李秋碩+王巖+孫宇軍++肖勇++歐陽濤

摘 要： BP神經(jīng)網(wǎng)絡在解決非線性復雜系統(tǒng)中存在很大的優(yōu)勢。針對家庭用電設備自身的負荷特點，以廣州供電局用戶用電設備能耗數(shù)據(jù)作為訓練樣本，利用BP神經(jīng)網(wǎng)絡構建用電設備能耗分析模型，選定能夠反映對象特性的能效指標，確定神經(jīng)元數(shù)，構建用戶分類指標，依據(jù)訓練的BP神經(jīng)網(wǎng)絡進行用戶劃分，實現(xiàn)用戶間的能效對比分析。結果表明，模型收斂性較好，所得分析結果絕對誤差較小。因此，利用BP神經(jīng)網(wǎng)絡進行用戶能效分析的結果具有實用性和有效性。

關鍵詞： BP神經(jīng)網(wǎng)絡； 能效分析； 負荷辨識； 多元線性回歸； 用戶劃分

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2017）09?0156?03

Abstract： The BP neural network has great advantage to solve the nonlinear complex system. According to the characteristics of the household electricity load itself， the electrical equipment energy consumption data of the users attaching to Guangzhou Power Supply Bureau is taken as the training sample. The BP neural network is used to construct the energy consumption analysis model of the electrical equipment. The energy efficiency index which can reflect the target features is selected to determine the quantity of the neurons， and construct the users classification index. The users are classified according to the trained BP neural network to realize the energy efficiency contrastive analysis among users. The results show that the model has good convergence， and the analysis result has small absolute error. Therefore， the BP neural network used to analyze the users′ energy efficiency has practicability and availability.

Keywords： BP neural network； energy efficiency analysis； load identification； multiple linear regression； users classification

0 引 言

隨著人們生活水平的提高及階梯電價、峰谷電價的實施，用戶用電行為特征也逐漸發(fā)生了變化。充分了解家庭用戶的多樣能源訴求，科學準確地反映用戶的能效狀況，再有針對性地為用戶定制創(chuàng)新的個性化節(jié)能增效解決方案，從而實現(xiàn)用戶的節(jié)能減排和電能成本降低，對助推電網(wǎng)整體能效水平提升、提高企業(yè)競爭力和服務感知，減少不必要的能源浪費具有積極作用。因此，如何根據(jù)對用戶用電行為和耗電量分析，針對用電負荷不確定性、非線性、隨機性的自身特點，通過預測模型算法及設備、同區(qū)域橫向比對等方式是研究用戶負荷預測、用戶節(jié)能策略的依據(jù)。BP神經(jīng)網(wǎng)絡高度的自學習、自組織和自適應能力，在輸入和輸出樣本之間建立起一種高度非線性的映射，其通過優(yōu)化使用最廣的梯度下降法，利用迭代運算求出權值，為優(yōu)化問題的可調參數(shù)加入一定的隱節(jié)點，使求解更精確，被廣泛地應用于各領域的預測模型中。

1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，該網(wǎng)絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉入反向傳播，根據(jù)預測誤差調整網(wǎng)絡權值和閾值，從而使BP神經(jīng)網(wǎng)絡的預測輸出能夠不斷地逼近期望輸出。神經(jīng)網(wǎng)絡原理就是利用輸出后的誤差估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。BP神經(jīng)網(wǎng)絡的結構圖如圖1所示。

BP算法的核心是數(shù)學中的“負梯度下降”理論，即BP網(wǎng)絡的誤差調整方向總是沿著誤差下降快的方向進行，常規(guī)三層BP網(wǎng)絡權值和閾值調整公式如下：

式中：為網(wǎng)絡輸出與實際輸出樣本之間的誤差平方和即誤差函數(shù)。BP神經(jīng)網(wǎng)絡每一次學習訓練之后，都會進行學習結果的判別。判別的目的在于檢查輸出的誤差是否滿足允許的標準；為網(wǎng)絡的權值調整幅度；為時刻輸入層第個神經(jīng)元與隱含層第個神經(jīng)元之間的權值，即連接強度系數(shù)；為時刻隱含層第個神經(jīng)元與輸出層第個神經(jīng)元之間的權值；為神經(jīng)元的閾值，BP神經(jīng)網(wǎng)絡學習訓練方式的流程如圖2所示。

2 基于BP神經(jīng)網(wǎng)絡用戶能效設計及分析應用

基于BP神經(jīng)網(wǎng)絡建立用戶用電設備能效評估模型，主要分為三個階段：第一階段設計用戶分類的BP神經(jīng)網(wǎng)絡，選定能夠反映對象特性的能效指標，確定樣本數(shù)據(jù)、隱藏層神經(jīng)元數(shù)。第二階段，訓練神經(jīng)元網(wǎng)絡，將BP網(wǎng)絡輸入訓練樣本轉化為對應位向量，構建用戶分類指標。第三階段，依據(jù)訓練好的BP神經(jīng)網(wǎng)絡進行用戶劃分，實現(xiàn)用戶間能效對比分析。

2.1 設計用戶分類BP神經(jīng)網(wǎng)絡

（1） 用戶負荷辨識系統(tǒng)采集的設備用電信息

根據(jù)負荷辨識系統(tǒng)采集的設備用電信息（以廣州供電局部分用電數(shù)據(jù)為例），統(tǒng)計某段時間內用戶的總用電量，總電費，平均電價，峰時段總電量，峰時段總電費，谷時段總電量，谷時段總電費，平時段總電量，平時段總電費等指標，對于用戶的某一指定設備，統(tǒng)計該設備的總電量，總電費，平均電價，峰時段總電量，峰時段總電費，谷時段總電量，谷時段總電費，平時段總電量，平時段總電費等指標。

（2） 峰谷平時段劃分及執(zhí)行電價標準

峰谷平時段劃分及執(zhí)行電價標準見表1。

（3） 構建神經(jīng)網(wǎng)絡元節(jié)點

根據(jù)以上對BP神經(jīng)網(wǎng)絡算法的研究和實際的數(shù)據(jù)模型，構建相應的神經(jīng)網(wǎng)絡，其中輸入層有32個節(jié)點，將輸入的數(shù)據(jù)樣本轉化為32位的向量；隱含層有15個節(jié)點，輸出層有3個節(jié)點，即輸出是個3位的向量；按照用戶能耗等級，對應將用戶劃分為3類用戶，分別為低能耗，中能耗，高能耗用戶。

2.2 BP神經(jīng)網(wǎng)絡訓練

（1） 數(shù)據(jù)進行預處理

由于采集的設備用電數(shù)據(jù)比較雜亂，在對數(shù)據(jù)進行統(tǒng)計分析之前，需對數(shù)據(jù)進行預處理，對遺漏數(shù)據(jù)進行缺失處理。在分析電力用戶數(shù)據(jù)的過程中，某個時間點的數(shù)據(jù)缺失可根據(jù)附近時間點的數(shù)據(jù)記錄填寫空缺，也可采用直接忽略空值的數(shù)據(jù)記錄，在進行實際的操作中，對于空值的數(shù)據(jù)記錄直接忽略（或刪除）。

（2） 數(shù)據(jù)的讀取與初步計算

對經(jīng)過預處理的數(shù)據(jù)進行讀取，讀取的數(shù)據(jù)維度包括：用戶編號，用戶區(qū)域，日期，時間，設備1累計用電量，設備2累計用電量，…設備累計用電量。讀取的數(shù)據(jù)實際是每過一個時間點（如1 min）記錄當前設備的累計用電量。對數(shù)據(jù)進行初步計算的目的是算出用戶在時間段內每個時點每個設備的用電量。從最后一條記錄開始統(tǒng)計，每一條記錄的數(shù)值減去上一個時間點記錄的數(shù)值，得到當前時間點用電量。重復操作，直至完成所有數(shù)據(jù)記錄的計算。

（3） 神經(jīng)網(wǎng)絡訓練

根據(jù)用戶的峰時，谷時，平時三個時段的用電量進行用戶分類，在進行訓練時，該BP神經(jīng)網(wǎng)絡將輸入的訓練樣本轉化為32位的向量，向量的每個分量就是其二進制形式對應的位上的0或1。將目標輸出視作一個三維的向量，即將用戶劃分為三類：

A類[1，0，0]表示低能耗用戶

B類[0，1，0]表示中能耗用戶

C類[0，0，1]表示高能耗用戶

對處理好的某地區(qū)5～7月2 000組樣本數(shù)據(jù)構建好的BP神經(jīng)網(wǎng)絡進行訓練，樣本數(shù)據(jù)如表2所示。

依據(jù)訓練樣本，設置最大訓練步長為1 000，訓練目標精度為0.001，學習率為0.01。BP神經(jīng)網(wǎng)絡學習的曲線變化如圖3所示。

根據(jù)圖3可以看出，在訓練到709步時達到訓練目標精度，接下來對訓練好的BP神經(jīng)網(wǎng)絡進行測試，選擇1 000組測試樣本數(shù)據(jù)，其中A類用戶345個，B類用戶320個，C類用戶335個，使用該BP神經(jīng)網(wǎng)絡進行測試，最終的測試結果如表3所示。

由表3可以得到，該神經(jīng)網(wǎng)絡在數(shù)據(jù)測試中的用電用戶分類結果的準確率還是比較高的，其中B類用戶的識別率最低，誤差率達到了11.87%，C類用電用戶的識別率最高，達到了92.2%，對比神經(jīng)網(wǎng)絡得到的用電用戶分類結果還是比較滿意的，誤差率相對比較小，證明該BP神經(jīng)網(wǎng)絡在用電用戶分類中具有比較高的可行性。

2.3 BP神經(jīng)網(wǎng)絡用戶能效分析及用戶間對比

（1） 用戶能效分析

經(jīng)過BP神經(jīng)網(wǎng)絡反復訓練，修正權值的計算后，所得的數(shù)據(jù)即是該用戶的每個設備在每一個時刻對應的用電量，由于用戶的總用電量等于每個設備的總用電量之和，即：

同理，用戶的總電費等于每個設備的總電費之和，即：

根據(jù)總用電量和總電費，可以輕易算出該用戶的平均電價。

該用戶在峰時段的總用電量等于每個設備在峰時段的總用電量之和：

根據(jù)峰、谷、平三個時段的電價和用戶自身的用電量分布可知，用戶應適當減少峰時段的用電量，在允許的情況下可以將峰時段要工作的設備放在谷時段工作，這樣能有效減少家庭用電花費，同時降低電力供應系統(tǒng)在峰時段的供電壓力。

（2） 用戶間能效對比

對同類用戶進行能耗對比分析，對比的指標有：在某段時間內該用戶的總用電量，總電費，平均電價在同類用戶中的排名；在同類用戶中進行某一設備的對比?？筛鶕?jù)該用戶的類型，在所有用戶中找到同類用戶，將總電量，總電費，平均電價這三項指標進行對比，計算出其排名。設備之間的對比，即在同類用戶中找到具有該設備的用戶，將該設備的總電量，總電費，平均電價這三項指標進行對比，記錄其排名。將用戶的各項指標在同類用戶中比對，輸出結果如圖4所示。

該用戶的平均電價高于平時段的電價，說明該用戶在峰時段使用的電量要多于其他時段，可建議該用戶盡量減少峰時段的用電量。

可以看出，BP神經(jīng)網(wǎng)絡的收斂性較好，在學習訓練過程中能夠根據(jù)各影響因素對總耗電量演變趨勢所起作用的大小自動調節(jié)權重，因此，利用BP神經(jīng)網(wǎng)絡對用戶用電設備的能效進行分析預測有較高的精準度。

3 結 語

本文以用戶用電設備為研究對象，根據(jù)設備的實時運行數(shù)據(jù)，針對用電設備峰、谷、平劃分及分階電價等因素，提出基于BP神經(jīng)網(wǎng)絡的用電能耗分析模型，其能很好地預測非線性條件下的用電設備能耗問題。通過對用電設備的數(shù)據(jù)模型學習訓練，構建用戶分類指標，進行用戶劃分，實現(xiàn)用戶間能效對比分析，對深入挖掘用戶設備的節(jié)能潛力，幫助用戶了解家庭設備的能效水平及分布狀況，降低設備的損耗、減少不必要的能源浪費，助推電網(wǎng)設備能效水平的提升。

參考文獻

[1] 師彪，李郁俠，于新花，等.動態(tài)調整蟻群?BP神經(jīng)網(wǎng)絡模型在短期負荷預測中的應用[J].水利發(fā)電學報，2011，30（3）：5?9.

[2] 王蓓蓓，李楊，高賜威.智能電網(wǎng)框架下的需求側管理展望與參考[J].電力系統(tǒng)自動化，2009，33（20）：17?22.

[3] 程其云.基于數(shù)據(jù)挖掘的電力短期負荷預測模型及方法的研究[D].重慶：重慶大學，2004.

[4] 王雪峰，鄔建華，馮英浚，等.運用樣本更新的實時神經(jīng)網(wǎng)絡進行短期電力負荷預測[J].系統(tǒng)工程理論與實踐，2003（4）：95?99.

[5] 姜勇.基于模糊聚類的神經(jīng)網(wǎng)絡短期負荷預測方法[J].電網(wǎng)技術，2003，27（2）：45?49.

[6] 丁思敏，吳軍基.改進模糊神經(jīng)網(wǎng)絡在負荷預測中的應用研究[J].電力學報，2009，24（2）：101?104.

[7] 宮蘊瑞，王瑞，朱建良.基于混沌時間序列的BP神經(jīng)網(wǎng)絡電力負荷預測[J].信息技術，2005，11（9）：41?43.

[8] 姚李孝，薛美娟，馮繼安.基于人工神經(jīng)網(wǎng)絡的負荷數(shù)據(jù)預處理[J].西安理工大學學報，2007，23（3）：277?281.

[9] 楊列鑾，解佗，張剛，等.基于物元綜合評價法的高耗能企業(yè)電力能效評價[J].電力科技與環(huán)保，2014，30（6）：44?47.