考虑气温因素的神经网络在短期电力负荷预测中的应用

摘要：本章分析了气温因素对电力负荷的影响，建立了气温因素直接作用于短期负荷的BP网络模型，对其进行短期负荷预测，该模型的预测结果较单独考虑历史负荷数据的预测更加稳定且有较高的准确率。

关键词：气温因素　电力负荷　应用研究

1　概述

研究表明，气象因素是影响短期负荷的主要因素。在一些气候条件下，用电负荷及电量会急剧攀升，这使得电力负荷与气象关系的定量分析称为研究人员的研究重点。简要分析气象要素对短期负荷变化的影响，可以发现，气温的影响最为显著，当天气剧烈变冷/变热时，将有大量采暖/降温负荷投入运行；而当平均气温持续过高或过低时，与以前年份的相同日期相比，日负荷将有较大的变化，如某年夏季某地持续高温，空调负荷在7～8月居高不下，日用电量大幅度提高。其他天气状况也直接影响到电力负荷，例如，降雨会直接影响到农机灌溉负荷和其他用电，在某地区一场大雨之后，总共近300MW的负荷骤降了近70MW灌溉用电负荷，可见气象因素影响之大。因此，在短期负荷预测中考虑气象因素已经成为人们的共识[1][2][3]。

2　气温因素直接作用于短期负荷的规律分析

在夏季，日电量与日最高气温、最低气温、平均气温的变化趋势都非常相似。当气温升高时，日电量也处于升高的阶段；当气温降低时，日电量也呈现降低的趋势。值得注意的是，两者变化的峰点和谷点所出现的日期也基本重合。可以判断日电量与气温应该具有比较大的相关性。这为进一步的负荷预测提供了依据[3]。

某些日期的日电量和气温的变化情况并不完全一致，这是因为影响日电量的因素并不仅仅是气温，还包括其他的多种因素。在短期负荷预测中考虑实时气象因素，不能简单按照时段进行相关分析[3]。实际上，实时气象因素与负荷的变化是有“时差”的，气象因素领先，负荷变化滞后，这在以15min为间隔的96点负荷预测中尤为明显。可是，这种“时差”究竟是多少，还不能明确回答，需要在预测过程中寻找。同时，也不能仅仅分析实时气象因素与负荷的变化关系，还要继续借鉴“同类型日”的思想，将负荷的周期性特征完全体现出来[10]。

3　BP神经网络算法在电力负荷预测中的应用

BP神经网络广泛用于预测领域，与传统方法相比，在处理模糊数据、大规模问题上，最大拟和性及容错方面均优于传统预测方法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止[4][6][11]。

4　单独考虑历史负荷的BP神经网络负荷预测

由于电力系统负荷的运行规律非常复杂，合理选择应用于短期负荷预测的神经网络结构至关重要，它是决定神经网络能否体现负荷变化规律的关键。目前的ANN预测模型大部分都采用前馈ANN模型，此结构的ANN有很好的函数逼近能力，而不必须先知道输入变量和预测值之间的数学模型，可以方便地计入气温、天气情况、湿度等这些对电力负荷有重要影响的因素的作用[6]。

一般在短期负荷预测中使用的网络是三层前馈网络，即：只含一个隐含层。隐含层的神经元数目的选取与ANN模型的训练效果是密切相关的。隐含层神经元过少会使得隐含层神经元负担加重，可能不收敛且无法反应非线性的输入输出关系；相反如果隐含层的节点数过多，收敛速度变慢，隐含层神经元数目再大一些，便不收敛。

为了展示BP神经网络很好的拟合性能，数据选取同类型日。表1为秦皇岛市2007年8月的部分负荷（单位：MW）

原始数据见表1。对8.13进行预测，图1为预测结果与原始数据的拟合曲线：

程序运行的预测负荷数据如下：

从图2可见，负荷预测结果与真实的负荷数据误差达到10-3。

5　考虑气象因素的BP神经网络负荷预测

5.1　数据预处理

参考经验公式，并兼顾Kolmogorov定理进行确定隐含层的神经元个数为13个，输出层为一个神经元。其中，负荷数据按照下面的公式进行变换：

式中，h为时段下标；Ln为h小时的实际负荷；L■■为比例变换后的负荷数据；该变换可使得负荷数据介于[0，100]区间（无量纲），从而便于与对应时段的实时气温th（℃）进行对比。（表2）

5.2　结果分析

拟合曲线如图3。误差曲线如图4所示。

从图4可见，考虑气温的负荷预测结果与真实的负荷数据更为接近，误差达到10-3，优于单独考虑历史负荷数据的预测结果。这说明，考虑气温的负荷预测更加准确。

6　小结

本文通过对历史负荷数据的分析可知，电力负荷具有明显的周期性变化规律；并重点分析了夏季气温对短期负荷的影响，在历史负荷数据的基础上，充分的考虑了气温因素对负荷的影响，对历史负荷数据进行神经网络预测，通过单独对历史数据预测和考虑气温预测的拟合曲线及误差曲线的对比，分析得出考虑气温因素能够使预测结果更加接近实际负荷数据，预测精度更好，具有良好的推广应用前景。

参考文献：

[1]牛东晓，曹树华，卢建昌.电力负荷预测技术及其应用（第2版）[M].北京：中国电力出版社2009.

[2]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社.2007.

[3]张凯，陈辉华，姚建刚等.基于气象要素的省地一体化负荷预测与管理平台[J].电力需求侧管理，2008，10（1）：22-25．

[4]Saksornchai，Titti，Lee，Wer-Jen，Methaprayoon，Kittipong，Liao，JamesR.，Ross，Richard　J.Improve　the　unit　commitment　scheduling　by　using　the　neural-network-based　short-term　load　forecasting[J].IEEE　Transactions　on　Industry　Applications，2005，41（1）：169-179.

[5]李军红，金磊，薛璐.电力需求侧管理技术推广实践[J].电力需求侧管理，2007.

[6]胡晖，杨华，胡斌.人工神经网络在电力系统短期负荷预测中的应用.湖南大学学报.2004.

[7]Chongqing　Kang，Xu　Cheng，Qing　Xia，et　al.Novel　Approach　Considering　Load-relative　Factors　in　Short-Term　Load　Forecasting[J].Electric　Power　Systems　Research，2004，70（2）：99-107.

[8]贺蓉，曾刚，姚建刚等.天气敏感型神经网络在地区电网短期负荷预测中的应用[J].电力系统自动化，2001：32-35．

[9]张国庆，韩新阳，王晖等.气象因素对负荷和电量影响的研究[J].中国电机工程学报，2001，21（8）：253-255．

[10]钱卫华，姚建刚，龙立波等.基于负荷特性分析的短期负荷预测相似日选择方法[J].华中电力.2007，20（1）：17-21．

[11]姜飞，龙子泉，林峰.模糊神经网络在电力短期负荷预测中的应用[J].控制理论与应用，2003，22（8）：23-26．

[12]康重庆，夏清，刘梅.电力系统负荷预测[M].中国电力出版社，2007.

[13].气象因素影响负荷预测效果的机理分析[M].北京：清华大学出版社.2006.

[14]菜广基，严玉清.构建BP网络结构方法分析[J].河南师范大学学报，2001，29（3）：65-68.

[15]王正林，刘明.精通MATLAB7[M].电子工业出版社，2007.