小波BP网络在电网超短期负荷中的应用

本文主要针对美国最大的区域电网（PJM）应用小波分解下的BP神经网络进行超短期符合预测。从理论上对小波分解下的BP神经网络进行了详细的介绍，应用MATLAB仿真软件进行了预测计算，最后将预测结果与实际的测试数据进行了详细的对比，结果表明相比普通的BP神经网络预测方法，其准确度有了一定的提高。

关键字：小波分解；BP神经网络；负荷预测；电网

中图分类号：TN711文献标识码：A 文章编号：

1.引言

电力系统负荷预测指的是，在充分考虑一些重要的系统运行特性、增容决策、自然因素与社会影响的条件下，研究或利用一套系统来处理过去与未来负荷的数学方法，在满足一定精度要求的前提下，确定未来某特定时刻的负荷数值。

在生产实践中，负荷预测有着其至关重要的意义：电力系统负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作之一。准确的负荷预测，有利于经济合理的安排电网内部发电机组的启停，保持电网运行的安全稳定，减少不必要的旋转储备容量；有利于用电管理，合理的安排电网运行方式和机组检修计划，保证社会的正常生产和生活；有利于节煤、节油和降低发电成本，提高电力系统的经济效益和社会效益；有利于制定合理的电源建设规划，决定未来新发电机组的安装及装机容量的大小、时间和地点；有利于合理的安排电网的增容和改建、决定电网的建设和发展。未来电网内负荷变化的趋势与特点，是一个电网调度部门和规划部门所必须具有的基本信息之一。

负荷预测从预测的时间范围上可以分为长期、中期、短期和超短期预测。长期预测一般指十年以上并以年为单位的预测；中期预测指在五年左右以年为单位的预测；中长期负荷预测主要是用于制定电力系统的扩建规划；短期预测指一年内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，通常预测未来一个月、未来一周、未来一天的负荷指标，也预测未来一天每小时的负荷；短期负荷预测对电力企业的日常运营起到指导和调节作用，有利于合理安排电力日生产计划；超短期负荷预测指未来1h、0.5h,甚至10min的预测，其意义在于对电网进行计算机在线控制，实现发电容量的合理调度，满足给定运行要求，同时使发电成本最小。

一般目前的电力系统负荷预测有以下几种方法：一般指数平滑模型、时间序列预测技术、神经网络预测技术、小波分析方法、灰色预测技术、模糊逻辑技术或组合预测法。

本文主要针对美国最大的区域电网——PJM应用小波分解下的BP神经网络进行超短期符合预测。

2.理论背景

神经网络在电力系统中的研究领域已涉及到了很多方面，如暂态、动态稳定性分析，负荷预测，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等。

1991年D.C.Park等人首次将人工神经网络（ANN）方法引入了电力负荷预测，引起了广泛关注。

本文应用的是误差反传学习算法(BP)，简称BP神经网络算法，是现在应用最成功、最广泛的人工神经网络。

BP网络通常由输入层、输出层和若干隐层组成。

BP网络是正向、各层相互全连接的网络。对于输入信号，要经过输入层，向前传递到隐层节点(隐层可以是一层，也可以是多层)。

经过作用函数后，再把隐层节点的输出送到输出层节点，最后给出输出结果。BP网络的算法（学习过程）由正向传播和反向传播两部分组成。正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每一层神经元状态只影响下一层神经元状态。 在输出层输出信号与期望值进行比较，如果存在误差，则将误差沿原来连接的路径返回，通过修改层间各节点的连接强度(权值)，使误差信号减少，直至把误差限定在预定的范围。

设网络分为M层，第M层仅含输出节点，第一层为输入节点，则BP算法步骤如下：

（1）选定初始权值为W；

（2）重复下述过程直到收敛。

a. 对k＝1到N

计算Oik，netjk和yk^ (正向过程)；

对各层m＝M到2反向计算 (反向过程)。

b. 修正权值

（1-1）

其中

（1-2）

小波理论源于傅立叶分析．经傅立叶变换处理后的信号只能在时域或者频域进行分析．经小波平移和伸缩变换处理后的信号，可在时频域对其局部细节进行多分辨分析。

图2 BP神经网络预测流程图

小波神经网络，把小波变换与神经网络有机地结合起来，充分继承了两者的优点。小波与神经网络可以按以下两种途径结合：一是松散型结合，即小波分析作为神经网络的前置手段，先将电力负荷数据进行小波分解，得到各尺度上的小波系数，再利用这些小波系数组成特征向量，输入给常规神经网络进行处理；二是紧致性结合，直接以小波函数代替常规神经网络的Sigmoid或径向基函数作为神经网络的隐节点激励函数，以小波的尺度和平移参数作为神经网络的权值和阈值参数，构成一种新型的前馈神经网络。

3.实例分析

本文选用美国PJM电网2011年3月RTO每小时的负荷监测数据数据作为训练集和验证集，

图3 对原始数据进行小波分解后的数据波形

图4其中一个小波的训练曲线

建立了三层BP神经网络，并对初始数据进行小波处理，利用Matlab中已有的小波工具箱函数将原始序列分解为3个小波和一个母波，将数据分别进行归一化处理后，利用Matlab中自带的神经网络工具箱分别对分解后的数据进行BP神经网络的预测，在不发生过拟合的条件下不断调整训练算法，最终获得滚动预测数据（每次得到一个点）。

本文利用的是Matlab自带的小波分解函数wavedec，在BP神经网络算法中采用L—M算法进行迭代收敛。

图5预测曲线局部的五个点（滚动预测）

在对3月21到31日11天的预测中，训练的相对误差误差基本集中在3%—6%之间，有个别点相对误差超出10%，相比普通的BP神经网络预测方法，其准确度有了一定的提高。

4.结语

采用小波分解作为BP神经网络负荷预测的前置处理，可以一定程度上更好地保存本身负荷数值的非线性特征，一定程度上提高了预测数据的准确度，但仍不能避免部分异常点的出现（相对误差超过10%），仍需要改进，可以考虑进行小波分解与神经网络的紧致性结合，将分解过程融入到训练层中，不单单作为前置处理。

参考文献：

1.小波网络和BP网络在符合预测中的比较江汉大学学报（自然科学版） 冯再勇，钟康惠，马永旺

2.水稻需水量预测的小波BP网络模型农业工程学报 冯艳 付强 李国良 李伟业 刘仁涛 冯登超

3.基于小波分析的月度负荷组合预测 电网技术 姚李孝 刘学琴

4.L-M优化算法在短期负荷预测中的应用 计算机科学 代小红 王光利

5.电力系统负荷预测 中国电力出版社 康重庆 夏清 刘梅

6.电力系统负荷建模 中国电力出版社 马大强 鞠平

注：文章内所有公式及图表请用PDF形式查看。