都有较大的改善。比较图4、图5及预测技术指标可以看到，训练Elman网络时间短，平均预测精度高，最大预测精度也优于BP网络。 　　对于电力预测来说，只考虑历史数据是不够的，还受许多随机因素的影响，由于工作日和节假日的负荷不同，还要考虑时间特征值[8]。为避免预测时出现较大的误差，可以通过适当增加样本容量。 　　4 结论 　　到目前为止，电力系统的负荷预测一直都是一个难点，这主要是因为电力系统结构越来越复杂。该文采用Elman网络建立短期负荷的预测模型，克服了传统BP神经网络的一些缺陷。通过仿真计算，证明了Elman神经网络具有动态特性好、网络训