馬立新+李淵+鄭曉棟+尹晶晶

摘 要： 隨著社會(huì)的發(fā)展，人們的日常生活和工作生產(chǎn)越來越依賴于電力系統(tǒng).精準(zhǔn)的電力負(fù)荷預(yù)測(cè)是電網(wǎng)安全、穩(wěn)定運(yùn)行的重要保障.為減小節(jié)假日在日最大負(fù)荷預(yù)測(cè)過程中的影響，提出了法定節(jié)假日對(duì)日最大負(fù)荷的影響及日類型量化處理方法，并采用一種改進(jìn)的BP（back propagation）神經(jīng)網(wǎng)絡(luò)——高階BP神經(jīng)網(wǎng)絡(luò)進(jìn)行連續(xù)多天最大負(fù)荷預(yù)測(cè).實(shí)驗(yàn)算例結(jié)果表明：該數(shù)據(jù)處理和預(yù)測(cè)方法能有效地減小節(jié)假日對(duì)負(fù)荷預(yù)測(cè)的影響，提高了預(yù)測(cè)精度，并有較強(qiáng)的工程實(shí)踐價(jià)值和應(yīng)用前景.

關(guān)鍵詞： 負(fù)荷預(yù)測(cè)； 日最大負(fù)荷； 日類型； 假日負(fù)荷預(yù)測(cè)； 高階BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TM 715文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1008-8857（2016）03-0153-05

Abstract： With the development of society，peoples daily life and work increasingly depend on the production of power system.Accurate power load prediction is a key guarantee for safe and stable operation of the grid.Based on the characteristics of historical load data，effect of legal holiday on the daily peak load as well as the method of quantifying day type were put forward in this paper，when the daily peak load was predicted.A modified back propagation（BP） neural network，advanced BP network（ABP），was adopted to predict the continuous multiday daily peak load.The simulation results showed that this data processing and prediction method could effectively demonstrated the influence of holiday on load prediction and improved the prediction accuracy.It has a strong practice value and wide application prospect.

Keywords： load forecast； daily peak load； day type； holiday load forecast； advanced BP neural network

負(fù)荷預(yù)測(cè)是電力企業(yè)制訂供電計(jì)劃、燃料規(guī)劃、發(fā)展規(guī)劃、資金財(cái)務(wù)規(guī)劃等的基礎(chǔ)，其準(zhǔn)確與否關(guān)系到整個(gè)電網(wǎng)的安全和經(jīng)濟(jì)運(yùn)行.而日最大負(fù)荷或稱峰值負(fù)荷是指在一晝夜內(nèi)電力負(fù)荷最大峰值，它影響到整個(gè)電網(wǎng)尤其是網(wǎng)架結(jié)構(gòu)薄弱地區(qū)電網(wǎng)的安全、穩(wěn)定運(yùn)行.因此，對(duì)日最大負(fù)荷的預(yù)測(cè)是智能電網(wǎng)中的重要環(huán)節(jié)，是電力系統(tǒng)規(guī)劃、調(diào)度、營(yíng)銷等部門決策時(shí)的重要依據(jù).近年來，國(guó)內(nèi)外學(xué)者提出了許多短期負(fù)荷預(yù)測(cè)方法，如多元回歸、譜分析、ARMA模型、人工神經(jīng)網(wǎng)絡(luò)等[1].但傳統(tǒng)的基于數(shù)學(xué)統(tǒng)計(jì)的方法，考慮天氣情況、日類型（普通工作日、周末、節(jié)假日）等，僅利用負(fù)荷數(shù)據(jù)自身發(fā)展規(guī)律進(jìn)行預(yù)測(cè)的結(jié)果并不理想.目前對(duì)日最大負(fù)荷的研究集中在短期預(yù)測(cè)，且主要著力于研究日最大負(fù)荷與天氣的關(guān)系[2].但由于難以獲取未來連續(xù)多天甚至一個(gè)月的準(zhǔn)確天氣信息，對(duì)連續(xù)多天的日最大負(fù)荷預(yù)測(cè)研究比較欠缺.本文分析了節(jié)假日對(duì)日最大負(fù)荷的影響，選取合適的樣本和改進(jìn)的高階BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，提高了連續(xù)多天日最大負(fù)荷預(yù)測(cè)的精度.

1 日類型量化處理方法

由于節(jié)假日對(duì)人們生活、工作的影響，不同日類型負(fù)荷呈現(xiàn)出獨(dú)特的變化規(guī)律.若對(duì)工作日、周末和假日采用相同的方法進(jìn)行預(yù)測(cè)的精度較低.為了保障節(jié)假日期間生活用電得以滿足又不至過剩，對(duì)節(jié)假日的日最大負(fù)荷特征進(jìn)行研究，并對(duì)日類型進(jìn)行一定的量化處理后再建立預(yù)測(cè)模型就顯得尤為重要.

1.1 日最大負(fù)荷變化特性分析

圖1為某市2013年4月1日～20日的日最大負(fù)荷.由圖可見，周末負(fù)荷比普通工作日低，而在4月4、5、6日清明節(jié)期間負(fù)荷大幅降低.

江蘇省各市近十年的電力負(fù)荷數(shù)據(jù)及文獻(xiàn)[3]等研究顯示：對(duì)同一節(jié)假日而言，每年的負(fù)荷曲線較為相似，只是負(fù)荷水平有區(qū)別.以江蘇省某市2010—2013年10月1日～7日的日最大負(fù)荷走勢(shì)為例（如圖2所示）.由于2012年中秋節(jié)與國(guó)慶節(jié)重疊，節(jié)假日從9月30日開始.除了2012年比較特殊，其他年份國(guó)慶節(jié)的日最大負(fù)荷變化趨勢(shì)基本一致，負(fù)荷整體水平逐年增長(zhǎng).

由于我國(guó)部分傳統(tǒng)節(jié)日是以農(nóng)歷計(jì)，陽(yáng)歷的放假時(shí)間每年并不固定.例如：2012年端午節(jié)出現(xiàn)在陽(yáng)歷6月23日，法定節(jié)假日時(shí)間為6月22、23、24日三天；2013年端午節(jié)出現(xiàn)在6月12日，法定假日時(shí)間為6月10、11、12日三天.通過對(duì)多個(gè)城市節(jié)假日歷史負(fù)荷變化情況進(jìn)行研究，結(jié)果表明：3天法定節(jié)假日中，日最大負(fù)荷降低的幅度與法定節(jié)假日當(dāng)天在三天假期中所處位置有關(guān).若法定節(jié)假日出現(xiàn)在假期的第一天，則第一天負(fù)荷最小，后兩天逐步回升；若法定節(jié)假日出現(xiàn)在假期的第二天，則第二天負(fù)荷最低，第一天負(fù)荷最大，第三天居中，呈V形走勢(shì)；若法定節(jié)假日出現(xiàn)在假期的第三天，則三天假期負(fù)荷逐日遞減[3].某市三天節(jié)假日的日最大負(fù)荷變化趨勢(shì)如圖3所示.

1.2 日類型量化處理規(guī)則

1.1節(jié)中分析了不同日類型的日最大負(fù)荷變化特征，由于神經(jīng)網(wǎng)絡(luò)只能進(jìn)行數(shù)字運(yùn)算，因此還需要一種能將日類型合理量化的標(biāo)準(zhǔn).采用類似于文獻(xiàn)[4]中提到的映射數(shù)據(jù)庫(kù)的方法，由于日類型在日最大負(fù)荷預(yù)測(cè)中占主導(dǎo)作用，故將日類型量化為[0.1，4.5]區(qū)間的數(shù).周二至周五為工作日，負(fù)荷最大，將其量化為0.1，而春節(jié)期間負(fù)荷最小，將其量化為4.5.其他日類型的量化也遵循這一規(guī)律.表1為部分日類型量化標(biāo)準(zhǔn).將量化處理后的日類型作為神經(jīng)網(wǎng)絡(luò)的一個(gè)輸入，這極大地提高了節(jié)假日最大負(fù)荷的預(yù)測(cè)精度.

2 預(yù)測(cè)模型建立

BP神經(jīng)網(wǎng)絡(luò)以其結(jié)構(gòu)簡(jiǎn)單、預(yù)測(cè)精度較高在電力負(fù)荷預(yù)測(cè)領(lǐng)域得到廣泛的應(yīng)用.但是其算法仍存在網(wǎng)絡(luò)訓(xùn)練速度慢、容易陷入局部極小值等問題，因而很多專家對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)提出了改進(jìn)的算法[5].本文采用的是一種改進(jìn)的高階BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型[6].

2.1 高階BP神經(jīng)網(wǎng)絡(luò)介紹

BP算法是用于前饋多層網(wǎng)絡(luò)的學(xué)習(xí)算法.前饋多層網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示，其中：X1、X2…Xn為神經(jīng)網(wǎng)絡(luò)的輸入；i、j、k分別代表三層神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層；w、v均為權(quán)值（下文統(tǒng)一用w作計(jì)算）.其訓(xùn)練過程按照輸出層的誤差逐步反向調(diào)整輸入層各神經(jīng)元的閾值和鏈接權(quán)值.

高階BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示.對(duì)比圖4、5發(fā)現(xiàn)，本文研究的高階BP神經(jīng)網(wǎng)絡(luò)主要進(jìn)行了如下改造：輸出層的輸入多了一部分，即倒數(shù)第二層任意兩個(gè)神經(jīng)元的輸出相乘再加權(quán)到輸出層（圖5中粗線所示部分），其余部分與傳統(tǒng)BP算法相同.在圖4中，輸入層i有n個(gè)節(jié)點(diǎn)，隱含層j有m個(gè)節(jié)點(diǎn)，輸出層k有t個(gè)節(jié)點(diǎn).O1、O2…On代表網(wǎng)絡(luò)輸出.對(duì)于第k層的每個(gè)節(jié)點(diǎn)，其輸入個(gè)數(shù)和原BP網(wǎng)絡(luò)相比增加了C2m個(gè)，但前向計(jì)算中的輸出bj沒有變化，仍為

2.2 建立高階BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

在選用了改進(jìn)的BP算法后，還需要設(shè)置合適的神經(jīng)網(wǎng)絡(luò)層數(shù)、隱含層節(jié)點(diǎn)數(shù)，以及輸入、輸出才能有效地提高預(yù)測(cè)精度.對(duì)于輸入的參數(shù)要求其與預(yù)測(cè)的數(shù)據(jù)有較強(qiáng)的相關(guān)性，但是不能過多，否則將導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜及訓(xùn)練費(fèi)時(shí)，也容易陷入局部最小值[7].本文采用3層高階BP神經(jīng)網(wǎng)絡(luò)，輸入層、隱含層、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)分別為15、7、1.由于日類型是與負(fù)荷強(qiáng)相關(guān)的因素，因此輸入選擇待預(yù)測(cè)日前一個(gè)月和前兩個(gè)月對(duì)應(yīng)的連續(xù)一周的日最大負(fù)荷，以及待預(yù)測(cè)日的日類型.

3 算例分析

日最大負(fù)荷過大會(huì)對(duì)電網(wǎng)的安全、穩(wěn)定運(yùn)行產(chǎn)生不利影響.電力部門通常需要在月初預(yù)知下個(gè)月每天的最大負(fù)荷，以便提前對(duì)重要設(shè)備展開巡查、組織搶修.這是一個(gè)典型的連續(xù)多天日最大負(fù)荷預(yù)測(cè)問題.為了驗(yàn)證本文方法的有效性，采用日類型結(jié)合高階BP神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)了某市2012年端午節(jié)日最大負(fù)荷，并與不添加日類型量化因子、直接用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)的方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果如表2所示.由表可知，BP神經(jīng)網(wǎng)絡(luò)和高階BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差分別為15.059%、3.878%.以某市電網(wǎng)公司提供的2010年1月1日至2012年4月30日的歷史負(fù)荷數(shù)據(jù)作為樣本，對(duì)該段時(shí)間內(nèi)的日最大負(fù)荷進(jìn)行預(yù)測(cè).在數(shù)據(jù)采集過程中，由于系統(tǒng)故障產(chǎn)生了少量數(shù)據(jù)的缺失，在預(yù)測(cè)前首先要用非鄰均值生成法補(bǔ)全空缺的電力負(fù)荷數(shù)據(jù)[8]，然后結(jié)合本文的日類型量化處理方法，對(duì)比了采用BP與高階BP神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行預(yù)測(cè)的結(jié)果，如表3所示，5月BP神經(jīng)網(wǎng)絡(luò)和高階BP神經(jīng)網(wǎng)絡(luò)模型的平均相對(duì)誤差分別為3.138%、2.032%.

若不考慮日類型這一輸入，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)節(jié)假日的預(yù)測(cè)嚴(yán)重偏大，而添加日類型量化因子后，預(yù)測(cè)系統(tǒng)能較好地識(shí)別、處理節(jié)假日變化.從表2的算例結(jié)果可知：結(jié)合高階BP神經(jīng)網(wǎng)絡(luò)模型能將端午節(jié)三天假日平均相對(duì)誤差由15.059%降低到3.878%，精度明顯提高.由表3可以看出，本文提出的日類型量化方法結(jié)合高階BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，能有效提高預(yù)測(cè)精度，對(duì)于5月1日勞動(dòng)節(jié)的預(yù)測(cè)結(jié)果也比較理想.在均添加了日類型量化因子的條件下，與BP神經(jīng)網(wǎng)絡(luò)相比，高階BP神經(jīng)網(wǎng)絡(luò)對(duì)勞動(dòng)節(jié)日最大負(fù)荷的預(yù)測(cè)誤差從原來8.878%減小到3.347%；31天平均相對(duì)誤差從3.138%降低到2.032%，預(yù)測(cè)精度完全滿足實(shí)際工程需要.

4 結(jié) 論

本文提出了運(yùn)用一種高性能的高階BP神經(jīng)網(wǎng)絡(luò)方法用于連續(xù)多天的日最大負(fù)荷預(yù)測(cè)的研究，研究了日類型對(duì)日最大負(fù)荷的干擾和節(jié)假日負(fù)荷變化的特征，并提出了將日類型因子進(jìn)行量化處理的方法.算例結(jié)果表明，基于該方法的連續(xù)多天日最大負(fù)荷預(yù)測(cè)快速、有效，滿足了供電企業(yè)工程實(shí)踐要求.隨著人們生活水平的提高，取暖和降溫用電所占的比例不斷提高，若能從氣象部門獲得未來一個(gè)月的天氣預(yù)報(bào)信息，增加氣溫、濕度等影響負(fù)荷大小的氣象因子[9]，則能進(jìn)一步提高預(yù)測(cè)準(zhǔn)確率.

參考文獻(xiàn)：

[1] 李鵬鵬，彭顯剛，孟安波，等.小波貝葉斯神經(jīng)網(wǎng)絡(luò)在沖擊負(fù)荷地區(qū)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力科學(xué)與工程，2012，28（11）：7-12.

[2] 李湘華，宋尖，劉陽(yáng)升，等.典型氣象因素對(duì)省網(wǎng)夏季日最大負(fù)荷的影響[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2012，27（2）：70-75.

[3] 王寧，陳亮，李嘉龍.電力系統(tǒng)節(jié)假日負(fù)荷預(yù)測(cè)實(shí)例分析[J].廣東電力，2010，23（11）：47-49，55.

[4] 康重慶，程旭，夏清，等.一種規(guī)范化的處理相關(guān)因素的短期負(fù)荷預(yù)測(cè)新策略[J].電力系統(tǒng)自動(dòng)化，1999，23（18）：32-35.

[5] 張瑞洪.基于變學(xué)習(xí)率BP模型的城市燃?xì)舛唐谪?fù)荷預(yù)測(cè)[J].能源研究與信息，2006，22（4）：204-207.

[6] MA L X，SHIGEI N.Learning characteristics of multi layered higher order neural networks[C].International Conference of Computational Methods in Sciences and Engineering，2005.

[7] 任海軍，張曉星，肖波，等.基于概念格的神經(jīng)網(wǎng)絡(luò)日最大負(fù)荷預(yù)測(cè)輸入?yún)?shù)選擇[J].吉林大學(xué)學(xué)報(bào)：理學(xué)版，2011，49（1）：87-92.

[8] 韋鋼，王飛，張永健，等.負(fù)荷預(yù)測(cè)中歷史數(shù)據(jù)缺損處理[J].電力科學(xué)與工程，2004（1）：16-19.

[9] 任友明，馬立新，屈娜娜.智能化氣象信息處理的負(fù)荷預(yù)測(cè)系統(tǒng)研究[J].微計(jì)算機(jī)信息，2011，27（12）：79-81.