基于BP神经网络的短期电力负荷预测方法研究.pdf

H J S F X Y X B2 3基基于B P神经网络的短期电力负荷预测方法研究奚莉莉,李 程(安徽扬子职业技术学院 电气工程学院,安徽 芜湖 2 4 1 0 0 0)摘 要 针对电力负荷的非线性变化特点,将B P神经网络应用于短期电力负荷预测领域,基于电力负荷的历史统计数据,同时考虑两个气象因素(温度、湿度)和不同日期类型(月份、工作日、周末、节假日)的影响,建立了一种高效的自学习预测模型,逐层提取负荷数据、气象数据和日期类型三者之间潜在的非线性特征.实验结果表明,经过训练的B P神经网络模型能够挖掘出短期电力负荷的深层变化模式,从而实现对未来电力负荷的精确预测.关键词B P神经网络;短期电力负荷预测;非线性特征 d o i1 0.1 9 5 7 5/j.c n k i.c n 4 2-1 8 9 2/g 4.2 0 2 3.0 3.0 0 5 中图分类号T P 1 8 3 文献标识码A 文章编号2 0 9 63 7 3 4(2 0 2 3)0 30 0 2 30 4 电力系统的正常稳定运行对于国家建设和人民生活至关重要.电力负荷预测在电力系统规划、建设和调度中扮演着不可或缺的角色.通过提高电力负荷预测的准确性,可以有效提升电力系统的运行效率,并大幅降低运营成本1.尤其是短期电力负荷预测,能够为水电调度、机组启停、水火协调等提供关键的参考依据.随着经济政策、人类活动和气象条件等多种因素多个因素对电力负荷的影响日益显著,负荷的变化趋势越来越复杂.传统的统计学方法已经无法满足日益提高的电力负荷预测精确度要求.针对电力负荷的非线性变化特点,本文将研究基于B P神经网络模型的短期电力负荷预测方法.1 短期电力负荷预测 电力负荷预测是基于对电力负荷历史变化规律的分析,用以预测电能用户在未来特定时刻或时段所需的电力负荷.根据预测时间周期的不同,可以将电力负荷预测划分为四类:超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测.超短期负荷预测的时间跨度为几分钟到几小时,短期负荷预测的时间跨度为数天到数周,而中期负荷预测和长期负荷预测的时间跨度则从数月到数年不等2.负荷预测的工作核心在于搜集丰富的历史负荷数据及其相关数据,并对这些数据进行预处理3;工作目标在于采用有效算法建立科学的预测模型,以精确地拟合潜在的电力负荷变化规律.通过不断修正算法和模型,提高负荷预测的精度,确保预测的准确性和可靠性.传统的电力负荷预测方法主要有时间序列和回归分析两种4.时间序列方法通过曲线拟合历史负荷数据,建立模型并预测.该方法的优势在于预测结果能够呈现出连续的变化趋势,时间复杂度较低.然而,这种方法只考虑了时序因素,未考虑其他对预测结果可能产生潜在影响的因素,因此精度不高.回归分析方法则基于数据内部规律来预测未来情况,主要特点在于研究变量之间的关联性.根据自变量个数的不同,可以分为一元或多元回归分析法;根据函数表达式的特点,可以分为线性或非线性回归预测模2 0 2 3年6月汉江师范学院学报J u n.2 0 2 3第4 3卷第3期J o u r n a l o fH a n j i a n gN o r m a lU n i v e r s i t yV o l.4 3 N o.3 收稿日期2 0 2 2-1 1-2 2 基金项目 芜湖市科技局应用基础研究项目“基于B P神经网络的智能家电集群短期电力负荷预测方法研究”(项目编号:2 0 2 2 j c 3 8)的成果.作者简介 奚莉莉(1 9 8 9-),女,安徽南陵人,安徽扬子职业技术学院电气工程学院讲师,硕士,主要从事智能电网研究;李 程(1 9 8 8-),女,安徽宿州人,安徽扬子职业技术学院电气工程学院讲师,硕士,主要从事电力控制研究.H J S F X Y X B2 4型.回归分析方法具有原理简单和计算快速的优势,但对输入数据的质量要求较高,且影响因子对预测模型的干扰巨大5.近年来,神经网络方法在短期电力负荷预测领域的广泛应用,得益于其出色的非线性映射能力和自适应学习能力.神经网络方法通过分析历史负荷数据中的映射关系,准确地捕捉复杂负荷特征之间的非线性关系来预测未来的电力负荷需求.相较于传统的线性模型,这种灵活性使得神经网络能够适应不同的负荷模式和变化趋势,能够提高负荷预测的准确性和鲁棒性6,7.2 B P神经网络 B P神经网络是一种多层前馈神经网络,采用误差反向传播机制进行网络训练.其核心原理是利用梯度下降法进行参数优化,通过梯度搜索来使得网络实际输出值与期 望 输 出 值 之 间 的 均 方 差 误 差 最 小化8.简而言之,B P神经网络通过不断调整权重和偏置,逐步逼近期望输出,从而实现精确的预测.B P神经网络通常由输入层、中间层(也称隐层)和输出层组成,如图1所示.输入层和输出层是单层结构,而隐层可以包含单层或多层神经元.各层神经元之间具有全连接关系,即每个神经元都与相邻层的神经元相互连接,而同一层内的神经元之间没有直接连接.这种层次结构使得B P神经网络能够有效地处理和学习输入数据,拥有处理非线性映射和模式识别的能力.图1B P神经网络架构 B P神经网络模型的训练过程可以分为信号的正向传播和误差的反向传播两个阶段,如图2所示.在正向传播过程中,输入信号经过隐层的非线性变换,通过输出层生成输出信号.如果实际输出与期望输出不一致,就会进入误差的反向传播过程.误差反传是指将预测值和实际值之间的误差逐层传递回输入层,并将误差按比例分配给各个连接的权重,以更新网络参数.经过反复训练,确定能够使误差最小化的网络参数(权重和阈值),使模型具有最优的参数组合,能够有效地将类似样本的输入转化为输出,即为网络的最终预测值9.图2B P神经网络训练流程3 实例分析 为构建基于B P神经网络模型的短期电力负荷预测模型,首先需要进行数据预处理,并完成网络模型设计.本文的实验使用MA T L A B平台完成.3.1 数据预处理 电力负荷的变化趋势不仅受到其内在特性的影响,还会受到多种干扰因素的影响,尤其是气象因素和社会活动.气象因素中温湿度是对负荷影响最为直接的因素.在不同季节,制冷设备和供暖设备的使用都会造成电力负荷显著增加1 0.此外,社会活动无法定量分析,但是社会活动跟日期类型有很强的相关性.不同月份、工作日、周末和节假日等不同日期类型的负荷水平以及变化趋势会有很大的差异.本文选择冬夏季节最具代表性的1月和7月两个月份的负荷数据作为实验数据.实验数据来源于湖北电网某地区采集的2 0 1 9年真实负荷数据及相应的气象数据和时间序列,时间序列的间隔为1小时.以短期预测某日某时为目的,对样本数据进行重构来确定预测模型的输入输出1 1,1 2,各参数及其含义 如 表1所 示,其中,将日类型的赋值定义为 工作日,周末,节假日=1,2,3.奚莉莉,李 程:基于B P神经网络的短期电力负荷预测方法研究H J S F X Y X B2 5考虑到每个特征值的不同范围,为了避免梯度更新过程中可能会出现震荡现象,导致可能需要较长时间才能达到局部最优或全局最优,我们按照下式(1)的方法对数据进行了归一化处理,确保预处理后的数据落在一定范围内,以排除奇异样本可能带来的负面影响.进行数据归一化处理能够提升梯度下降法在求解最优解时的速度.x=x-m i n(x)m a x(x)-m i n(x)(1)归一化处理之后,将1月和7月的数据按照2:1的比例将数据划分成训练集和测试集,每月前2 0天数据作为训练集,每月后1 0天数据作为测试集.表1样本数据重构参数含义X1-X3预测日待测时刻T的前3小时历史负荷X4-X6预测日待测时刻T的后3小时历史负荷X7-X9预测日前3日同一时刻的历史负荷X1 0-X1 2预测日后3日同一时刻的历史负荷输入X1 3预测日和前一日的最高温度X1 4预测日和前一日的最低温度X1 5预测日和前一日的平均湿度X1 6预测日月类型(1月1 2月)X1 7预测日日类型(工作日、周末、节假日)输出Y预测日T时刻的负荷3.2 网络模型的设计 根据之前的论述,B P神经网络模型的输入层节点数为1 7,输出层节点数为1.通常情况下,中间隐层设置为1层,需要确定的是隐层的神经元数目.隐层中使用较少的神经元会导致欠拟合(u n d e r-f i t t i n g),模型复杂度低,无法学习到数据背后的规律.相反,使用过多的神经元可能导致过拟合(o v e r-f i t t i n g),模型过于依赖训练集,泛化能力差.可以使用经验公式(2)来确定隐藏层神经元的数量1 3.n1=a+n+m(2)其中,n1为隐层神经元个数,n为输入层节点数,m为输出层节点数,a为1到1 0之间的整数.根据公式(2)和给定的参数,最终确定本文神经网络模型为1 7-7-1结构.在网络训 练 阶 段,我 们 参 数 设 置 如 下:进 行5 0 0 0次迭代训练,学习速率为0.0 1,训练目标为达到最小误差0.0 0 1.在网络测试阶段,输出结果是每天每小时的负荷预测值.为了评估负荷预测的准确度,选择准确率(A c c u r a c y)和 标 准 偏 差(S t a n d a r dD e v i a t i o n)作为评价指标.具体地,对一天2 4小时的每小时预测结果和一个月后1 0天的每天预测结果进行分析,并计算相应的准确率和标准偏差.网络测试时,输出结果为每天每小时的负荷预测值.为了评估负荷预测的准确度,本文选择准确率A(A c c u r a c y)和标准偏差S D(S t a n d a r dD e v i a t i o n)作为评估指标,对一天2 4小时的每小时预测结果和本月后1 0天的每天预测结果进行分析,计算出相应的准确率和标准偏差.3.3 实验结果及分析 根据实验结果,我们得到了1月2 1日至3 1日和7月2 1日至3 1日共计2 2天的负荷预测数据.每天的准确率如表2所示.选择了1月2 3日(工作日)和7月2 9日(周末)这两天的数据进行重点分析,绘制了这两天每个整点的负荷预测曲线,并分别展示在图3和图4中.表2测试集负荷预测结果对比日期准确率日期准确率1.2 19 5.8 2%7.2 19 1.2 1%1.2 29 5.2 7%7.2 29 5.2 5%1.2 39 3.6 4%7.2 39 1.0 4%1.2 49 8.7 7%7.2 49 7.5 1%1.2 59 7.0 8%7.2 59 3.0 2%1.2 69 5.1 6%7.2 69 3.9 7%1.2 79 8.6 2%7.2 79 4.1 5%1.2 89 3.7 3%7.2 89 5.8 3%1.2 99 8.6 7%7.2 99 8.6 7%1.3 09 8.5 6%7.3 09 2.9 5%1.3 19 3.9 8%7.3 19 3.1 1%平均准确率9 6.3 0%平均准确率9 4.2 5%标准偏差0.0 2 1标准偏差0.0 2 4总平均准确率9 5.2 7%总标准偏差0.0 2 5图31月2 3日(工作日)负荷预测曲线奚莉莉,李 程:基于B P神经网络的短期电力负荷预测方法研究H J S F X Y X B2 6图47月2 9日(周末)负荷预测曲线 实验数据表明,本文构建的B P神经网络模型在短期电力负荷预测方面,平均准确率达到了9 5.2 7%,准确率的标准偏差为0.0 2 5.这表明该网络模型具有较高的准确性和稳定性,即使面对不同气象条件或日期类型的扰动因素,仍然能够提供可靠准确的预测结果.然而,在对1月份和7月份数据进行比较时,可以观察到1月份的数据相对于7月份的数据,在准确率上更胜一筹.通过比较1月2 3日(工作日)和7月2 9日(周末)的负荷曲线,可以发现冬季(1月份)的短期负荷波动较小,而夏季(7月份)的短期负荷波动较大,这增加了预测的难度,因此夏季(7月份)的准确率略低于平均准确率.4 结束语 本文针对电力负荷的非线性变化特点,将B P神经网络应用于短期电力负荷预测领域.该模型基于电力负荷的历史统计数据,并同时考虑了两个气象因素(温度、湿度)和不同日期类型(月份、工作日、周末、节假日)的影响,构建了一种高效的自学习预测模型.实验结果表明,该模型通过逐层提取负荷数据、气象数据和日期类型之间潜在的非线性特征,可以挖掘出短期电力负荷的深层变化模式,从而实现对未来电力负荷的精确预测.在今后的工作中,仍需要进一步深入研究,构建更高层级的多输入多输出神经网络模型,并不断优化寻优算法,增强学习能力并缩短训练时间,这将有助于进一步完善电力负荷预测模型的性能和应用效果.参考文献1 唐继朋.1 1 0千伏变电站智能辅助控制系统与消防控制系统整合方案研究D.天津大学,2 0 1 4.D O I:1 0.7 6 6 6/d.D 6 3 7 7 6 9.2 高 远,崔运光,李涵.基于泛函网络的电力负荷预测研究J.电 工 技 术,2 0 2 1(5):3.D O I:1 0.1 9 7 6 8/j.c n k i.d g j s.2 0 2 1.0 5.0 0 9.3 李重春,祝安琪,王烁罡,等.电力大数据下的短期电力负荷预测J.电力大数据,2 0 1 9,2 2(1):5.4 曾任芬.河源用电负荷预测方法研究及应用D.广东工业大学2 0 2 3-0 7-1 4.D O I:1 0.7 6 6 6/d.D 0 1 2 4 4 0 6 7.5 李若溪.发电厂超短期负荷预测的研究D.大连海事大学,2 0 1 2.6 朱诗奇.深度学习在电力负荷预测中的应用J.产业与科技论坛,2 0 2 2,2 1(1 4):3.7 杜 莉,张建军.神经网络在电力负荷预测中的应用研究J.计算机仿真,2 0 1 1,2 8(1 0):4.8 朱诗奇.深度学习在电力负荷预测中的应用J.产业与科技论坛,2 0 2 2,2 1(1 4):3.9 师洪涛,杨静玲,丁茂生,等.基于小波B P神经网络的短期风电功率预测方法J.电力系统自动化,2 0 1 1,3 5(0 1 6):4 4-4 8.1 0 彭 堃,陈星莺,李斌,等.气象环境对电网负荷的影响因素分析J.电力需求侧管理,2 0 1 6(1):6.1 1 范佳妮,王振雷,钱锋.B P人工神经网络隐层结构设计的研究进展J.控制工程,2 0 0 5(S 1):5.1 2 吴润泽,包正睿,宋雪莹等.基于深度学习的电网短期负荷预测方法研究J.现代电力,2 0 1 8,3 5(0 2):4 3-4 8.D O I:1 0.1 9 7 2 5/j.c n k i.1 0 0 7-2 3 2 2.2 0 1 8.0 2.0 0 7.1 3F e n gY,X uX.As h o r t-t e r ml o a df o r e c a s t i n gm o d e lo fn a t u r a lg a s b a s e d o n o p t i m i z e d g e n e t i ca l g o r i t h m a n di m p r o v e d B P n e u r a ln e t w o r kJ.A p p l i e dE n e r g y,2 0 1 4,1 3 4(d e c.1):1 0 2-1 1 3.【编校:胡军福】O nS h o r t-t e r mP o w e rL o a dF o r e c a s t i ngM e t h o dB a s e do nB PN e u r a lN e t w o r kX IL i-l i,L I-C h e n g(S c h o o l o fE l e c t r i c a lE n g i n e e r i n g,A n h u iY a n g t s eV o c a t i o n a l&T e c h n i c a lC o l l e g e,W u h u2 4 1 0 0 0,C h i n a)A b s t r a c t:I nt h i sp a p e r,w i t hav i e wo f t h en o n l i n e a r c h a r a c t e r i s t i c so fp o w e r l o a d,B Pn e u r a ln e t w o r ki sa p p l i e dt os h o r t-t e r mp o w e r l o a df o r e c a s t i n g,a n dah i g h-e f f i c i e n c ys e l f-l e a r n i n gf o r e c a s t i n gm o d e l i se s t a b l i s h e do nt h eb a s i so fh i s t o r i c a l l o a dd a t a,t w om e t e o r o l o g i c a l f a c t o r s,t e m p e r a t u r ea n dh u m i d i t y,a n dd i f f e r e n td a t et y p e s(m o n t h,w o r k d a y,w e e k e n d,h o l i d a y)a r et a k e ni n t oa c c o u n t.T h eh i d d e nn o n l i n e a rc h a r a c t e r i s t i c sb e t w e e nl o a dd a t a,m e t e o r o l o g i c a ld a t aa n dd a t e t y p e sa r e e x t r a c t e d l a y e r b y l a y e r.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h ed e e pc h a n g e r u l e s o f l o a dd a t a f l o wa r em i n e dt h r o u g ht r a i n e dB Pn e u r a ln e t w o r k,a n dt h a t t h ea c c u r a t ep r e d i c t i o no f f u t u r e l o a d i sr e a l i z e d.K eyw o r d s:B Pn e u r a ln e t w o r k;s h o r t-t e r mp o w e r l o a df o r e c a s t i n g;n o n l i n e a r c h a r a c t e r i s t i c s奚莉莉,李 程:基于B P神经网络的短期电力负荷预测方法研究